Полный стек за «обильным» ИИ: чипы, вычисления, модели
Финансовый директор OpenAI Сара Фрайер рассказывает, как чипы, вычисления, модели и продукты в совокупности делают ИИ мощнее, доступнее и дешевле.
Полный стек за «обильным» ИИ: чипы, вычисления, модели и продукты
Финансовый директор OpenAI Сара Фрайер объясняет, как улучшения на каждом уровне технологического стека — от кремния до пользовательских продуктов — складываются в нечто большее, чем сумма частей.
Почему важна вся цепочка целиком
Прогресс в области ИИ ускоряется быстрее всего тогда, когда улучшается вся система сразу. Именно так Сара Фрайер описывает вычислительную стратегию OpenAI: это единая интегрированная система, охватывающая дата-центры и чипы, передовые модели, платформу для разработчиков, потребительские и корпоративные продукты, а также устройства на базе ИИ — причём каждый уровень усиливает следующий.
Логика проста, но мощна:
Лучшее программное обеспечение делает оборудование производительнее. Оборудование, спроектированное под конкретные задачи, повышает скорость и эффективность. Более capable (способные) модели открывают путь к лучшим продуктам — а те генерируют больший спрос, активное использование и новые данные. Эти сигналы возвращаются в систему и помогают совершенствовать её снова и снова.
Это не просто красивая метафора. Это конкретная бизнес-архитектура, которую OpenAI строит уже несколько лет — и результаты впечатляют.
Вычислительные мощности выросли с 0,2 ГВт в 2023 году до около 1,9 ГВт в 2025-м, тогда как годовой run rate выручки вырос с $2 млрд до более чем $20 млрд.
Jalapeño: первый собственный чип OpenAI для inference
Главная новость, приуроченная к публикации материала Фрайер, — OpenAI представила первые измеренные результаты производительности Jalapeño — первого кастомного inference-чипа (чипа для вывода, то есть запуска готовых моделей) компании.
«Jalapeño — это свидетельство преимущества полного стека. OpenAI может совместно проектировать модели, продукты, ПО для обслуживания, чипы, память, сеть и системы, используя знания из реальных нагрузок для улучшения каждого уровня.» — OpenAI
Что показали бенчмарки?
В ходе публичного тестирования с использованием бенчмарка SemiAnalysis InferenceX чип Jalapeño сравнивался с ведущими коммерческими AI-системами на нескольких моделях с открытыми весами: GPT-OSS 120B, DeepSeek R1 670B и Kimi K2.5 1T.
По всем трём моделям Jalapeño показал в 1,5–1,9 раза больше AI-работы на ватт при пиковой нагрузке и в 1,7–3,6 раза меньшую сквозную задержку по сравнению с системами-конкурентами. Для высокоинтерактивных нагрузок производительность оказалась выше в 2,1–4,1 раза.
На бенчмарке InferenceX чип продемонстрировал в 1,5–1,9 раза больше AI-работы на ватт и в 1,7–3,6 раза меньшую сквозную задержку по сравнению с лучшими доступными результатами NVIDIA GB200/GB300.
| Метрика | Результат Jalapeño vs. конкуренты |
|---|---|
| AI-работа на ватт (пиковая нагрузка) | в 1,5–1,9× больше |
| Сквозная задержка (latency) | в 1,7–3,6× ниже |
| Интерактивные нагрузки (AI-агенты) | в 2,1–4,1× быстрее |
| Производительность на Kimi K2.5 1T | 1,5× на ватт, задержка ниже в 3,4× |
Во внутреннем тестировании преимущество Jalapeño оказалось ещё более значительным на фронтирных моделях OpenAI, что говорит о том, что архитектура становится более ценной по мере роста масштаба и сложности нагрузок.
Почему это важно для экономики ИИ?
Jalapeño даёт OpenAI больший контроль над тем, как работают модели, и над экономикой их обслуживания. Разрабатывая модель, ПО для обслуживания, чип, память и сеть совместно, компания может улучшать пропускную способность, задержку, энергоэффективность и стоимость как единую систему.
OpenAI планирует начать развёртывание Jalapeño в своей вычислительной инфраструктуре до конца года. Этот чип первого поколения является частью многопоколенческой дорожной карты — второе и третье поколения уже в разработке.
Стратегия: ставка на весь стек, а не на одну лошадь
graph TD
A["🏗️ Дата-центры и чипы\n(инфраструктура)"] --> B["🧠 Фронтирные модели\n(GPT-4o, o3 и др.)"]
B --> C["⚙️ Платформа для разработчиков\n(API, инструменты)"]
C --> D["📱 Продукты для бизнеса и потребителей\n(ChatGPT, операторы)"]
D --> E["📡 ИИ-устройства нового поколения"]
E -->|"Данные и обратная связь"| A
B -->|"Улучшение чипов"| A
D -->|"Рост спроса → больше ресурсов"| A
Разные нагрузки предъявляют разные требования к системе. Фронтирное обучение (training), высокообъёмный inference и всегда включённые агенты имеют разные требования к чипам, программному обеспечению, сетям, энергии и задержке. Цель — оставаться на Парето-фронтире: постоянно искать наилучшее сочетание возможностей, скорости, надёжности, эффективности и стоимости для каждой нагрузки.
Диверсификация поставщиков — как рубик’s куб
Говоря об инфраструктуре, Фрайер подчеркнула, что OpenAI активно диверсифицирует поставщиков: компания выходит за пределы исторической зависимости от Nvidia и Microsoft Azure, добавляя чипы от AMD, Cerebras и кастомный дизайн на базе Broadcom, а также заключая инфраструктурные соглашения с несколькими облачными провайдерами.
Благодаря работе с несколькими облачными провайдерами (CSP — Cloud Service Providers) OpenAI фактически конвертирует огромные капитальные затраты (CapEx) в операционные (OpEx), опираясь на балансы провайдеров и сохраняя гибкость.
OpenAI уже выстроила партнёрства с Microsoft, Oracle, Amazon Web Services и CoreWeave. В число партнёров по оборудованию входят Nvidia, AMD и Broadcom.
Один дата-центр масштаба гигаватта обходится примерно в $50 млрд в полном оснащении и требует около трёх лет на запуск — это означает, что капитальные решения, принимаемые сегодня, не устранят острую нехватку вычислительных мощностей как минимум до 2028 года.
Экономика интеллекта: стоимость падает, ценность растёт
Один из главных аргументов Фрайер — это дефляция стоимости inference при росте возможностей моделей. Модель управления капиталом позволила снизить стоимость от GPT-4 до GPT-4o на 97%.
На практике это означает: то, что год назад стоило условные $100, сегодня обходится в $3. При этом сами модели стали значительно мощнее.
OpenAI исходит из того, что стоимость вычислений на гигаватт сейчас растёт — дорожает электроэнергия, память и прочие компоненты. Однако интеллект, получаемый «на выходе» за счёт амортизации чипов, более чем компенсирует это. В расчёте на единицу, продаваемую клиенту, стоимость должна существенно снижаться.
Ценообразование: от «cost-plus» к ценности
Снижение стоимости позволило фундаментально изменить философию ценообразования. OpenAI движется от модели cost-plus (цена = издержки + наценка) к ценностно-ориентированному ценообразованию. Раньше компания устанавливала цену на API-доступ, просто наценяя на стоимость inference. В новой модели цену определяют дефицит и ценность для клиента.
Конкретный пример: агентные продукты OpenAI, первоначально оценённые в $2 000 в месяц, считались «контрарианской ставкой» на старте. Сейчас этот сегмент «набирает обороты», подтверждая тезис о том, что корпоративные клиенты готовы платить премиальные цены за ИИ, автоматизирующий сложные процессы.
| Показатель | 2023 | 2025 | Динамика |
|---|---|---|---|
| Вычислительные мощности | 0,2 ГВт | 1,9 ГВт | +850% |
| Годовая выручка (run rate) | $2 млрд | $20+ млрд | +900% |
| Стоимость inference (GPT-4 → GPT-4o) | базовая | −97% | ↓↓↓ |
| Число партнёров по оборудованию | 1 (NVIDIA) | 4+ | ↑↑ |
Зачем OpenAI нужен собственный кремний?
Разработка собственного кремния, подобного Jalapeño, даёт OpenAI прямой контроль над выполнением моделей и экономикой их обслуживания. Совместное проектирование моделей, ПО для обслуживания, чипов, памяти и сети позволяет оптимизировать всю систему по пропускной способности, задержке, энергоэффективности и стоимости.
Это создаёт надёжный путь к собственному кремнию наряду с ускорителями от партнёров, расширяя возможности для подбора оптимальной системы под каждую нагрузку. Теперь у OpenAI есть работающий кремний первой стороны с измеренными результатами, и уже ведётся работа над следующими поколениями.
Jalapeño с самого начала проектировался с ответом на вопрос: какое оборудование мы построили бы, если бы его главной задачей было обслуживание современных и будущих языковых моделей — особенно интерактивных агентов? Выигрыш Jalapeño достигается за счёт совместного проектирования чипа, памяти, сети, ПО и системы на уровне стойки вокруг реальных нагрузок языковых моделей.
Взгляд в будущее: масштаб как стратегия
По данным ARK Invest, OpenAI достигло 1 миллиона корпоративных клиентов к ноябрю 2025 года. Корпоративная выручка растёт быстрее потребительской и, по ожиданиям, составит 50% от общей выручки компании в 2026 году.
Выручка выросла примерно с $2 млрд в годовом выражении в 2023 году до $6 млрд в 2024-м и около $20 млрд в 2025-м — утроение за один год. Внутренние прогнозы предполагают $46 млрд в 2026 году и $100 млрд к 2028-му.
Напряжение между дефицитом (вычислительных мощностей, талантов, капитала) и амбициями (повсеместный интеллект) управляется через диверсификацию — множество облачных провайдеров, множество чипов, множество источников дохода — вместо ставки на один путь.
Ключевой вывод: OpenAI строит не просто компанию по разработке ИИ-моделей, а вертикально интегрированный технологический стек — от кремния до пользовательского интерфейса. Чем теснее слои стека связаны между собой, тем быстрее растут возможности и тем ниже падает стоимость единицы интеллекта.
Итог
Стратегия Сары Фрайер и OpenAI в сжатом виде выглядит так: каждый доллар, вложенный в улучшение инфраструктуры, усиливает модели; более мощные модели создают лучшие продукты; лучшие продукты генерируют выручку и данные; данные и выручка снова идут в инфраструктуру. Jalapeño — лишь видимый результат этой стратегии, но за ним стоит многолетняя работа по выстраиванию замкнутого технологического цикла.
Для российских разработчиков и компаний, строящих продукты на базе OpenAI API, это означает одно: стоимость использования ИИ будет продолжать снижаться, а доступные возможности — расти. Гонка идёт не просто за лучшей моделью, а за лучшим стеком целиком.