Postęp w dziedzinie AI przyspiesza najbardziej, gdy cały system rozwija się równolegle. Tak postrzegam strategię OpenAI dotyczącą mocy obliczeniowej: jako jeden zintegrowany system obejmujący centra danych i układy scalone, pionierskie modele, naszą platformę dla deweloperów, produkty konsumenckie i biznesowe oraz urządzenia projektowane z myślą o AI — każda warstwa wzmacnia następną.
Lepsze oprogramowanie pozwala efektywniej wykorzystywać sprzęt. Sprzęt zaprojektowany pod kątem naszych obciążeń zwiększa szybkość i wydajność. Bardziej zaawansowane modele umożliwiają tworzenie lepszych produktów, które zwiększają popyt i wykorzystanie oraz pozwalają wyciągać więcej wniosków. Sygnały te wracają do systemu i pomagają nam dalej go ulepszać.
Dziś udostępniliśmy pierwsze wyniki pomiarów wydajności Jalapeño, pierwszego autorskiego układu OpenAI do inferencji. W publicznym teście porównawczym InferenceX, wykorzystującym GPT‑OSS 120B, Jalapeño osiągnął wyższą szczytową przepustowość na kilowat i mniejsze opóźnienie tokenów niż porównywane systemy komercyjne. Osiągnął również bardzo dobre wyniki w przypadku DeepSeek R1 i Kimi K2, co dowodzi, że jego przewaga obejmuje różne rodziny modeli.
Jalapeño zapewnia nam większą kontrolę nad działaniem naszych modeli i kosztami ich udostępniania. Wspólne projektowanie modelu, oprogramowania obsługującego, układu scalonego, pamięci i sieci pozwala nam doskonalić przepustowość, opóźnienia, efektywność energetyczną i koszty w ramach jednego systemu. Daje nam to realne, autorskie rozwiązanie uzupełniające akceleratory innych partnerów i zwiększa możliwość dopasowania każdego obciążenia do najwydajniejszego systemu przy odpowiedniej opłacalności. Dysponujemy już działającym autorskim układem scalonym o zmierzonej wydajności, a prace nad kolejnymi generacjami już trwają.
Różne obciążenia stawiają systemowi różne wymagania. Pionierskie trenowanie modeli, inferencja na dużą skalę i stale działający agenci mają odmienne wymagania dotyczące układów scalonych, oprogramowania, sieci, zasilania i opóźnień.
Naszym celem jest utrzymanie się na granicy Pareto: nieustannie szukamy najlepszego połączenia możliwości, szybkości, niezawodności, wydajności i kosztów dla każdego obciążenia. Poszczególne układy i dostawcy przodują pod różnymi względami, a granica możliwości stale się przesuwa.
Nasz portfel jest na tyle zróżnicowany, że możemy zaspokajać te potrzeby. Moc obliczeniowa Microsoftu i układy firmy NVIDIA odegrały fundamentalną rolę w rozwoju OpenAI. Obecnie nasz portfel obejmuje również firmy AWS, AMD, Broadcom, Cerebras, CoreWeave, Oracle, SB Energy i SoftBank. Każda z nich wnosi inne atuty w obszarach infrastruktury chmurowej, przyspieszonych obliczeń, inferencji o niskich opóźnieniach, budowy centrów danych i dostaw energii.
Aktywnie zarządzamy tym portfelem zarówno pod kątem możliwości, jak i opłacalności. Korzystamy z systemów klasy premium tam, gdzie najważniejsze są możliwości, a tam, gdzie większe znaczenie mają skala i koszty, optymalizujemy wydajność. Zachowanie rzeczywistego wyboru między dostawcami, sprzętem i modelami wdrożenia pozwala nam kierować popyt ku rozwiązaniom oferującym najlepszą wydajność za daną cenę, utrzymywać dyscyplinę cenową w zmiennych warunkach rynkowych i podążać za granicą możliwości wraz z pojawianiem się lepszych technologii. Bezpośrednia kontrola daje dodatkową przewagę tam, gdzie ściślejsza integracja może usprawnić cały system. Współpracujemy z partnerami, gdy ekosystem pozwala nam działać szybciej, a własne rozwiązania tworzymy tam, gdzie wspólne projektowanie zapewnia istotną przewagę.
Kolejnym źródłem przewagi są centra danych. Realizowany w stanie Georgia projekt Camellia pokazuje, jak możemy projektować obiekty pod kątem obciążeń klientów, jednocześnie tworząc miejsca pracy, wspierając lokalne firmy, pokrywając koszty infrastruktury i energii związane z projektem, oszczędzając wodę dzięki systemowi obiegu zamkniętego oraz poddając realizację zobowiązań corocznemu, niezależnemu audytowi publicznemu.
Wartość tego systemu mierzy się jego efektami: ilością użytecznej inteligencji uzyskiwanej z każdej jednostki mocy obliczeniowej.
Lepsze modele znajdują właściwą odpowiedź w mniejszej liczbie prób. Inteligentniejsze trasowanie i zarządzanie kontekstem ograniczają zbędne obliczenia. Zoptymalizowane oprogramowanie i specjalistyczny sprzęt zwiększają szybkość oraz efektywność energetyczną.
W rankingu Artificial Analysis Coding Agent Index model GPT‑5.6 Sol z rozumowaniem na poziomie Maks osiągnął nowy rekord, wykorzystując o 54% mniej tokenów wyjściowych niż inny czołowy model. Dla klientów takie usprawnienia oznaczają szybsze wyniki, bardziej niezawodne produkty, mniej ponownych prób, agentów zdolnych realizować dłuższe procesy oraz niższy całkowity koszt skutecznego wykonania zadań. Największą opłacalność zapewnia ilość użytecznej inteligencji uzyskiwanej w przeliczeniu na jednego dolara.
Wraz ze wzrostem możliwości i spadkiem kosztu użytecznej inteligencji coraz więcej zadań staje się ekonomicznie opłacalnych. Firma może dostarczać każdemu klientowi spersonalizowane analizy, weryfikować każdą umowę, przeprowadzać na bieżąco symulacje finansowe i pomagać inżynierom testować więcej pomysłów. To paradoks Jevonsa: większa wydajność sprawia, że więcej zastosowań staje się opłacalnych, co zwiększa wykorzystanie i pobudza nową aktywność gospodarczą dzięki większej liczbie wykonanych zadań, lepszym decyzjom, większej liczbie wprowadzonych produktów i wyższym przychodom.
Wydajniejsza infrastruktura obliczeniowa i bardziej konkurencyjna baza dostawców pomagają nam obsługiwać więcej klientów przy niższych kosztach i przekazywać użytkownikom korzyści z tej poprawy wydajności. Wzrost finansuje dalsze inwestycje w badania, infrastrukturę i bezpieczeństwo. Na tym polega kumulująca się przewaga OpenAI: lepsza technologia zwiększa opłacalność, a większa opłacalność pozwala finansować kolejną falę postępu, a każde usprawnienie wzmacnia cały system.
