OpenAIが9ヶ月で自社開発した「Blackwellチップ超え」、NVIDIAにまだ護城河はあるのか？

OpenAIとBroadcomが共同開発した自社製推論チップ「Jalapeño」が初めて実測データを公開し、その性能指標は既存のNVIDIAレベルのシステムを大きく上回る結果となりました。このことからAIチップ市場の勢力図が再編されるとの広範な議論が巻き起こっています。

Goldman Sachsのトレーディング部門責任者Rich Privorotsky氏の最新分析によると、Jalapeñoは所謂「NVIDIAキラー」ではありませんが、その登場はAIハードウェア市場が高度に集中した構造から多様化へと移行していることを示しています。この見解はNVIDIAの長期的なバリュエーションの根拠——今年の出荷量ではなく、今後数年にわたる利益構造——に直接関係しています。

市場にとって、今回の出来事の主要な影響は2つの側面に分かれます。ひとつは、NVIDIAがトレーニング用チップとCUDAエコシステムに持つ堀は短期的には脅かされないこと。もうひとつは、日常的に高頻度・大量に行われる推論のワークロードが、カスタムチップの主戦場へと変わっており、NVIDIAの「年金型」収益源が段階的に浸食されていることです。

Jalapeñoの実測データ：推論性能はリード、だが役割は明確

OpenAIとBroadcomが共同設計したJalapeñoチップは、最近初めて一般公開されたベンチマークデータを発表しました。テスト結果によると、このチップのワット当たりAI演算能力は同等のNVIDIAシステムの1.5倍から1.9倍、応答速度は1.7倍から3.6倍速いことが示されました。

ハードウェアの仕様を見ると、Jalapeñoチップ1台あたりの定格消費電力は約700ワットで、実際の運用ではより低い傾向です。1つのラックには128枚のチップが搭載可能で、約27.5TBの高帯域幅メモリHBM4が搭載され、各チップのメモリ帯域幅は15.4TB/秒に達します。

特筆すべきは、OpenAIがメモリ構成で妥協していない点です——これは、意図的に帯域幅重視設計を追求したチップであり、コスト削減のためにメモリを削減したものではありません。

Jalapeñoの展開計画は今年後半に小規模に開始され、2027年に量産スケール化段階に入ります。OpenAIはこのチップがNVIDIAなどパートナーの補完であり、代替ではないと明確に述べています。

トレーニングと推論の本質的な違い：NVIDIAの堀はどこにあるのか

今回の出来事を理解するカギは、AIチップの2つのコアなワークロードを区別することです。

トレーニングは「学校に通うこと」——大量のデータをモデルに与え、重みを更新する複雑で大規模、かつ時間のかかるタスクで、依然としてNVIDIA型の汎用GPUが中心です。推論は「実務」——ユーザーがChatGPTに質問したり、エージェントが航空券を予約したり、コードツールが関数を生成したりするもので、モデルは既にトレーニング済みであり、最小限のコストと最高速で結果を出力することが求められます。

Jalapeñoは推論専用のASIC（カスタムチップ）であり、トレーニング用チップではありません。Privorotsky氏の比喩を借りれば、「GPUはスイスアーミーナイフ、ASICはシェフナイフ」——後者は特定タスクにおいてより優れているが、前者の汎用性を置き換えることはできません。

つまり、OpenAIは当面の間、モデル学習や研究にNVIDIAのGPUの調達が必要になります。Privorotsky氏はJalapeñoが「NVIDIA需要の急落」をもたらすことはないが、「AIハードウェアの論点が拡大し続けている」と明示しています。

ハイブリッドな移行、業界崩壊ではない

Privorotsky氏は、自身の分析で3つの核となる論点を挙げています。

第一に、カスタム推論チップはもはや実験室レベルのプロジェクトではありません。半導体の歴史がないソフトウェア企業が、極めて短期間でBroadcomと共同開発し高性能なチップを世に出せたことで、参入障壁が大幅に下がっていることが示されています。

第二に、これはNVIDIAの今年の需要減少を意味しません。トレーニング、研究、および多種多様な非標準ワークロードはいまだに汎用GPUが不可欠であり、初代カスタムチップの出荷量も限られ、納期もやや長めです。

第三に、より長期的にはAI推論事業における多くのワークロードが専用チップへ移行していく見込みです。これはあくまで「ハイブリッド移行」であり、変わるのは利益の帰属であって産業の規模自体ではありません。

Goldman Sachsはまた、今回の出来事はメモリ業界にとってネガティブ材料とはならないと指摘しています。27.5TBのHBM4を搭載した128チップの1ラック構成は、OpenAIがSKハイニックス、Samsung、Micronなどのメモリサプライヤーに対してより高い単位ワットあたりの料金を支払うことを意味します。推論がカスタムチップへ移行しても高帯域幅メモリの需要は減少せず、むしろ希少性は高まる可能性が高いです。

AIによる半導体設計補助：真に過小評価されているストーリー

Privorotsky氏は分析の最後に、市場が一般的に見落としている問いを提起しました：半導体設計の経験がない企業が、なぜこれほど短期間でこのチップを設計完成できたのか？

Goldman Sachsの答えは「強化学習とAI支援設計のループ」です——モデルによる回路設計の探索、設計-測定-検証サイクルの圧縮、新チップ上で動作するソフトウェアコードのAI生成など。

この「再帰的」な論理は、AIがAIを動かすマシンそのものの設計に関与していることを意味します。もしこの設計ループが有効に回り続ければ、ソフトウェアエコシステムを軸に築かれた汎用GPUの堀は、安定した推論用途において徐々に薄まることになります。

業界全体にとって、コンパイラー、カーネルジェネレーターおよび「チップのためのソフトウェアを書くモデル」は、周辺的なツールから戦略的基盤インフラへと進化しつつあります。

エコシステムの再分層：誰が得をし、誰がプレッシャーを受けるのか

NVIDIA：短期的なリスクはないが、長期的には構造的な圧力に直面する。トレーニングクラスター、CUDAエコシステム、ネットワーク接続、さらには「火曜日には新しいモデルが動く」という柔軟性は、依然として実質的な堀を形成しています。しかし、推論という高頻度のワークロードがASICに移行し続ければ、NVIDIAは「ゴールドラッシュ」には残るものの、一部の「年金」収入を徐々に失うことになります。これは複数年にわたるバリュエーションの問題であり、2026年の出荷量危機の話ではありません。

Broadcomおよびカスタムチップの受託製造業者：自社設計チップを開発したいがTSMCにはなりたくない企業にとっての「兵器商人」になる。カスタム推論はサービス＆ネットワークビジネスであり、Jalapeñoの数が増えるほどパッケージング、SerDes、ラックレベルの製造需要も増加します。

モデルラボ：Jalapeñoは利益と製品の武器です。自社開発の推論チップを持つラボは、価格を下げ、レート上限の引き上げ、あるいはエージェントによるステップ数の増加を実現でき、コスト構造を他所に依存するGPUレンタルラボとは一線を画します。推論チップを持つラボは製品自体を再定義でき、GoogleはTPUを、AmazonはTrainiumを、OpenAIは公開実績を引っ提げてこの競争に参戦した形です。

ユーザーと価格設定：推論コストの低下は、2つの結果を同時にもたらします——インフラ層の価格が下がり、フロンティア層はモデルが大きく、エージェント機能が強化されることでより高価になります。1 tokenあたりの総保有コストが下がることは、「月額20ドルのチャットボット」と「月額2000ドルのエージェントサービス」双方のデジタル基盤となります。