Tallene OpenAI offentliggjorde
OpenAI brugte Hot Chips 2026-konferencen den 25. august til at frigive de første offentlige benchmarkresultater for Jalapeno, inferenschippen selskabet byggede sammen med Broadcom på cirka ni måneder. Kørt på SemiAnalysis' InferenceX-benchmark over tre modeller, GPT-OSS-120B, DeepSeek R1 og Kimi K2.5, leverede Jalapeno 1,5 til 1,9 gange mere AI-arbejde per watt end Nvidias GB300 og skar svartiden fra ende til anden med 1,7 til 3,6 gange, op til 2,1 til 4,1 gange på de mest interaktive belastninger.
Chippen har en nominel effekt på 700 watt, men lå på 550 watt eller derunder under de testede belastninger. Et enkelt rack med 128 chips leverer 1,7 exaflops i 4-bit beregning samt 27,5 terabyte HBM4-hukommelse, og en fuld pod skalerer til 2.048 chips. OpenAI planlægger udrulning i lille skala inden udgangen af 2026, med skalering gennem 2027.
| Måltal | OpenAIs påstand |
|---|---|
| Arbejde per watt | 1,5 til 1,9 gange mere end Nvidia GB300 |
| Svartid fra ende til anden | 1,7 til 3,6 gange lavere end Nvidia GB300 |
| Nominel effekt | 700 watt, i test 550 watt eller derunder |
| Udrulningsplan | Lille skala inden udgangen af 2026, skalering i 2027 |
Hvorfor et wattal vejer tungere i Europa end overskriften antyder
En reel effektivitetsgevinst af denne størrelse ville betyde meget mere end blot for OpenAIs egne datacentre, fordi den lander midt i Europas igangværende debat om, hvorvidt elnettet overhovedet kan bære AI-udbygningen. Irlands netoperatør har frosset nye datacenterforbindelser omkring Dublin indtil 2028, og denne uges rapportering om spotprisspidser i Ungarn viser, hvor stram den europæiske sammenkoblingskapacitet allerede er; en chip, der reelt bruger 40 procent mindre strøm per enhed AI-arbejde, ville være præcis den lettelse for denne flaskehals.
Hullet er, at ingen uden for OpenAI endnu har gentaget sammenligningen. Benchmarken brugte OpenAIs eget modelvalg, OpenAIs eget valg om at sammenligne med GB300 frem for Nvidias nyeste Vera Rubin-generation, og der er ikke offentliggjort noget uafhængigt laboratorieresultat ved siden af.
Hvad man skal gøre med et tal fra leverandøren selv
Behandl det, som ethvert indkøbsteam bør behandle en leverandørkørt benchmark: reel information, det er værd at følge, men endnu ikke et planlægningstal. Uafhængige effektivitetsdata kommer typisk gennem MLPerf-inferensresultater eller tilsvarende tredjepartslaboratorietests på hardware, leverandøren ikke kontrollerer, og ingen af delene findes endnu for Jalapeno.
For enhver EU-infrastrukturplanlægger, forsyningsselskab eller netoperatør, der behandler en tilslutningsansøgning, som anfører effektiviteten af en ny chipgeneration som begrundelse for kapacitet, er det rigtige svar at spørge, hvilken benchmark der understøtter tallet, og hvem der kørte den, ikke at acceptere leverandørens egen slide som erstatning for en uafhængig test.
Læs videre: Nvidia-skatten har nu en anden kilde | 74 Ud Af 130 Smuglede AI-Servere Nåede Kina
