Une puce de 700 watts vient de surpasser un titan de 1 400 watts.
Le 25 août, lors de la conférence Hot Chips 2026, OpenAI a publié les premiers résultats réels de son composant maison dédié à l’inférence, baptisé Jalapeño. Selon le benchmark InferenceX de SemiAnalysis, Jalapeño offre par kilowatt un débit de tokens 1,5 à 1,9 fois supérieur à celui du Blackwell GB300 de Nvidia, tout en réduisant la latence de bout en bout de 1,7 à 3,6 fois. Avec une consommation électrique réduite de moitié par rapport à son concurrent pour un rendement supérieur, la portée de ces résultats dépasse largement les simples données chiffrées : elle témoigne d’un basculement fondamental dans les règles de la compétition sur le calcul IA, où le critère décisif n’est plus la vitesse brute mais la production de tokens par watt.
Figure : Visuel principal officiel de la puce Jalapeño. Source : OpenAI
16 mois pour accomplir ce qui exige habituellement trois ans
Jalapeño est un ASIC (circuit intégré propre à une application) dédié à l’inférence, co-conçu par OpenAI et Broadcom. Gravé selon le procédé 3 nm de TSMC et équipé de mémoire HBM4 de quatrième génération, le composant affiche une enveloppe thermique (TDP) d’environ 700 W. Le projet a démarré à la mi-2024, a été annoncé officiellement en juin 2026 et a présenté ses premiers tests réels en août — soit un cycle global de 16 mois environ. Dans l’industrie des semi-conducteurs, la norme établie pour développer un ASIC de zéro jusqu’au tape-out est d’au moins trois ans.
SemiAnalysis qualifie ce calendrier de preuve concrète de l’efficacité du « design de puces accéléré par l’IA », démontrant que les outils d’IA parviennent à compresser considérablement le cycle de conception du silicium. Un délai de 16 mois fait figure d’exception majeure dans l’industrie. Lors de la démonstration en direct, OpenAI a même présenté une version du jeu Doom portée sur le composant à l’aide d’instructions Codex — prouvant ainsi que Jalapeño est un moteur d’inférence universel capable d’exécuter n’importe quel jeu de poids de modèle, et non une architecture fermée réservée à des charges de travail propriétaires.
Pourquoi le rendement énergétique l’emporte sur la performance absolue
Pour saisir l’importance des performances de Jalapeño, il convient d’abord de comprendre le goulot d’étranglement majeur des centres de données actuels.
Comme l’a résumé Jensen Huang lors du Computex 2026 : « Si vous disposez d’une capacité d’un gigawatt, votre débit par watt détermine votre chiffre d’affaires. » Le constat de SemiAnalysis est encore plus direct : « Aujourd’hui, les centres de données sont bridés par l’accès à l’énergie. » Le délai d’attente pour l’obtention des raccordements au réseau électrique dépasse désormais largement la durée de construction des infrastructures physiques. Le fait que xAI ait dû installer ses propres turbines à gaz pour alimenter le cluster Colossus 2 illustre la gravité de la situation. Le capital permet d’acquérir du matériel, mais ne peut faire surgir des lignes électriques du jour au lendemain.
Dans ce contexte, la quantité de tokens générés par watt équivaut directement au chiffre d’affaires produit par kilowatt-heure. En atteignant 1,5 à 1,9 fois le débit à moitié de puissance, le composant Jalapeño creuse un écart encore plus spectaculaire lorsqu’on le ramène à enveloppe thermique égale. Cela explique pourquoi OpenAI a choisi l’efficacité énergétique comme terrain d’affrontement principal : c’est la bataille qu’elle peut remporter face aux contraintes physiques réelles.
Réserves et grille de lecture des résultats
Figure : Comparaison du débit de tokens par mégawatt entre différentes puces sur le benchmark InferenceX, où Jalapeño s’impose sur tous les fronts. Source : SemiAnalysis / OpenAI
Malgré ces résultats impressionnants, SemiAnalysis formule trois réserves essentielles qu’il convient de prendre en compte avec la même attention.
Premièrement, l’intégralité des données a été fournie directement par OpenAI. Bien que l’équipe de SemiAnalysis s’est rendue en laboratoire pour vérifier que le benchmark InferenceX fonctionnait sur du matériel réel, elle n’a pas mené de batterie de tests indépendante complète. Deuxièmement, l’élément de comparaison le plus équitable aurait été la Vera Rubin de Nvidia (qui utilise également de la mémoire HBM4) plutôt que le Blackwell GB300 — les puces Rubin étant déjà en cours de livraison alors que Jalapeño n’existe pour l’heure qu’à l’état d’échantillons d’ingénierie. Troisièmement, les modèles utilisés pour le test ne représentent pas la plus grande échelle des modèles frontière actuels, ce qui en limite la portée globale.
Un détail technique mérite d’être mis en lumière : Jalapeño a obtenu l’ensemble de ces performances en mode de prédiction à token unique (Single-Token Prediction, STP), sans décodage spéculatif ni séparation entre préremplissage et décodage (prefill-decode). À l’inverse, toutes les puces concurrentes représentées bénéficiaient de leurs configurations logicielles optimales couplées à la prédiction multi-token (MTP). Le débit STP de Jalapeño dépasse même les chiffres MTP publiés par Nvidia pour la Vera Rubin en juillet. Cela signifie qu’OpenAI conserve une réserve d’optimisation encore inexploitée.
Le bastion de Nvidia entamé de l’intérieur par son propre client
OpenAI figurait historiquement parmi les plus grands clients de Nvidia. Aujourd’hui, l’entreprise conçoit un composant capable d’affronter le vaisseau amiral de Nvidia sur le terrain de l’efficacité énergétique et en publie les données comparatives de façon ouverte.
La portée structurelle de cet événement surpasse sa dimension purement technique. L’industrie des semi-conducteurs a longtemps été protégée par de lourdes barrières financières et temporelles — cycles de développement de trois ans, budgets de R&D se comptant en milliards de dollars, risques de rendement de fabrication. L’ensemble de ces facteurs constituait le cœur du bastion de Nvidia : les clients n’ayant pas les moyens de développer leur propre silicium n’avaient d’autre choix que d’acheter chez Nvidia. Le tape-out de Jalapeño en 16 mois démontre que les outils d’IA permettent de franchir cette barrière temporelle bien plus rapidement que prévu. Si Microsoft Maia, Google TPU et Amazon Trainium s’inscrivent dans une démarche similaire, aucun acteur n’avait jusqu’alors défié Nvidia de manière aussi directe et publique.
Le développement d’ASIC par les éditeurs de modèles visait initialement à réduire la dépendance envers Nvidia et à comprimer les coûts. Les données de Jalapeño prouvent qu’il ne s’agit plus seulement d’une stratégie de gestion des coûts — le composant est désormais en mesure de rivaliser frontalement sur le nouveau front de l’efficacité énergétique.
Sur les échantillons d’ingénierie de Jalapeño, DeepSeek R1 franchit les 700 tokens/s/utilisateur en concurrence simple, tandis que Kimi-K2.5 et GPT-OSS atteignent environ 1 400 tok/s/utilisateur, avec une précision GSM8k équivalente à celle des puces Nvidia. Il s’agit de mesures obtenues sur des prototypes, qui laissent entrevoir des gains supplémentaires lors de la production en série.
Les règles du jeu ont changé
Jalapeño n’est pas encore un produit fabriqué en série. C’est un échantillon d’ingénierie, le choix des éléments de comparaison prête à discussion et les chiffres sont fournis par OpenAI elle-même. Toutes ces réserves sont légitimes.
Il n’en reste pas moins que cet événement illustre une mutation profonde dans l’axe de compétition du calcul IA. Le passage de « qui possède le plus de FLOPs » à « qui produit le plus de tokens avec le moins d’électricité » est une transition dictée par les limites physiques des centres de données, et non par le marketing. Nvidia ne rencontrait aucun rival sur ce terrain jusqu’à présent ; l’émergence de Jalapeño marque le premier défi direct émanant de son propre portefeuille de clients stratégiques. La question suivante s’impose désormais : lorsque la puce d’OpenAI entrera en production de masse et que d’autres géants emboîteront le pas, le pouvoir de fixation des prix de Nvidia sera-t-il rogné par cette nouvelle forme de concurrence ?
Liens de référence :
- SemiAnalysis : OpenAI Jalapeño - Better Than Nvidia Blackwell
- Blog officiel d’OpenAI : Jalapeño’s first results show industry-leading performance
- Tom’s Hardware : OpenAI’s 700W Jalapeño ASIC outpaces 1,400W Nvidia flagship
- TechCrunch : OpenAI’s Jalapeño chip is built for fast inference at scale
- Discussion HN (item?id=49434378)
