［ニュース解説］OpenAI「Jalapeño」始動——自社推論チップの実測データが示す性能

2026-08-26

はじめに

　OpenAIは2026年8月25日、自社開発の推論専用チップ「Jalapeño」の初の実測結果を発表しました。自社チップ開発の表明を踏まえ、性能と設計思想を解説します。

参考記事

タイトル: Jalapeño’s first results show industry-leading speed and efficiency in AI inference
発行元: OpenAI
発行日: 2026年8月25日
URL: https://openai.com/index/jalapeno-first-results/

要点

Jalapeñoは、AI推論(学習済みモデルを使って応答を生成する処理)に特化したOpenAI初の自社開発チップであり、既存のハードウェアが不得意とする高スループットと低遅延の両立を1つのアーキテクチャで実現している
GPT‑OSS 120B、DeepSeek R1 670B、Kimi K2.5 1Tという社内外の3モデルで検証し、比較対象システムに対して電力あたりの処理量で1.5〜1.9倍、応答遅延で1.7〜3.6倍の改善を記録した
性能評価には、SemiAnalysisが提供する公開ベンチマーク「InferenceX」を用い、電力あたりの実用的な処理量という基準で比較している
チップ・メモリ・ネットワーク・ソフトウェアをラックスケールで一体設計し、データ移動と通信遅延を最小化する構造を採っている
チップ設計そのものにOpenAIのAIモデルを活用し、着想から量産設計(テープアウト)まで9カ月で完了させた
年内にOpenAI社内インフラへの展開を開始する計画で、すでに第2世代の開発が進んでいる

詳細解説

Jalapeñoとは何か

　Jalapeñoは、OpenAIが独自に設計した推論専用のAIチップです。同社によれば、既存の半導体システムの多くはスループット(単位時間あたりの処理量)と低遅延のどちらかを優先する設計になりがちですが、Jalapeñoは1つのアーキテクチャで両方を高い水準で実現しているといいます。

　この特性は、エージェント型のAI活用において特に重要だと考えられます。エージェントは一連のタスクを何段階にも分けて処理するため、各ステップの遅延が積み重なりやすく、応答速度の低下が体感の悪化に直結しやすいためです。処理能力と応答速度を同時に高められれば、より複雑で対話的なエージェント処理を実用的な速度で回せるようになると考えられます。

性能評価の方法と結果

　OpenAIは、SemiAnalysisが提供する公開ベンチマーク「InferenceX(AIリクエストを処理する一連の流れを測定するベンチマーク)」を用いてJalapeñoを評価しました。単純なチップ単体の性能ではなく、電力あたりにどれだけ有用な処理をこなせるかという基準を重視している点が特徴です。

　GPT‑OSS 120B、DeepSeek R1 670B、Kimi K2.5 1Tという、OpenAI社内外双方のモデルで検証したところ、比較対象システム(NVIDIAのGB200・GB300など)に対して、ピーク時のスループットで電力あたり1.5〜3.9倍、エンドツーエンドの遅延で1.7〜3.6倍の改善が見られました。対話性の高い処理(ユーザーが逐次応答を受け取るような用途)に限ると、性能差はさらに広がり2.1〜4.1倍に達しています。最大規模のKimi K2.5では、電力あたり性能で約1.5倍、遅延で約3.4倍の差が確認されたとのことです。

　OpenAIの社内向けフロンティアモデルではこの差がさらに広がったとも述べられており、モデルの規模や要求が大きくなるほどJalapeñoの優位性が際立つ可能性があると考えられます。ただし、この社内データの詳細な数値は公開されていません。

アーキテクチャの設計思想

　言語モデルの推論処理には、プロンプトを読み込む「プリフィル」フェーズと、応答を1トークンずつ生成する「デコード」フェーズがあり、前者は計算負荷が高く、後者はメモリ帯域幅がボトルネックになりやすいという特性があります。さらに、複数のチップ間でデータをやり取りする際の通信遅延も、処理全体の速度を左右します。

　Jalapeñoは、応答生成中に保持するKVキャッシュ(過去の計算結果を再利用するためのメモリ領域)などのモデル状態を、必要な場所に配置したまま保持できるよう設計されており、データ移動そのものを減らすアプローチを採っています。またネットワークを単なる周辺機能ではなくアーキテクチャの中核と位置づけ、大規模な処理を1つの接続されたシステム内で完結させることで、遅延の発生を抑えているとのことです。こうした設計は、モデルの内部構造やプリフィル・デコードの負荷配分が変化しても柔軟に対応できる汎用性を意図したものだと考えられます。

AIによる開発の加速

　興味深い点として、Jalapeñoの開発自体にOpenAIの既存モデルが活用されたことが挙げられます。設計案の検討や検証サイクルの短縮にAIを用いることで、着想からテープアウト(量産用の設計データ確定)まで9カ月という期間を実現したといいます。また、演算回路の最適化にもAIが関わり、限られたチップ面積により多くの演算性能を詰め込むことに貢献したとのことです。

　さらに、CodexとGPT‑Astra(いずれもOpenAIのAI開発支援システム)を用いて、当初の量産計画になかった3つのオープンウェイトモデルを2カ月で高性能に対応させたと報告されています。GPT‑OSSの一部の演算ブロックでは、AIが生成した実装が人間のエキスパートによる実装より1.5〜1.8倍高速だったとのことです。これは対象を限定した結果であり、モデル全体の性能を示すものではありませんが、ハードウェア向けのプログラム最適化にAIを活用する新たな開発手法として注目に値すると思います。

今後の展開

　OpenAIは、Jalapeñoを年内に自社インフラへ段階的に展開する計画を示しています。すでに第2世代の開発が進行中で、第3世代の構想も始まっているとのことです。同社は今後もNVIDIAなど既存パートナーのアクセラレータを併用する方針も明言しており、昨年発表された自社チップ開発の取り組みの、具体的な成果の第一弾がJalapeñoだと位置づけられます。自社設計と外部調達を組み合わせることで、増大するAI需要に対応しつつコスト効率を高めていく狙いがあると考えられます。