Il chip Jalapeño di OpenAI batte Nvidia Blackwell nei primi benchmark sull’inferenza

OpenAI ha alzato ancora una volta la posta nella corsa al calcolo per l’intelligenza artificiale. Alla conferenza Hot Chips, il palcoscenico che ogni anno riunisce i progettisti dei processori più avanzati al mondo, l’azienda guidata da Sam Altman ha mostrato i primi benchmark ufficiali di Jalapeño, il suo primo chip disegnato in casa e pensato esclusivamente per l’inferenza. I numeri raccontano una sorpresa che in pochi si aspettavano da un debutto: secondo i test, Jalapeño supera le GPU Nvidia Blackwell e persino la più recente piattaforma Rubin proprio sul terreno che oggi conta di più, cioè quanto lavoro di intelligenza artificiale riesce a produrre per ogni watt consumato. Se hai seguito la presentazione ufficiale di Jalapeño insieme a Broadcom, questo è il capitolo che mancava: i primi dati di prestazione reali.

Il messaggio è diretto. Al primo tentativo, un’azienda nata come laboratorio di software è riuscita a insidiare il re indiscusso del silicio per l’AI proprio sull’efficienza energetica.

Cosa ha mostrato OpenAI a Hot Chips

Partiamo da cosa è, esattamente, Jalapeño. Si tratta di un acceleratore dedicato solo all’inferenza, cioè alla fase in cui un modello già addestrato viene interrogato e produce risposte. Non serve ad addestrare i modelli, compito che resta affidato alle enormi flotte di GPU nei data center. Un dettaglio interessante è che il chip non è ottimizzato solo per i modelli di OpenAI: è un acceleratore generalista per l’inferenza dei grandi modelli linguistici, e questo lo rende potenzialmente utile ben oltre i confini di ChatGPT.

Veniamo ai numeri, perché sono la parte che ha fatto discutere. Secondo i primi risultati diffusi da OpenAI, Jalapeño offre da 1,5 a 1,9 volte più lavoro di intelligenza artificiale per watt al picco di throughput, misurato su tutti e tre i modelli usati nei test. Sulla latenza, il vantaggio va da 1,7 a 3,6 volte rispetto ai migliori sistemi oggi disponibili sul mercato. E sui carichi interattivi, quelli in cui l’utente attende una risposta in tempo reale, il salto dichiarato arriva addirittura a un intervallo tra 2,1 e 4,1 volte.

Tradotto in parole semplici: a parità di energia, questo chip fa molto di più.

I test non arrivano da un laboratorio compiacente. Sono stati eseguiti con InferenceX, il benchmark pubblico realizzato dalla società di analisi SemiAnalysis. I dati numerici li ha forniti OpenAI, ma SemiAnalysis ha verificato di persona alcune delle prove direttamente in laboratorio, un passaggio che aggiunge credibilità a cifre che altrimenti sarebbero solo autodichiarate. I modelli scelti per la comparazione sono tre nomi noti dell’ecosistema aperto: GPT-OSS 120B, Deepseek R1 670B e Kimi K2.5 1T. Su GPT-OSS, Jalapeño ha toccato circa 1.400 token al secondo per singolo utente, mentre su Deepseek R1 ha superato i 700 token al secondo su una singola richiesta.

C’è poi un dato che, più di ogni altro, spiega perché la notizia ha fatto rumore. A parità di velocità di decodifica, il chip di OpenAI produce da 54 a 104 volte il throughput di token per kilowattora rispetto al miglior acceleratore disponibile, a seconda del modello considerato. È il tipo di distacco che, in un settore dove i data center consumano quanto piccole città, cambia le equazioni economiche.

Perché il confronto con Blackwell va letto con attenzione

Prima di gridare alla rivoluzione, conviene guardare i dettagli con onestà, come del resto fa la stessa SemiAnalysis. Il confronto più eclatante è quello con Blackwell, ma qui c’è un fattore che pesa: Jalapeño monta la nuova memoria HBM4, mentre Blackwell si affida alla generazione precedente. Non è un paragone del tutto equilibrato, e ammetterlo è doveroso.

Il raffronto più giusto è quello con Vera Rubin, la piattaforma Nvidia di prossima generazione che adotta anch’essa la memoria HBM4. Ebbene, anche in questo scenario più severo Jalapeño riesce a spremere più token in uscita per megawatt rispetto a Vera Rubin. E lo fa pur senza usare tecniche di ottimizzazione come la predizione multi token, che invece l’acceleratore Nvidia sfrutta. Sul costo totale di possesso per token, però, i due si equivalgono in sostanza, un promemoria utile a non trasformare un vantaggio tecnico in una conclusione affrettata sul portafoglio.

Ci sono anche altri limiti onesti da mettere in conto.

Nvidia e AMD hanno già pubblicato risultati con modelli più grandi, come Deepseek V4 Pro e Kimi K3, che su Jalapeño non sono ancora stati provati. E soprattutto c’è la questione della maturità industriale: i sistemi Rubin stanno già arrivando ai clienti, mentre Jalapeño, stando alle informazioni disponibili, non ha ancora superato la fase dei campioni ingegneristici. Un conto è vincere un benchmark, un altro è spedire milioni di chip funzionanti nei data center di tutto il mondo.

Un chip nato in nove mesi, con l’AI che progetta l’AI

La storia di come Jalapeño è stato costruito è forse più affascinante dei benchmark stessi. OpenAI lo ha sviluppato insieme a Broadcom, partner ormai centrale nella strategia di silicio dell’azienda. Il lavoro di progettazione è iniziato a metà del 2024 e il disegno finale è andato in fabbricazione a novembre del 2025. Nel complesso il ciclo è durato circa sedici mesi, ma OpenAI sottolinea che tra il primo disegno del chip e il progetto definitivo pronto per la produzione sono passati appena nove mesi.

Il dettaglio che colpisce è un altro: OpenAI ha usato i propri modelli di intelligenza artificiale per costruire il chip. Le generazioni più vecchie hanno aiutato nella progettazione hardware, mentre quelle più recenti hanno accelerato la programmazione e l’ottimizzazione.

In pratica, l’AI ha contribuito a disegnare il ferro che farà girare l’AI. È una di quelle spirali che fino a poco tempo fa sarebbero sembrate fantascienza.

Da qui nasce l’osservazione più provocatoria di SemiAnalysis, secondo cui il celebre fossato competitivo di Nvidia potrebbe non tenere più. Per anni il vero vantaggio di Nvidia non è stato solo l’hardware, ma CUDA, l’ecosistema software che rende difficile migrare i modelli su chip di altri produttori. Se OpenAI riesce a portare nuovi modelli sul proprio silicio in tempi così rapidi, come nota l’azienda di analisi, quel fossato si assottiglia. La stessa SemiAnalysis lo mette nero su bianco osservando che, di solito, i chip di prima generazione non sono competitivi, e che qui invece è successo il contrario.

Cosa significa per Nvidia e per la corsa ai chip AI

La reazione dei mercati a notizie come questa è comprensibile: se i grandi clienti di Nvidia iniziano a costruirsi i chip in casa, i margini altissimi dell’azienda di Jensen Huang finiscono sotto pressione. Eppure la realtà è più sfumata di uno scontro all’ultimo sangue. La direttrice finanziaria di OpenAI, Sarah Friar, ha inquadrato Jalapeño dentro una strategia di calcolo integrata, in cui data center, chip, modelli, piattaforma per sviluppatori, prodotti e dispositivi lavorano come un unico sistema.

Secondo Friar, il chip completa le partnership esistenti di OpenAI con Nvidia, AMD, AWS, Cerebras e CoreWeave, senza sostituirle. Non è un dettaglio di poco conto, se pensi che proprio Nvidia resta uno dei maggiori investitori e fornitori dell’azienda, come racconta la vicenda dei colossali impegni sui data center in Ohio. È il paradosso della cooperazione competitiva: gli stessi soggetti sono al tempo stesso alleati e rivali.

Jalapeño, del resto, non nasce nel vuoto. Si inserisce in un’ondata più ampia di aziende che scelgono di progettarsi il silicio su misura, un movimento che abbiamo visto crescere con il team interno di chip costruito da Anthropic e con le acquisizioni di startup specializzate nell’incidere i modelli direttamente nel silicio. Sullo sfondo c’è un’altra dinamica ormai evidente: l’inferenza, e non solo l’addestramento, è diventata il vero campo di battaglia economico dell’intelligenza artificiale, come mostrano i capitali che si stanno riversando sul settore dell’inferenza veloce.

Chi serve miliardi di risposte al giorno lo sa bene: ridurre il costo energetico di ogni singola risposta vale oro.

Cosa aspettarti nei prossimi mesi

Per il momento, conviene mantenere i piedi per terra. OpenAI prevede un impiego su scala molto ridotta entro la fine del 2026, con un dispiegamento più ampio soltanto nel corso del 2027. Fino ad allora, Jalapeño resta soprattutto una dichiarazione di intenti potentissima: la dimostrazione che un attore verticale, capace di controllare modelli, software e ora anche hardware, può correre a una velocità che spiazza gli operatori tradizionali.

Le domande aperte restano parecchie. Reggerà queste prestazioni quando il chip uscirà dai laboratori e dovrà funzionare in produzione, su modelli più grandi e su carichi reali? Nvidia, che non è certo ferma a guardare, risponderà con Rubin e con le generazioni successive? E soprattutto, quanti altri grandi laboratori seguiranno la stessa strada del silicio proprietario?

Quello che è certo è che la corsa ai chip per l’intelligenza artificiale è appena entrata in una fase nuova, in cui i confini tra chi fa software e chi fa hardware si fanno sempre più sfumati. Continua a seguirci per non perdere i prossimi sviluppi: aggiorneremo l’analisi non appena Jalapeño passerà dai benchmark alla realtà dei data center.