Stöbere durch die Modelle und Stile hinter Storys wie dieser – kostenloses Konto, Galerie sofort.
OpenAI und Broadcom haben gemeinsam Jalapeño vorgestellt — OpenAIs erstes Custom-Silicon: ein ASIC, der speziell für KI-Inferenz konzipiert wurde. Damit vollzieht das Unternehmen seinen ersten ernsthaften Schritt weg von der Abhängigkeit von Nvidia-GPUs für die Auslieferung seiner Modelle.
Die meisten Chip-Neuigkeiten im KI-Bereich drehen sich ums Training — die riesigen GPU-Cluster, die einem Modell seine Gewichte beibringen. Inferenz ist die andere Hälfte: Jedes Mal, wenn man einen Prompt sendet und eine Antwort erhält, ist das Inferenz. Und genau dieser Teil des Stacks läuft kontinuierlich, in massivem Maßstab, und bestimmt direkt, wie viel es OpenAI kostet, eine Anfrage zu beantworten.
Jalapeño ist ein ASIC — das bedeutet, jeder Transistor auf ihm ist auf eine einzige Sache optimiert. Anders als ein Nvidia H100 — ein flexibler Allzweck-Beschleuniger, der Modelle trainieren, Simulationen ausführen oder Grafiken rendern kann — tauscht ein ASIC Flexibilität gegen Effizienz. Googles TPUs und Amazons Inferentia-Chips folgen derselben Logik. Speziell für Inferenz gewinnt dieser Kompromiss meist: geringerer Stromverbrauch, niedrigere Kosten pro Token und oft geringere Latenz.
Für Creator, die OpenAIs API oder GPT-4o über ChatGPT nutzen, ist der praktische Effekt stromaufwärts klar: Günstigere Inferenz für OpenAI sollte sich langfristig in großzügigeren Rate-Limits, niedrigeren API-Preisen oder schnelleren Antwortzeiten niederschlagen — auch wenn keines dieser Ergebnisse garantiert oder zeitlich festgelegt ist.
Broadcom ist einer der führenden Foundry-Partner für Custom-KI-ASICs — das Unternehmen fertigt bereits Googles TPU-Linie. Seine Beteiligung an OpenAIs Jalapeño legt nahe, dass es sich um ein ernsthaftes, produktionsreifes Stück Silicon handelt und nicht um einen Forschungsprototyp. Berichten von The Verge und TechCrunch zufolge ist der Chip ausdrücklich für den Einsatz in OpenAIs Inferenz-Infrastruktur vorgesehen — nicht nur für Labortests.
Der Name Jalapeño ist eine Abkehr von der nüchternen alphanumerischen Benennung der meisten Rechenzentrum-Chips — ob das ein Branding-Signal ist oder einfach ein interner Codename, der hängen blieb, hat OpenAI nicht klargestellt.
OpenAI hat Milliarden für Nvidia-GPUs ausgegeben und bleibt einer der größten Kunden des Unternehmens. Jalapeño ändert das nicht über Nacht. Das Training von Frontier-Modellen erfordert nach wie vor Nvidias neueste Hardware — die H100- und B200-Cluster, um die OpenAI, Microsoft Azure und andere wetteifern. Was Jalapeño leisten kann: den Bedarf an Nvidia-Chips für die Inferenz-Last zu reduzieren, die mit jedem neuen Nutzer wächst.
Wie Ars Technica berichtet, wird der Chip als Teil von OpenAIs übergeordneter Strategie eingeordnet, mit der stark steigenden Nachfrage Schritt zu halten — ein Problem, das für API-Nutzer in Spitzenzeiten zu sichtbarem Rate-Limiting und Verlangsamungen geführt hat. Ein dedizierter Inferenz-ASIC, der parallel zu GPU-Clustern läuft, ist das bewährte Vorgehen: Google hat diesen Übergang über mehrere TPU-Generationen vollzogen, bevor seine Inferenzkosten spürbar sanken.
Heute ändert sich nichts. Jalapeño ist angekündigt, aber noch nicht im großen Maßstab im Einsatz. Doch die Entwicklungsrichtung ist für alle relevant, die Bildgenerierungs-Pipelines, Prompt-Workflows oder Character-Tools auf Basis von OpenAIs API aufbauen. Wenn OpenAI Inferenz auf eigenem Silicon günstiger bereitstellen kann, sinkt die Kostenkurve für GPT-4o und künftige Modelle — und das ist der Eingabepreis für jedes Tool im Ökosystem, das OpenAIs Endpunkte aufruft.
Creator, die bereits Modellkosten über Anbieter hinweg vergleichen, bevor sie sich auf einen Workflow festlegen, sollten beobachten, ob sich OpenAIs API-Preise in den nächsten zwei bis drei Quartalen bewegen. Das ist das realistische Zeitfenster, in dem ein neu angekündigter ASIC einen nennenswerten Deployment-Maßstab erreichen kann. In der Zwischenzeit bestätigt die Ankündigung, dass OpenAI Inferenzkapazität — nicht nur Modell-Fähigkeiten — als zentrale Wettbewerbsvariable betrachtet, wenn es darum geht, was nach GPT-4o kommt.
