<input is a string that will be translated to Thai, with `

Odaily资深作者

2026-08-26 10:00

บทความนี้มีประมาณ 4252 คำ การอ่านทั้งหมดใช้เวลาประมาณ 7 นาที

` as the delimiter splitting it into multiple segments. These segments may be plain text or HTML code. # Strict Rules 1. **Preserve Delimiter**: Must strictly preserve `

สรุปโดย AI

ขยาย

` delimiter—do not translate, modify, or delete it. Keep its position corresponding to the original. 2. **HTML Protection**: - If a segment contains HTML, only translate the **visible text content** between tags. - **Absolutely forbidden** to translate HTML tag names (like `div`, `span`), attribute names (like `class`, `src`), link URLs, or any code syntax. - Keep the HTML structure and nesting completely unchanged. 3. **Plain Text**: If it's a plain text segment, translate it directly. 4. **Output Format**: Output must maintain the same concatenated format as the input. เพียง 9 เดือน ชิป ASIC ที่ OpenAI พัฒนาเองแซงหน้า Nvidia Blackwell จริงหรือ?

ผู้เขียนต้นฉบับ: ตงจิง

ที่มาของบทความ: Wall Street CN

Jalapeño ชิปตัวแรกที่ OpenAI พัฒนาขึ้นเองเปิดตัวต่อสาธารณะ พลิกโฉมโครงสร้างอุตสาหกรรมชิป AI ที่มีอยู่เดิมด้วยความเร็วที่น่าตกใจ—นี่ไม่ใช่แค่การเปิดตัวผลิตภัณฑ์ แต่เป็นสัญญาณว่า AI กำลังเปลี่ยนรูปแบบการออกแบบชิปเอง

ตามรายงานของWall Street CN อ้างอิงจาก Bloomberg เมื่อวันที่ 25 สิงหาคม OpenAI ระบุว่า Jalapeño มีความเหนือกว่า Nvidia GB300 ในสองตัวชี้วัดสำคัญ ได้แก่ ปริมาณงาน AI ที่ประมวลผลได้ต่อหน่วยพลังงาน และความเร็วในการตอบสนอง ชิปนี้พัฒนาร่วมกันโดย OpenAI และ Broadcom ออกแบบมาโดยเฉพาะสำหรับขั้นตอนการอนุมาน (inference) ของ AI โดยคาดว่าจะเริ่มใช้งานจริงได้ภายในสิ้นปีนี้ Richard Ho หัวหน้าฝ่ายชิปของ OpenAI กล่าวว่า Jalapeño ให้ประสิทธิภาพที่แข็งแกร่งที่การใช้พลังงานต่ำเพียง 700 วัตต์ ซึ่งช่วยลดต้นทุนไฟฟ้าของศูนย์ข้อมูลได้อย่างมาก

ตามข้อมูลที่เปิดเผยโดย SemiAnalysis สถาบันวิจัยเซมิคอนดักเตอร์ ชิปตัวนี้ใช้เวลาเพียงประมาณ 16 เดือน ตั้งแต่เริ่มออกแบบจนถึงการผลิตแผ่นเวเฟอร์ (tape-out) โดยขั้นตอนการผลิตแพ็กเกจ CoWoS ซึ่งเป็นจุดสำคัญ เสร็จสิ้นในเดือนพฤศจิกายน 2025 ซึ่งห่างจากปัจจุบันเพียง 9 เดือน ซึ่งต่ำกว่าวงจรปกติของอุตสาหกรรมที่ 18 ถึง 36 เดือนอย่างมาก

นักวิจัยของ SemiAnalysis เดินทางไปที่ห้องปฏิบัติการของ OpenAI ด้วยตนเอง และใช้ชุดทดสอบมาตรฐานที่พัฒนาขึ้นเองชื่อ InferenceX ทดสอบ Jalapeño จริง ผลลัพธ์ที่ได้ตรงไปตรงมา: ชิปตัวนี้เอาชนะชิปของ Nvidia, AMD และ Google ทั้งหมดที่พวกเขาเคยทดสอบมาก่อนในด้านประสิทธิภาพต่อวัตต์ (perf/W)

ที่น่าสนใจยิ่งกว่าคือ ผลลัพธ์นี้เกิดขึ้นในขณะที่ Jalapeño ยังไม่ได้เปิดใช้เทคนิคการถอดรหัสแบบคาดเดา (speculative decoding) หรือการแยกการทำงานระหว่าง pre-fill และ decode หรือการปรับแต่งอื่นๆ ในขณะที่ชิปอื่นๆ ที่เข้าร่วมเปรียบเทียบได้เปิดการกำหนดค่าที่ดีที่สุดของตนแล้ว

ไม่น่าแปลกใจเลยที่ Dylan Patel นักวิเคราะห์เซมิคอนดักเตอร์ชื่อดังถึงกับกล่าวตรงๆ ว่า "ไม่ใช่แค่ Blackwell ที่ถูกโค่นล้ม แม้แต่ชิป Rubin ของ Nvidia ก็ถูกแซงหน้าเช่นกัน"!

การวิเคราะห์ชี้ว่าผลลัพธ์นี้ท้าทายตำแหน่งทางการตลาดของ Nvidia โดยตรง และทำให้ตลาดต้องทบทวนโครงสร้างการแข่งขันของชิป AI ใหม่

ข้อมูลทดสอบจริง: Jalapeño ชนะขาดในหลายตัวชี้วัดสำคัญเหนือ Blackwell

ผลการทดสอบของ SemiAnalysis แสดงให้เห็นว่า Jalapeño มีความได้เปรียบอย่างมีนัยสำคัญในด้านประสิทธิภาพการอนุมาน

บนโมเดล GPT-OSS 120B Jalapeño สามารถสร้าง Token ได้ประมาณ 1,459 Token ต่อวินาที ในขณะที่ Nvidia GB200 ทำได้เพียง 535 Token; ในด้านความหน่วงแบบ end-to-end Jalapeño ใช้เวลาเพียง 1.65 วินาทีในการทำงานหนึ่งรายการให้เสร็จ ในขณะที่ GB300 ต้องใช้เวลาเกือบ 6 วินาที ต่างกัน 3.6 เท่า ในสถานการณ์ที่มีการโต้ตอบสูง เมื่อ GB300 ถูกดันไปที่ความเร็วการถอดรหัสสูงสุด (169 Token ต่อวินาที) ปริมาณงานของ Jalapeño สูงกว่า 104.3 เท่า

ในตัวชี้วัดหลักที่ใช้วัดประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูล นั่นคือจำนวน Token ที่สร้างต่อเมกะวัตต์ต่อวินาที Jalapeño ทำได้ประมาณ 53 ล้าน Token/MW/s บนโมเดล GPT-OSS ในขณะที่ GB200 NVL72 ทำได้เพียงประมาณ 10 ล้าน

SemiAnalysis ชี้ว่าตัวชี้วัดนี้โดยพื้นฐานแล้วเทียบเท่ากับจำนวน Token ที่สร้างต่อจูล ซึ่งกำหนดเพดานรายได้ของศูนย์ข้อมูลโดยตรง—ในยุคที่กำลังการประมวลผลถูกจำกัดด้วยไฟฟ้า ความได้เปรียบในด้านนี้จึงสำคัญยิ่ง

ในแง่ต้นทุนระดับระบบ SemiAnalysis คำนวณรวมค่าไฟฟ้า ระบบระบายความร้อน และเครือข่ายทั้งหมดแล้ว พบว่าต้นทุนการเป็นเจ้าของรวมต่อชิปต่อชั่วโมงของ Jalapeño อยู่ที่ประมาณ 1.56 ดอลลาร์สหรัฐ เกือบเท่ากับ H100 ที่ 1.55 ดอลลาร์สหรัฐ ในขณะที่ Nvidia Vera Rubin สูงถึง 3.61 ดอลลาร์สหรัฐ

ที่น่าสังเกตคือ SemiAnalysis ยังได้เสนอข้อควรระวังที่สำคัญหลายประการ

ประการแรก โมเดลที่ใช้ทดสอบไม่ใช่โมเดลที่ล้ำหน้าที่สุดในปัจจุบัน Nvidia และ AMD ได้เผยแพร่ผลลัพธ์จากชุดทดสอบ AgentX บนโมเดลขนาดใหญ่กว่า (เช่น DeepSeek V4 Pro, Kimi K3) แล้ว ในขณะที่ Jalapeño ยังไม่ได้ทำการทดสอบ AgentX—ชุดทดสอบนี้สะท้อนประสิทธิภาพในสถานการณ์การผลิตจริง เช่น การสนทนาหลายรอบและบริบทยาว ได้ดีกว่า

ประการที่สอง ตัวเปรียบเทียบที่ยุติธรรมกว่าควรเป็น Nvidia Vera Rubin ซึ่งใช้ HBM4 เช่นกัน ไม่ใช่ Blackwell; ประสิทธิภาพต่อวัตต์ของ Vera Rubin สูงกว่า GB200 NVL72 ประมาณ 5.4 เท่า เมื่อเทียบกับ Jalapeño แล้ว ต้นทุนการเป็นเจ้าของรวมต่อ Token (TCO) ของทั้งคู่เกือบเท่ากัน

ประการที่สาม Jalapeño ยังอยู่ในขั้นตอนวิศวกรรมตัวอย่าง (engineering sample) การผลิตจำนวนมากคาดว่าจะเริ่มเพิ่มกำลังการผลิตอย่างค่อยเป็นค่อยไปในปี 2027

AI ออกแบบชิป: "เอฟเฟกต์มู่เล่" ของ GPT-Astra และ Codex

สาเหตุหลักที่ Jalapeño พัฒนาเสร็จด้วยความเร็วที่น่าตกใจคือการมีเครื่องมือ AI เข้ามาช่วยอย่างลึกซึ้ง ตามที่ SemiAnalysis เปิดเผย OpenAI ใช้โมเดล AI ภายในจำนวนมากในกระบวนการออกแบบชิป รวมถึง GPT-Astra ที่ถูกพูดถึงอย่างกว้างขวางจากภายนอก

Andrew Curran ผู้ใช้บนแพลตฟอร์มโซเชียล X อ้างอิงข้อมูลจาก OpenAI ระบุว่า GPT-Astra มีส่วนร่วมอย่างลึกซึ้งตลอดกระบวนการพัฒนา Jalapeño:

"ทีมงานใช้ Codex และ GPT-Astra ปรับแต่งโมเดลโอเพนซอร์สสามตัวที่เดิมไม่อยู่ในแผนการผลิตจำนวนมากของ Jalapeño ให้มีประสิทธิภาพสูงภายในสองเดือน"

นั่นหมายความว่า AI ไม่เพียงแต่เร่งการออกแบบชิปเท่านั้น แต่ยังขยายขอบเขตของโมเดลที่ชิปสามารถรองรับได้อย่างรวดเร็วอีกด้วย

ข้อมูลของ SemiAnalysis ยังช่วยวัดปริมาณการมีส่วนร่วมนี้:

การออกแบบโดยใช้ AI ช่วยลดพื้นที่ของหน่วย SIMD ลง 8% และพื้นที่ของ matrix engine ลง 10% พร้อมทั้งมีประสิทธิภาพด้านเวลา (timing) และการใช้พลังงานดีกว่าเวอร์ชันเริ่มต้น

ในระดับซอฟต์แวร์ OpenAI ใช้ Codex เวอร์ชันขยายภายในเขียนเคอร์เนลของ Jalapeño โดยเคอร์เนลบางส่วนมีความยาวประมาณ 3,000 บรรทัด; ในโมดูล attention mechanism และ MoE ที่ต้องการประสิทธิภาพสูงสุด โค้ดที่ AI สร้างขึ้นทำงานได้เร็วกว่าผลงานของวิศวกรระดับแนวหน้าของมนุษย์ 1.5 ถึง 1.8 เท่า

SemiAnalysis ให้ความเห็นที่เฉียบคมเกี่ยวกับเรื่องนี้: โมเดลของ OpenAI (เช่น GPT-5.6 Sol) ที่รันบน GPU ของ Nvidia กำลังถูกใช้เพื่อออกแบบชิปที่คุกคามคูน้ำ (moat) ของ CUDA อย่างแท้จริง—"GPU ของ Nvidia เองกำลังให้กำเนิดผู้สืบทอดที่มีศักยภาพของตัวเองแบบเรียลไทม์"

วิเคราะห์สถาปัตยกรรม: ทำไม "ทั่วไป" ถึงเร็วกว่า?

ภายนอกมักคาดเดากันว่า Jalapeño เป็นชิปที่ออกแบบมาเฉพาะสำหรับโมเดลของ OpenAI เอง แต่ข้อสรุปของ SemiAnalysis กลับตรงกันข้าม: Jalapeño เป็นชิปอเนกประสงค์สำหรับการอนุมาน AI ซึ่งสามารถรันโมเดลและงานได้หลากหลายประเภท รวมถึงเกม Doom ที่ถูกพอร์ตด้วย Codex ด้วยซ้ำ

ในระดับสถาปัตยกรรม ปรัชญาการออกแบบหลักของ Jalapeño คือ "การขจัดความหน่วงคงที่" ซึ่งแตกต่างจาก GPU ที่พึ่งพาลำดับชั้นหน่วยความจำที่ซับซ้อน Jalapeño ผูกแกนประมวลผลเข้ากับSlice ของ HBM โดยตรง และแกนประมวลผลสื่อสารกันผ่านเครือข่าย集合แบนด์วิดท์สูงเฉพาะ ซึ่งช่วยลดความหน่วงในการเข้าถึงหน่วยความจำลงอย่างมาก

นอกจากนี้ Jalapeño ยังใช้แกนประมวลผลแบบ out-of-order (OoO) พร้อมกับแคช L1 แทนการใช้ software-managed scratchpad ที่ Accelerator อื่นๆ ใช้กันทั่วไป ซึ่งทำให้สามารถเข้าใกล้ค่าสูงสุดทางทฤษฎีของฮาร์ดแวร์ได้มากขึ้นในสถานการณ์ batch เล็กและความหน่วงต่ำ

ในด้านแบนด์วิดท์หน่วยความจำ Jalapeño ใช้ HBM4 ให้แบนด์วิดท์หน่วยความจำ 15.4TB/s ต่อแพ็กเกจ แบนด์วิดท์ HBM ต่อวัตต์อยู่ที่ 22 ในขณะที่ Rubin ของ Nvidia อยู่ที่ 11.1 และ GB300 อยู่ที่เพียง 5.71

SemiAnalysis ชี้ว่า ความเร็วพินของ HBM4 ใน Jalapeño อยู่ที่ 10Gbps สูงกว่า Rubin ของ Nvidia เล็กน้อยที่ 9.6Gbps และผู้จัดหา HBM อาจเป็น Samsung

ที่น่าสนใจคือ Jalapeño เลือกที่จะไม่ทำการแยกการทำงานระหว่าง pre-fill และ decode (PDD) SemiAnalysis ให้คำอธิบายโดยละเอียดเกี่ยวกับเรื่องนี้:

ในสภาพแวดล้อมการผลิตจริง พารามิเตอร์เช่นอัตราส่วนอินพุตต่อเอาต์พุต ระดับความพร้อมกัน และอัตราการ命中แคชมีการเปลี่ยนแปลงตลอดเวลา การแบ่งพูลแบบคงที่จะทำให้อัตราการใช้ทรัพยากรโดยรวมลดลง; ในขณะที่พูลทรัพยากรแบบเนื้อเดียวกันสามารถตอบสนองต่อความผันผวนของการรับส่งข้อมูลได้อย่างยืดหยุ่น โดยจัดสรรทรัพยากรระหว่างคำขอที่ไวต่อความหน่วงและการประมวลผลแบบแบตช์ปริมาณงานสูงได้อย่างไดนามิก

คูน้ำ CUDA: เริ่มมีรอยร้าวแล้วหรือ?

SemiAnalysis กล่าวถึงข้อสรุปที่หนักแน่นในรายงาน: คูน้ำของ CUDA อาจตายแล้ว

เหตุผลอยู่ที่การเปรียบเทียบความเร็วของการเริ่มต้นซอฟต์แวร์ การผลิต CoWoS ของ Rubin ของ Nvidia เสร็จก่อน Jalapeño หนึ่งเดือน แต่จนถึงตอนนี้ ข้อมูลการวัดประสิทธิภาพสาธารณะของ Rubin ที่ภายนอกเห็นมีเพียงจากตัวอย่างวิศวกรรมของ CoreWeave เท่านั้น Nvidia ไม่ได้เปิดให้บุคคลที่สามเข้าไปทดสอบในห้องปฏิบัติการได้อย่างอิสระเหมือนที่ OpenAI ทำ SemiAnalysis เห็นว่านี่สะท้อนถึงความแตกต่างที่ไม่ใช่ตัวฮาร์ดแวร์ แต่เป็นความ成熟ของซอฟต์แวร์

การสร้างสแตกซอฟต์แวร์จากศูนย์กลับทำให้ OpenAI หลุดพ้นจากภาระทางประวัติศาสตร์ และสามารถตัดสินใจด้านสถาปัตยกรรมที่สะอาดกว่าได้ OpenAI ใช้ภาษาการเขียนโปรแกรมเคอร์เนลที่พัฒนาขึ้นเองชื่อ Gluon (สร้างจาก Triton) และเอ็นจินการอนุมานภายในชื่อ "Teacup" พร้อมใช้ Codex ในการปรับแต่งเคอร์เนลอย่างรวดเร็ว SemiAnalysis สังเกตว่า ภายในเวลาไม่ถึงสองสัปดาห์ ปริมาณงานของ Jalapeño ที่ความเร็วการโต้ตอบที่กำหนดเพิ่มขึ้นมากกว่า 2 เท่า; ภายใน 8 วัน ทีมงานขยาย tensor parallelism จาก TP8 เป็น TP32 ทำให้สามารถปรับใช้ในระดับตู้แร็คทั้งตู้ข้ามแร็คได้

อย่างไรก็ตาม SemiAnalysis ยังชี้แจงอย่างชัดเจนว่าการทดสอบในปัจจุบันครอบคลุมเฉพาะโหลดงานที่ค่อนข้างง่ายอย่าง 8k1k เท่านั้น ยังไม่ได้ทำการทดสอบ AgentX แบบหลายรอบและบริบทยาว ภายใต้โหลดงานตัวแทน (agent) ที่ซับซ้อนมากขึ้น ประสิทธิภาพของส่วนประกอบ เช่น เราเตอร์และพร็อกซีแคช จะกลายเป็นบททดสอบใหม่

ขั้นตอนถัดไป: B0 เข้าโรงงานแล้ว แผน 10GW กำลังเริ่มเปิดฉาก

เรื่องราวของ Jalapeño ยังไม่จบ

ตามที่ SemiAnalysis เปิดเผย ชิปตัวอย่างที่ใช้ทดสอบต่อสาธารณะในตอนนี้ทั้งหมดเป็น stepping A0 ในขณะที่ stepping B0 ได้เข้าสู่โรงงานผลิตแล้ว คาดว่าประสิทธิภาพต่อวัตต์จะเพิ่มขึ้นอีกประมาณ 25% เมื่อเทียบกับ A0—กำลังประมวลผล MXFP4 ของ compute die ตัวเดียวใน B0 จะสูงถึง 13.4 PFLOPs โดย TDP ยังคงอยู่ที่ 700W

ในระดับระบบ OpenAI ร่วมมือกับ Celestica ออกแบบโซลูชันแร็คที่สมบูรณ์: ตู้แร็ค ASIC แต่ละ

ยินดีต้อนรับเข้าร่วมชุมชนทางการของ Odaily