鍵が錠前に差し込まれ、半回転した。Sam AltmanとBroadcom CEO Hock Tanが並んで壇上に立ち、二人は「Jalapeño」と名付けられたチップが刻印された300mmシリコンウェハを手にしていた。客席からのシャッター音は激しい雨のようだった。2026年6月24日、OpenAIはついに最初のハードウェアの切り札を公開した。
公開情報によれば、Jalapeñoは専用推論ASICであり、OpenAIとBroadcomが共同開発し、TSMC 3nmプロセスで製造、8基のHBMスタックを搭載し、ダイ面積はレチクルリミットに迫る。チップはsystolic arrayアーキテクチャを採用しており——ウェハ写真からは高度に繰り返される柱状のフロアプランが観察でき、これはBroadcomが過去にGoogle TPUの物理設計を手がけたプロジェクトにも類似した特徴である。最初のエンジニアリングサンプルはすでにGPT-5.3-Codex-Sparkを実行しており、目標周波数と消費電力を達成している。
OpenAIの公式声明の中の一文がチップコミュニティの集団的反問を引き起こした：「設計から量産まで、わずか9ヶ月。」Bloombergの報道はHock Tanの言葉を補足している——典型的なGPU推論ソリューションと比較して、Jalapeñoは約50%のコスト削減が可能だという。この二つのデータが結びついて、今回の発表の核心的ナラティブを形成する：速く、そして安い。
しかしこの「9ヶ月」とは、正確には何の9ヶ月なのか？HNの議論では、チップ企業のCEOを自称するユーザー「zgao」がエンジニア視点の分析を提供した。もし「設計」がRTL freeze（フロントエンド論理設計の凍結）を指し、「量産」がtapeout（ファウンドリへの送付）を指すのであれば、3nmプロセスの大型複雑チップにとって9ヶ月は「かなり標準的で、むしろ特に印象的ではないタイムライン」だという。しかし「コンセプト段階」——アーキテクチャブロック図すらなく、RTLが一行も書かれていない状態——からtapeoutまで9ヶ月であれば、それは本当に驚異的なことだ。OpenAIは開始点と終了点の具体的マイルストーンを明らかにしておらず、したがって「真実はおそらくその中間にある」。
別のユーザー「sharkjacobs」はさらに直接的だ：もしAIモデルがチップ設計において本当にそれほど大きな役割を果たしたのなら、OpenAIは「我々のモデルが設計と最適化プロセスを加速した」と曖昧に言及するだけだろうか？これは「Microsoft Officeが我々の開発を加速した」と同じくらい、PPTを埋めるためのレトリックに聞こえる。筆者はこの発言が事実とマーケティングの間にあると考える。VerilogやSystemVerilogといったハードウェア記述言語（HDL）は確かにLLMの訓練コーパスにある程度カバーされており、testbenchの自動生成も業界がすでに試みている方向だ。OpenAIはここ数ヶ月、チップ設計AI関連のポジションを確かに募集していた。しかしGoogle DeepMind AlphaChipのような完全なツールチェーンをすでに形成しているという公開証拠はまだない。
ここでチップ業界の重要な分業が関わってくる：フロントエンド設計（frontend）とバックエンド実装（backend）。フロントエンドはアーキテクチャ定義とRTL作成——この部分はおそらくOpenAIのハードウェアチームが主導し、責任者のRichard HoはかつてGoogle TPUプロジェクトのハードウェア責任者であり、TPU時代からBroadcomと取引があった。バックエンドはRTLをGDS（チップの層ごとの「Photoshopファイル」と理解できる）に変換する物理実装、そしてその後のサプライチェーン管理、パッケージングテスト——この部分ではBroadcomが絶対的なベテランだ。ある批評は辛辣だが正確だ：「OpenAIはアーキテクチャ定義をし、Broadcomが残り全てをやった。」
この分業を理解すれば、「9ヶ月」が妥当かどうかはどこから計時を始めるかにかかっている。RTL freezeからtapeoutまで、既存のIPライブラリと成熟した設計フローを持つBroadcomにとって9ヶ月は通常の工期だ。コンセプト設計からtapeoutまで9ヶ月はほぼ不可能である——チップ設計はソフトウェアのイテレーションではなく、シリコンのエラー許容度はゼロだ。
技術詳細を見てみよう。Jalapeñoは純粋な推論（inference）に位置付けられ、訓練は行わない。この選択には明確な経済的ロジックがある：訓練は一時的コスト、推論は継続的コストだ。OpenAIがChatGPT、Codex、APIなどの製品ラインを通じて日々処理する膨大な推論リクエストこそが、真に利益を蝕む巨獣である。推論をNvidia GPUから移すことで、たとえ30-50%しか節約できなくても、スケール運用では年間数十億ドルの請求差になる。
チップアーキテクチャにおいて、Jalapeñoはsystolic array + 固定機能ハードウェアのハイブリッド設計を採用し、Transformer系モデルの前方伝播に最適化されている。これはGoogle TPU v1の設計哲学と類似点がある——当時TPU v1も純粋な推論チップであり、92 TOPS@INT8、消費電力わずか40Wで、推論エネルギー効率において同時代のGPUを桁違いに引き離した。しかしGoogleはまる10年かけてTPUを第8世代まで反復し、推論から訓練までの完全なワークフローをカバーしたが、OpenAIはまだ第一歩を踏み出したばかりだ。
このチップを競争構造の中でどう位置付けるべきか？業界トレンドから見ると、AI企業の自社チップ開発はすでに選択肢からスケジュール問題に移行している。Google TPUはすでに第7/8世代、AWSはTrainium2とInferentia2、MetaのMTIAシリーズはBroadcomと協力して2nmへと進んでいる。Anthropicも自社チップのパスを模索しており、AWS Trainiumを使ってClaudeを訓練していることはすでに公開情報だ。このトレンドの背後にある推進力は明らかだ：モデルアーキテクチャ、オペレータの組み合わせ、バッチ処理パターンがすべて内部知識である場合、汎用GPUは必要としない機能のために大量のトランジスタに電力を供給している。
しかしここにあまり議論されないリスクがある：タイミングの窓だ。NvidiaのVera Rubinは2026年下半期に出荷予定で、公式には推論エネルギー効率がBlackwell比で10倍向上するとされている。Jalapeñoの初回デプロイは2026年末に設定され、真のスケール化は2027年になる可能性がある——その時点で、立ち向かうのはVera Rubin Ultra、あるいはFeynmanかもしれない。あるHNユーザーの判断は冷静だ：「もし1ギガワットの電力割り当てを持っているなら、最良のチップだけを設置する。Nvidiaのチップの方が優れていれば、このプロジェクトは数十億ドルを無駄にしていることになる。」
もちろん、Jalapeñoの意義は単なる一つのチップではない。これはOpenAIが「フルスタック垂直統合」に向けて踏み出した重要な一歩だ。OpenAIはブログで次のように書いている——彼らはモデルと製品を開発するだけでなく、基盤インフラストラクチャも設計している：「チップアーキテクチャ、カーネル、メモリシステム、ネットワーキング、スケジューリング、デプロイメントシステム、製品体験。」この表現は、AppleがIntelチップを購入することから自社Mシリーズを開発するまでの道のりを想起させる。しかしAI分野では、この道のりの不確実性ははるかに大きい——モデルアーキテクチャは依然として急速に進化しており、MoE（Mixture of Experts）、深層推論チェーン、長コンテキスト、これらの変化の一つ一つが最適化されたハードウェア設計の前提条件を変えうる。
避けられないナラティブの背景がある：これはOpenAI IPO前の目玉かもしれない。数百億ドル、あるいは数千億ドルの評価額を支えるにはハードウェアのストーリーが必要だ。「自社でチップを作れるようになった」ことは、投資家への訴求力において、チップ自体の推論コスト削減効果に劣らないかもしれない。Jalapeñoの技術的価値は客観的に存在するが、発表のタイミングが持つパブリックナラティブ機能も同様に直視すべきである。
公開情報から見ると、Jalapeñoの技術路線は合理的だが、直面する競争——Nvidiaの反復速度、Google TPUの成熟度、そして2027年まで実現できないデプロイ時間——はすべて現実の挑戦だ。9ヶ月のナラティブには多少の誇張があるかもしれないが、方向性自体は間違っていない。AIのハードウェア時代は「Nvidiaを買う」から「自前で作る」へと移行しつつあり、Jalapeñoはこの道のりにおける最新で、最も話題性のある道標である。
以上の分析は現在の公開情報とコミュニティ議論に基づいています。チップ設計に関してより深い実務経験をお持ちの方は、文中の不備をぜひご指摘ください。