Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
OpenAI ya no quiere depender solo de las GPU de Nvidia para responder preguntas, generar texto o mover sus modelos en producción. Su primer chip de inferencia, Jalapeño, nace justo para esa parte menos vistosa de la inteligencia artificial y más pegada al uso diario, la que entra en juego cuando un sistema ya entrenado tiene que contestar al usuario en tiempo real.
Jalapeño compite donde cada milisegundo cuenta
Los analistas de SemiAnalysis han comprobado que Jalapeño supera a los chips Nvidia Blackwell en varias cargas de prueba. Las comparativas se realizaron con los modelos abiertos GPT-OSS 120B, DeepSeek R1 670B y Kimi K2.5 1T.
OpenAI asegura que el chip logra hasta 3,6 veces menos latencia según el modelo y la configuración. También reporta entre 1,5 y 1,9 veces más rendimiento por vatio frente a Blackwell, una diferencia que toca dos nervios del negocio, la velocidad de respuesta y la factura energética.
Ahí está la clave.
La inferencia suele quedar a la sombra del entrenamiento, pero es la fase que sostiene cada consulta cotidiana. Si el entrenamiento enseña al modelo, la inferencia le obliga a trabajar sin pausa y a bajo coste, de modo que reducir el precio por token se convierte en una cuestión industrial antes que académica.
OpenAI busca margen sin romper del todo con Nvidia
Sam Altman dirige una empresa que persigue dos objetivos muy concretos con este movimiento, rebajar el coste por token y reducir la dependencia de Nvidia. Jalapeño no saldrá al mercado por ahora y OpenAI lo reservará para su propia infraestructura, una decisión que revela hasta qué punto el chip forma parte de su cocina interna.
Al mismo tiempo, Nvidia conserva una ventaja que no desaparece por un buen resultado en inferencia. El entrenamiento de modelos y el peso del ecosistema CUDA siguen dejando a OpenAI atada a las GPU de su proveedor para las tareas más duras.
Esa doble relación recuerda a otros movimientos recientes en la industria, desde chips propios para inferencia hasta la búsqueda de alternativas cuando el silicio marca el ritmo del negocio. No resulta extraño que Google use TPU, Amazon cuente con Titanium e Inferentia, y que Microsoft y Meta también hayan desarrollado hardware específico para esta misma tarea.
La batalla ya no consiste solo en entrenar mejor
Jalapeño supera a Blackwell en rendimiento por vatio incluso sin usar la técnica Multi-Token Prediction. Ese matiz importa porque deja margen para mejorar todavía más el rendimiento y acercar el coste total de propiedad a los futuros chips Vera Rubin de Nvidia.
3,6 veces menos latencia no es un matiz técnico.
Cuando millones de respuestas pasan por esa capa de inferencia, cada mejora pequeña deja de ser pequeña. Por eso el movimiento de OpenAI encaja en una carrera más amplia que ya había mostrado el giro hacia chips propios y que ahora obliga a mirar menos el brillo del modelo y más la maquinaria que lo mantiene respondiendo.
En ese tablero hay otra cifra que da perspectiva. Nvidia ha pagado 20.000 millones de dólares para adquirir la tecnología de Groq, una señal de que la lucha por la inferencia ya no se libra solo con promesas de potencia bruta, sino con control directo sobre el hardware que decide cuánto tarda una respuesta y cuánto cuesta producirla.