Ein Schlüssel drehte sich im Schloss, eine halbe Umdrehung. Sam Altman und Broadcom-CEO Hock Tan standen Seite an Seite auf der Bühne, in ihren Händen ein 300-mm-Silizium-Wafer, bedruckt mit dem Chip namens «Jalapeño». Die Kameraauslöser im Publikum klapperten wie ein heftiger Regenschauer. Am 24. Juni 2026 zog OpenAI endlich seine erste Hardware-Karte aus dem Ärmel.
Den öffentlichen Informationen zufolge ist Jalapeño ein dedizierter Inferenz-ASIC, gemeinsam entwickelt von OpenAI und Broadcom, gefertigt im TSMC-3nm-Prozess, ausgestattet mit 8 HBM-Stacks und einer Die-Fläche nahe dem Reticle-Limit. Der Chip verwendet eine systolische Array-Architektur – auf dem Wafer-Foto sind hochgradig repetitive, säulenartige Floorplans zu erkennen, ähnlich wie bei Broadcoms früheren Physical-Design-Projekten für Google TPU. Die ersten Engineering-Samples laufen bereits mit GPT-5.3-Codex-Spark und erreichen die angestrebten Taktfrequenzen und Leistungsziele.
Ein Satz in OpenAIs offizieller Stellungnahme löste kollektives Stirnrunzeln in der Chip-Community aus: «Vom Design bis zur Produktion: nur neun Monate.» Bloombergs Berichterstattung ergänzte Hock Tans Aussage – im Vergleich zu typischen GPU-Inferenzlösungen könne Jalapeño etwa 50 % der Kosten einsparen. Diese beiden Datenpunkte zusammen ergeben das Kernnarrativ der Ankündigung: schnell und billig.
Doch was genau sind diese «9 Monate»? Im HN-Diskussionsforum lieferte ein Nutzer namens «zgao», der sich als CEO eines Chip-Unternehmens bezeichnete, eine Zerlegung aus Ingenieursperspektive. Wenn «Design» den RTL-Freeze (Abschluss des Frontend-Logikdesigns) meint und «Produktion» das Tapeout (Einreichung bei der Foundry), dann seien 9 Monate für einen großen, komplexen 3nm-Chip «eine ziemlich konventionelle, sogar wenig beeindruckende Zeitlinie». Wenn aber vom Konzeptstadium – ohne Architektur-Blockdiagramm, ohne eine einzige Zeile RTL – bis zum Tapeout nur 9 Monate vergangen wären, dann wäre das wirklich außergewöhnlich. Da OpenAI die konkreten Meilensteine von Start und Ende nicht präzisiert hat, liegt «die Wahrheit vermutlich irgendwo dazwischen».
Ein anderer Nutzer, «sharkjacobs», war noch direkter: Wenn KI-Modelle wirklich eine so große Rolle im Chip-Design gespielt hätten, würde OpenAI dann nur vage erwähnen, dass «unsere Modelle den Design- und Optimierungsprozess beschleunigt haben»? Das klingt ungefähr so wie «Microsoft Office hat unsere Entwicklung beschleunigt» – nach einer Floskel für die PPT-Folien. Der Autor neigt dazu, diesen Satz irgendwo zwischen Fakt und Marketing einzuordnen. Hardware-Beschreibungssprachen (HDLs) wie Verilog und SystemVerilog sind zwar in den Trainingskorpora von LLMs durchaus vertreten, und die automatisierte Generierung von Testbenches ist ein Bereich, in dem die Industrie bereits experimentiert. OpenAI hat in den letzten Monaten tatsächlich mehrere Stellen im Bereich Chip-Design-KI ausgeschrieben. Aber zu behaupten, es hätte bereits eine vollständige Toolchain wie Googles DeepMind AlphaChip entwickelt, dafür gibt es keinerlei öffentliche Belege.
Hier geht es um eine zentrale Arbeitsteilung in der Chip-Industrie: Frontend-Design und Backend-Implementierung. Das Frontend umfasst Architekturdefinition und RTL-Erstellung – dieser Teil wurde höchstwahrscheinlich von OpenAIs Hardware-Team unter der Leitung von Richard Ho verantwortet, der zuvor Hardware-Leiter des Google-TPU-Projekts war und bereits aus der TPU-Ära mit Broadcom zusammengearbeitet hat. Das Backend hingegen – die Umsetzung von RTL in GDS (vereinfacht gesagt die schichtweise «Photoshop-Datei» des Chips) sowie das anschließende Supply-Chain-Management und Packaging-Testing – dafür ist Broadcom ein absoluter Veteran. Jemand formulierte es spitz, aber treffend: «OpenAI hat die Architektur definiert, Broadcom hat den ganzen Rest gemacht.”
Hat man diese Arbeitsteilung verstanden, hängt die Plausibilität der «9 Monate» davon ab, wo die Stoppuhr gestartet wurde. Vom RTL-Freeze bis zum Tapeout sind 9 Monate für Broadcom mit seinen vorhandenen IP-Bibliotheken und ausgereiften Design-Flows eine normale Dauer. Vom Konzeptdesign bis zum Tapeout sind 9 Monate nahezu unmöglich – Chip-Design ist keine Software-Iteration, die Fehlertoleranz von Silizium liegt bei null.
Betrachten wir die technischen Details. Jalapeño ist auf reine Inferenz ausgelegt, kein Training. Diese Entscheidung folgt einer klaren wirtschaftlichen Logik: Training ist ein einmaliger Kostenfaktor, Inferenz ein dauerhafter. Die gewaltige Menge an Inferenzanfragen, die OpenAI täglich über ChatGPT, Codex, API und andere Produktlinien verarbeitet, ist das eigentliche Monster, das die Gewinne frisst. Die Inferenz von Nvidia-GPUs zu verlagern – selbst wenn nur 30–50 % eingespart werden – bedeutet bei diesem skalierten Betrieb einen jährlichen Rechnungsunterschied in Milliardenhöhe.
Architektonisch setzt Jalapeño auf ein Hybrid-Design aus systolischen Arrays und fest verdrahteten Funktionseinheiten, optimiert für den Forward-Pass von Transformer-Modellen. Dies ähnelt der Design-Philosophie der Google TPU v1 – auch damals ein reiner Inferenzchip mit 92 TOPS@INT8 bei nur 40 W, der GPUs derselben Ära in der Inferenz-Effizienz um Größenordnungen übertraf. Doch Google brauchte ein ganzes Jahrzehnt, um die TPU zur achten Generation zu iterieren und den gesamten Workflow von Inferenz bis Training abzudecken. OpenAI hat gerade erst den ersten Schritt getan.
Wie ist dieser Chip im Wettbewerbsgefüge einzuordnen? Branchenweit hat sich die Eigenentwicklung von KI-Chips von einer Option zu einer Frage des Zeitplans entwickelt. Google TPU ist bereits in der siebten/achten Generation, AWS hat Trainium2 und Inferentia2, Metas MTIA-Serie schreitet in Zusammenarbeit mit Broadcom Richtung 2 nm voran. Auch Anthropic erkundet seinen eigenen Chip-Pfad – dass Claude auf AWS Trainium trainiert wird, ist bereits öffentlich bekannt. Die treibende Kraft hinter diesem Trend ist klar: Wenn Modellarchitektur, Operator-Kombinationen und Batching-Muster internes Wissen sind, dann verschwendet eine universelle GPU einen Großteil ihrer Transistoren für Funktionen, die man gar nicht braucht.
Doch es gibt ein selten diskutiertes Risiko: das Zeitfenster. Nvidias Vera Rubin wird voraussichtlich in der zweiten Jahreshälfte 2026 ausgeliefert, mit einer offiziell angekündigten zehnfachen Inferenz-Effizienzsteigerung gegenüber Blackwell. Jalapeños erste Deployment-Phase ist für Ende 2026 angesetzt, echte Skalierung vielleicht erst 2027 – dann könnte der Chip bereits gegen Vera Rubin Ultra oder sogar Feynman antreten müssen. Ein HN-Nutzer urteilte nüchtern: «Wenn du ein Gigawatt an Stromkapazität hast, installierst du nur die besten Chips. Wenn Nvidias Chips besser sind, ist dieses Projekt eine Verschwendung von Milliarden Dollar.”
Natürlich geht es bei Jalapeño um mehr als nur einen Chip. Es ist OpenAIs entscheidender Schritt in Richtung «vollständige vertikale Integration». OpenAI schrieb in seinem Blog, man entwickle nicht nur Modelle und Produkte, sondern gestalte auch die zugrunde liegende Infrastruktur: «Chip-Architektur, Kernel, Speichersysteme, Netzwerk, Scheduling, Deployment-Systeme, Produkterfahrung.» Diese Formulierung erinnert an Apples Weg von Intel-Chips zu den selbst entwickelten M-Serien. Doch im KI-Bereich ist die Unsicherheit auf diesem Pfad weitaus größer – Modellarchitekturen entwickeln sich rasant weiter: MoE (Mixture of Experts), tiefe Reasoning-Chains, lange Kontexte – jede dieser Veränderungen kann die Prämissen für optimales Hardware-Design über den Haufen werfen.
Ein unvermeidlicher narrativer Hintergrund: Dies könnte das große Vorspiel vor OpenAIs IPO sein. Bewertungen in zweistelliger oder dreistelliger Milliardenhöhe brauchen eine Hardware-Story als Untermauerung. «Wir können jetzt unsere eigenen Chips bauen» könnte für Investoren ähnlich attraktiv sein wie die tatsächliche Senkung der Inferenzkosten durch den Chip selbst. Der technische Wert von Jalapeño existiert objektiv, aber die narrative Funktion des Ankündigungszeitpunkts verdient ebenfalls eine ehrliche Betrachtung.
Nach öffentlich verfügbaren Informationen ist Jalapeños technischer Ansatz vernünftig, aber der Wettbewerb – ob Nvidias Iterationsgeschwindigkeit, die Reife von Google TPU oder der erst 2027 realisierbare Deployment-Zeitplan – sind reale Herausforderungen. Die 9-Monats-Erzählung mag etwas wässrig sein, aber die Richtung an sich ist nicht falsch. Das KI-Hardware-Zeitalter bewegt sich vom «Nvidia kaufen» zum «selber bauen», und Jalapeño ist der neueste – und meistdiskutierte – Wegweiser auf dieser Strecke.
Die obige Analyse basiert auf derzeit verfügbaren öffentlichen Informationen und Community-Diskussionen. Falls du über tiefergehende praktische Erfahrung im Chip-Design verfügst, sind Korrekturen und Ergänzungen herzlich willkommen.