AI designade OpenAIs nya chip – nio månader från kod till tillverkning
OpenAIs första egna chip designades av AI på nio månader.
När AI börjar bygga sin egen infrastruktur
Det finns milstolpar i teknikhistorien som man förstår betydelsen av först i efterhand. Jag tror att OpenAIs lansering av Jalapeño-chipet är en av dem – fast den här gången kan vi se det hända i realtid.
Enligt IEEE Spectrum presenterade OpenAI i slutet av augusti sitt första egenutvecklade AI-chip. Prestandan är imponerande i sig: Jalapeño levererar upp till 13,4 petaflops beräkningskraft i 4-bitarsläge, har tillgång till 232 gigabyte avancerat minne med en överföringshastighet på hela 15,4 terabyte per sekund. Och enligt OpenAIs egna mätningar kan chipet minska svarstiden med upp till 3,6 gånger jämfört med Nvidias GB300 – med lägre energiförbrukning.
Det är siffror som skulle få vilken hårdvaruchef som helst att höja på ögonbrynen.
Men det riktigt anmärkningsvärda är inte vad chipet presterar. Det är hur det togs fram.
AI som konstruktör av sig själv
OpenAI använde sina egna stora språkmodeller som centrala verktyg i designprocessen. Från första arkitekturkoncept till färdig kiseldesign tog det under 20 månader – och bara nio månader förflöt mellan den första logikkoden och att designen skickades till tillverkning. Det är en hastighet som är svår att ta in om man känner till hur komplexa och tidskrävande chiputvecklingsprojekt traditionellt är.
Richard Ho, hårdvaruchef på OpenAI, sätter ord på skiftet: "Modellerna ger våra ingenjörer superkrafter. De driver fortfarande arbetet och fattar de avgörande besluten – men de kan arbeta mycket snabbare och utforska betydligt fler lösningsvägar."
Detta är inte ett automatiserat system som ersätter ingenjörerna. Det är ett samarbete där mänsklig expertis kombineras med AI:ns förmåga att snabbt utforska ett enormt lösningsrum. Resultatet? Ett designteam på färre än hundra personer lyckades leverera ett chip som rimligtvis skulle ha krävt mångdubbelt fler resurser med traditionella metoder.
Beroendet av Nvidia ifrågasätts
Det är omöjligt att förstå det strategiska värdet av Jalapeño utan att sätta det i sitt sammanhang. OpenAI, liksom i princip hela AI-branschen, har under de senaste åren byggt sitt beräkningsberoende på Nvidia. Det är ett beroende som är kostsamt, konkurrensexponerande och i förlängningen strategiskt ohållbart för ett bolag med OpenAIs ambitioner.
Att nu kunna designa egna chip – och göra det snabbare och med ett mindre team än vad som tidigare ansetts möjligt – förändrar maktbalansen. OpenAI är inte längre enbart en mjukvaruaktör som hyr beräkningskraft. De bygger sin egen infrastruktur, på sina egna villkor.
Samarbetet med halvledargiganten Broadcom, som tog hand om delar av processen, visar samtidigt att detta inte är en isolerad insats. Det är ett ekosystem av partners, men med OpenAI i centrum av designbesluten.
Vad det betyder för omställningen
Jag har länge hävdat att det mest transformativa med AI inte är de enskilda produkterna – det är de strukturella förändringar som uppstår när AI integreras i kärnprocesser. Det vi ser här är ett läroboksexempel.
När ett AI-bolag använder sina egna modeller för att designa den hårdvara som sedan ska köra nästa generation av modeller, skapas en återkopplingsslinga som är svår att överskatta. Varje generation av chip kan potentiellt designas snabbare, bättre och billigare än föregångaren – och det med stöd av allt kraftfullare AI-verktyg.
Det är en accelererande spiral. Och vi har just sett startskottet.
Vår analys
Jalapeño är inte bara ett chip – det är ett metodologiskt genombrott. Det som verkligen bör hålla hårdvarubranschen vaken är inte prestandan i sig, utan den dramatiskt komprimerade utvecklingscykeln. Under 20 månader, med ett litet team, med AI som designverktyg. Om detta blir normen omformas spelplanen för hela halvledarsektorn.
På längre sikt pekar detta mot något djupare: vi är på väg in i en era där AI-system aktivt bidrar till sin egen förbättring – inte genom självmodifiering, utan genom att accelerera den mänskliga ingenjörskonsten. Det ställer nya krav på hur vi tänker kring konkurrens, kompetensförsörjning och strategiska beroenden.
För svenska och nordiska företag är lärdomen tydlig: den som väntar på att AI-omställningen ska "stabilisera sig" innan de agerar riskerar att missa det viktigaste skedet. Infrastrukturen för framtidens AI byggs just nu – och den byggs av dem som vågar gå först.