OpenAI ya tiene listo su chip de inferencia. Se llama Jalapeño y ha conseguido algo inesperado: superar a Nvidia

OpenAI acaba de sacar pecho con su primer chip de inferencia IA, al que ha bautizado con el curioso nombre de "Jalapeño".

Este chip acelerador de IA permite ejecutar modelos ya entrenados y generar las respuestas que recibimos al usar ChatGPT, la API o un agente.

Los analistas de SemiAalysis ya han podido analizar ese componente y tienen una conclusión incómoda para Nvidia: en varias de las cargas de prueba, Jalapeño supera a los chips Nvidia Blackwell.

Jalapeño muestra sus poderes .

OpenAI ha diseñado un chip especializado en inferencia de grandes modelos de lenguaje (LLMs), sacrificando parte de la flexibilidad de una GPU a cambio de optimizar la tarea que más le interesa: la ejecución de esos modelos.

SemiAnalysis lo probó con modelos abiertos como GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T y encontró ventajas en dos métricas importantes: latencia y rendimiento por vatio.

Dependiendo del modelo y la configuración, OpenAI habla de hasta 3,6 veces menos latencia y entre 1,5 y 1,9 veces más rendimiento por vatio que Blackwell.

Tener chips propios de IA es la última gran obsesión de las grandes tecnológicas.

Anthropic no va a ser menos Y eso que aún no está del todo optimizado .

Los analistas de SemiAnalysis destacana además cómo Japapeño consigue superar a Blackwell en rendimiento por vatio prácticamente en todos los escenarios analizados sin siquiera usar la técnica Multi-Token Prediction (MTP), que permite generar varios tokens de forma especulativa y que sí estaba activa en configuraciones rivales.

En cuanto incluya esa optimización, el chip podrá mejorar aún más su rendimiento, y de hecho en coste total de propiedad (TCO) los analistas creen que Jalapeño se acerca incluso a Vera Rubin , la próxima generación de chips de IA de Nvidia.

Nvidia sigue teniendo sus fortalezas .

Hay que dejar claro que Jalapeño está creado para una tarea muy concreta.

Nvidia sigue teniendo una ventaja enorme en el ámbito del entrenamiento de modelos y, sobre todo, en el ecosistema CUDA que lleva casi dos décadas construyendo.