Fremskridtene inden for AI vokser hurtigst, når hele systemet forbedres samlet. Sådan ser jeg på OpenAIs strategi for computerkraft: ét integreret system, der omfatter datacentre og chips, banebrydende modeller, vores udviklerplatform, produkter til forbrugere og virksomheder samt AI-baserede enheder, hvor hvert lag styrker det næste.
Bedre software gør hardwaren mere produktiv. Hardware, der er udviklet til vores arbejdsbelastninger, øger hastigheden og effektiviteten. Mere avancerede modeller baner vej for bedre produkter, som skaber større efterspørgsel, mere brug og mere læring. Disse signaler føres tilbage gennem systemet og hjælper os med at forbedre det igen.
I dag offentliggjorde vi de første målte resultater for Jalapeño, OpenAIs første specialudviklede chip til inferens. På InferenceX, en offentlig benchmark baseret på GPT‑OSS 120B, leverede Jalapeño et højere maksimalt gennemløb pr. kilowatt og lavere tokenforsinkelse end de kommercielle systemer i sammenligningen. Den klarede sig også stærkt på DeepSeek R1 og Kimi K2, hvilket viser, at forbedringerne gælder på tværs af modelfamilier.
Jalapeño giver os større kontrol over, hvordan vores modeller kører, og økonomien i at betjene dem. Ved at udvikle modellen, betjeningssoftwaren, chippen, hukommelsen og netværket samlet kan vi forbedre gennemløb, forsinkelse, energieffektivitet og omkostninger som ét system. Det skaber et troværdigt egenudviklet alternativ til de acceleratorer, vi bruger fra andre partnere, og gør os bedre i stand til at matche hver arbejdsbelastning med det stærkeste system til den rette økonomi. Vi har nu fungerende egenudviklet silicium med målte resultater, og de næste generationer er allerede under udvikling.
Forskellige arbejdsbelastninger stiller forskellige krav til systemet. Træning af banebrydende modeller, inferens i stor skala og konstant aktive agenter stiller forskellige krav til chips, software, netværk, strøm og forsinkelse.
Vores mål er at blive på Pareto-fronten ved løbende at søge den bedste kombination af kapacitet, hastighed, driftssikkerhed, effektivitet og omkostninger for hver arbejdsbelastning. Forskellige chips og leverandører er førende på forskellige områder, og frontlinjen flytter sig hele tiden.
Vores portefølje giver os den nødvendige bredde til at opfylde disse behov. Microsofts computerkraft og NVIDIAs chips har været afgørende for OpenAIs vækst. I dag omfatter vores portefølje også AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy og SoftBank. De bidrager hver især med forskellige styrker inden for cloudinfrastruktur, accelereret databehandling, inferens med lav forsinkelse, udvikling af datacentre og energiforsyning.
Vi forvalter aktivt denne portefølje med fokus på både kapacitet og økonomi. Vi bruger premiumsystemer, hvor kapaciteten betyder mest, og optimerer effektiviteten, hvor skala og omkostninger vejer tungere. Ved at bevare reelle valgmuligheder på tværs af leverandører, hardware og driftsmodeller kan vi lede efterspørgslen mod den bedste ydeevne pr. dollar, fastholde prisdisciplinen, når markedsvilkårene ændrer sig, og følge med frontlinjen, når stærkere teknologi opstår. Direkte kontrol giver større gennemslagskraft, hvor tættere integration kan forbedre hele systemet. Vi indgår partnerskaber, hvor økosystemet hjælper os hurtigere frem, og bygger selv, hvor fælles design skaber en væsentlig fordel.
Datacentre giver endnu en mulighed for at skabe gennemslagskraft. Project Camellia i Georgia viser, hvordan vi kan designe faciliteter omkring kundernes arbejdsbelastninger og samtidig skabe arbejdspladser, støtte lokale virksomheder, dække projektets infrastruktur- og energiomkostninger, spare på vandet gennem et lukket kredsløb og lade en uafhængig offentlig revision kontrollere projektets forpligtelser hvert år.
Systemets værdi måles på dets resultater: mere nyttig intelligens fra hver enhed computerkraft.
Bedre modeller finder det rigtige svar med færre forsøg. Intelligent routing og kontekststyring reducerer spildt arbejde. Optimeret software og specialudviklet hardware forbedrer hastigheden og energieffektiviteten.
På Artificial Analysis Coding Agent Index satte GPT‑5.6 Sol med ræsonnering på Max-niveau ny rekord, samtidig med at den brugte 54 % færre outputtokens end en anden førende model. For kunderne betyder sådanne forbedringer hurtigere resultater, mere driftssikre produkter, færre gentagne forsøg, agenter, der kan gennemføre længere arbejdsgange, og lavere samlede omkostninger ved vellykket arbejde. Den bedste økonomi kommer fra nyttig intelligens pr. dollar.
Efterhånden som nyttig intelligens bliver mere avanceret og billigere, bliver flere opgaver økonomisk rentable. En virksomhed kan levere skræddersyede analyser til hver kunde, gennemgå alle kontrakter, køre finansielle scenarier i realtid og hjælpe ingeniører med at afprøve flere idéer. Det er Jevons' paradoks: Større effektivitet gør flere anvendelser rentable, øger forbruget og skaber ny økonomisk aktivitet gennem flere udførte opgaver, bedre beslutninger, flere lancerede produkter og større omsætning.
Mere produktiv computerkraft og et mere konkurrencedygtigt leverandørgrundlag hjælper os med at betjene flere kunder til lavere omkostninger og lade brugerne få gavn af effektivitetsgevinsterne. Væksten finansierer fortsatte investeringer i forskning, infrastruktur og sikkerhed. Det er OpenAIs selvforstærkende fordel: Bedre teknologi skaber bedre økonomi, bedre økonomi finansierer den næste bølge af fremskridt, og hver forbedring styrker hele systemet.
