भरपूर इंटेलिजेंस के पीछे पूरा टेक स्टैक

AI में तरक्की सबसे तेज़ तब होती है, जब पूरा सिस्टम एक साथ बेहतर होता है. OpenAI की कंप्यूट स्ट्रैटेजी को मैं इसी तरह देखती हूँ: डेटा सेंटर्स और चिप्स से लेकर फ़्रंटियर मॉडल्स, हमारा डेवलपर प्लैटफ़ॉर्म, कंज़्यूमर और एंटरप्राइज़ प्रोडक्ट्स और AI-नेटिव डिवाइसेज़ तक एक पूरा सिस्टम, जहाँ हर लेयर अगली लेयर को और बेहतर बनाती है.

बेहतर सॉफ़्टवेयर हार्डवेयर को ज़्यादा काम करने लायक बनाता है. हमारे वर्कलोड्स के हिसाब से डिज़ाइन किया गया हार्डवेयर स्पीड और एफ़िशिएंसी बेहतर करता है. ज़्यादा सक्षम मॉडल्स से बेहतर प्रोडक्ट्स बनते हैं, जिससे डिमांड, इस्तेमाल और सीखना बेहतर होता है. इनसे मिलने वाले सिग्नल फिर पूरे सिस्टम में वापस जाते हैं और हमें इसे और बेहतर बनाने में मदद करते हैं.

आज हमने पहली बार Jalapeño की परफ़ॉर्मेंस के नतीजे सामने रखे. Jalapeño OpenAI की पहली कस्टम इन्फ़रेंस चिप है. GPT‑OSS 120B का इस्तेमाल करने वाले पब्लिक InferenceX बेंचमार्क में, तुलना किए गए कमर्शियल सिस्टम्स के मुकाबले Jalapeño ने हर किलोवाट पर ज़्यादा पीक थ्रूपुट और कम टोकन लेटेंसी दी. DeepSeek R1 और Kimi K2 पर भी इसका परफ़ॉर्मेंस अच्छा रहा. इससे पता चलता है कि इसका फ़ायदा अलग-अलग मॉडल फ़ैमिली में भी मिलता है. 

Jalapeño हमें अपने मॉडल्स के चलने के तरीके और उन्हें सर्व करने की लागत पर ज़्यादा कंट्रोल देता है. मॉडल, सर्विंग सॉफ़्टवेयर, चिप, मेमोरी और नेटवर्क को एक साथ डेवलप करके हम थ्रूपुट, लेटेंसी, एनर्जी एफ़िशिएंसी और लागत को एक ही सिस्टम के तौर पर बेहतर कर सकते हैं. इससे हमें दूसरे पार्टनर्स के एक्सेलेरेटर्स के साथ अपना खुद का एक भरोसेमंद रास्ता भी मिलता है. हम हर वर्कलोड के लिए सही लागत पर सबसे बेहतर सिस्टम चुन सकते हैं. अब हमारे पास अपने बनाए हुए चिप्स हैं, जो काम कर रहे हैं और जिनके परफ़ॉर्मेंस नतीजे भी मापे जा चुके हैं. अगली जेनरेशन पर भी काम शुरू हो चुका है.

अलग-अलग वर्कलोड्स की अलग-अलग ज़रूरतें होती हैं. फ़्रंटियर ट्रेनिंग, बड़े पैमाने पर इन्फ़रेंस और हमेशा चालू रहने वाले एजेंट्स के लिए चिप्स, सॉफ़्टवेयर, नेटवर्क, पावर और लेटेंसी की ज़रूरतें अलग होती हैं.

हमारा लक्ष्य परेटो फ़्रंटियर बने रहना है: हर वर्कलोड के लिए क्षमता, स्पीड, भरोसेमंदी, एफ़िशिएंसी और लागत का सबसे बेहतर संतुलन लगातार तलाशते रहना. अलग-अलग चिप्स और प्रोवाइडर्स अलग-अलग मामलों में बेहतर हो सकते हैं और यह सीमा लगातार आगे बढ़ती रहती है.

हमारे पोर्टफ़ोलियो में इतनी रेंज है कि हम इन अलग-अलग ज़रूरतों को पूरा कर सकें. Microsoft का कंप्यूट और NVIDIA की चिप्स OpenAI की ग्रोथ के लिए लंबे समय से अहम रहे हैं. आज हमारे पोर्टफ़ोलियो में AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy और SoftBank भी शामिल हैं. इनमें से हर कंपनी क्लाउड इन्फ़्रास्ट्रक्चर, तेज़ कंप्यूटिंग, कम-लेटेंसी इन्फ़रेंस, डेटा सेंटर बनाने और एनर्जी सप्लाई के मामले में अलग ताकत लेकर आती है.

हम इस पूरे पोर्टफ़ोलियो को परफ़ॉर्मेंस और लागत, दोनों को ध्यान में रखकर मैनेज करते हैं. जहाँ सबसे ज़्यादा क्षमता चाहिए, वहाँ बेहतर सिस्टम इस्तेमाल करते हैं. जहाँ बड़े पैमाने पर काम और कम लागत ज़्यादा मायने रखती है, वहाँ एफ़िशिएंसी पर फ़ोकस करते हैं. अलग-अलग प्रोवाइडर्स, हार्डवेयर और डिप्लॉयमेंट मॉडल्स में ऑप्शंस खुले रखने से हम हर डॉलर पर बेहतर परफ़ॉर्मेंस देने वाले सिस्टम चुन सकते हैं. मार्केट बदलने पर कीमतों को भी सही स्तर पर रख सकते हैं और नई बेहतर टेक्नोलॉजी आने पर उसके साथ आगे बढ़ सकते हैं. जहाँ सिस्टम को और बेहतर तरीके से एक साथ जोड़ने से पूरे सिस्टम को फ़ायदा मिल सकता है, वहाँ सीधा कंट्रोल हमारे लिए ज़्यादा फ़ायदा देता है. जहाँ पार्टनर्स के साथ काम करने से स्पीड बढ़ती है, वहाँ हम पार्टनरशिप करते हैं. और जहाँ साथ मिलकर डिज़ाइन करने से बड़ा फ़ायदा मिलता है, वहाँ हम मिलकर बनाते हैं.

डेटा सेंटर्स भी हमें ऐसे ही फ़ायदे देते हैं. Georgia में प्रोजेक्ट कैमिलिया⁠ इसका एक उदाहरण है. यहाँ हम कस्टमर्स के वर्कलोड्स के हिसाब से सुविधाएँ डिज़ाइन कर सकते हैं. साथ ही, इससे नौकरियाँ पैदा होती हैं, लोकल बिज़नेस को काम मिलता है और प्रोजेक्ट के इन्फ़्रास्ट्रक्चर और एनर्जी का खर्च पूरा होता है. क्लोज़्ड-लूप सिस्टम से पानी कम खर्च होता है. इसके अलावा, इन सभी कमिटमेंट्स की हर साल एक इंडिपेंडेंट पब्लिक ऑडिट होती है.

इस पूरे सिस्टम की कामयाबी इस बात से पता चलती है कि इससे कितना काम होता है: हर यूनिट कंप्यूट से ज़्यादा काम की इंटेलिजेंस मिलती है.

बेहतर मॉडल कम कोशिशों में सही जवाब तक पहुँचते हैं. बेहतर रूटिंग और कॉन्टेक्स्ट मैनेजमेंट से बेकार का काम कम होता है. ऑप्टिमाइज़्ड सॉफ़्टवेयर और खास काम के लिए बनाए गए हार्डवेयर से स्पीड और एनर्जी एफ़िशिएंसी बेहतर होती है.

Artificial Analysis Coding Agent Index पर, मैक्स रीज़निंग के साथ GPT‑5.6 Sol ने नया हाई बनाया और इसके लिए एक दूसरे लीडिंग मॉडल के मुकाबले 54% कम आउटपुट टोकन्स का इस्तेमाल किया. कस्टमर्स के लिए ऐसी तरक्की का मतलब है तेज़ नतीजे, ज़्यादा भरोसेमंद प्रोडक्ट्स, कम बार दोबारा कोशिश करने की ज़रूरत, लंबे वर्कफ़्लो पूरे करने वाले एजेंट्स और कम खर्च में काम का पूरा होना. सबसे अच्छी इकनॉमिक्स वहीं मिलती है जहाँ हर डॉलर में ज़्यादा काम की इंटेलिजेंस मिले.

जैसे-जैसे काम की इंटेलिजेंस ज़्यादा सक्षम और सस्ती होती जाती है, वैसे-वैसे ज़्यादा तरह के काम करना आर्थिक तौर पर मुमकिन हो जाता है. कोई कंपनी हर कस्टमर के लिए उनकी ज़रूरत के हिसाब से एनालिसिस कर सकती है, हर कॉन्ट्रैक्ट को रिव्यू कर सकती है, लाइव फ़ाइनेंशियल सीनारियो चला सकती है और इंजीनियर्स को ज़्यादा आइडिया टेस्ट करने में मदद कर सकती है. इसे जेवॉन्स पैराडॉक्स कहते हैं: एफ़िशिएंसी बढ़ने पर किसी चीज़ के ज़्यादा इस्तेमाल के नए मौके बनते हैं. इससे ज़्यादा काम पूरा होता है, बेहतर फ़ैसले लिए जाते हैं, ज़्यादा प्रोडक्ट्स लॉन्च होते हैं और ज़्यादा रेवेन्यू बनता है.

ज़्यादा प्रोडक्टिव कंप्यूट और ज़्यादा कॉम्पिटीटिव सप्लाई बेस की मदद से हम कम लागत में ज़्यादा कस्टमर्स को सर्व कर सकते हैं और एफ़िशिएंसी से मिलने वाला फ़ायदा यूज़र्स तक भी पहुँचा सकते हैं. ग्रोथ से रिसर्च, इन्फ़्रास्ट्रक्चर और सेफ़्टी में लगातार निवेश किया जा सकता है. यही OpenAI का लगातार बढ़ता फ़ायदा है: बेहतर टेक्नोलॉजी से बेहतर इकनॉमिक्स मिलती है, बेहतर इकनॉमिक्स से अगले प्रोग्रेस में निवेश होता है और हर सुधार पूरे सिस्टम को और मज़बूत बनाता है.