顧客がより良いチップを作った

結論は分かれた堀にある

結論は明快だ。OpenAIのJalapeñoは、カスタム推論チップが現実の競争層になったことを示した。同時に、NVIDIAは依然として強力な学習プラットフォームと圧倒的な導入規模を持つ。 この二つの事実を「どちらが勝ったか」という一つの判定に押し込むと、投資判断を誤る。顧客は学習と変化の速い最先端負荷にはNVIDIAを買い続け、予測可能な推論だけを自社チップへ移せる。NVIDIAの売上が伸びながら、長期的な推論シェアと交渉力が狭まることは両立する。

OpenAIが公表した最初の結果によれば、JalapeñoはGPT‑OSS 120B、DeepSeek R1 670B、Kimi K2.5 1Tにおいて、比較対象のGB200またはGB300システムより、ピークスループット時の電力当たりAI処理量が1.5倍から1.9倍、エンドツーエンドのレイテンシーが1.7倍から3.6倍低かった。パッケージ定格は700Wだが、試験負荷での持続消費電力は550W以下だった。OpenAIは年末までに社内インフラへの導入を始め、第2世代を開発中で、第3世代も具体化しつつあるとしている。

これは意味のある工学的証拠である。しかし、OpenAI自身のサービス要件に合わせた第1世代について、発表主体が主導したシステム評価でもある。量産台数、稼働率、歩留まり、ネットワークとメモリーの費用、ソフトウェア保守、対応負荷の範囲は未開示だ。現時点の判断は WATCH — VALIDATED_INFERENCE_CHALLENGER / NOT_YET_SCALED が妥当である。

Jalapeñoは一つの前提を直ちに変える。Blackwellを推論効率の越えられない上限とみなすことは、もはやできない。一方、汎用アクセラレーテッド・コンピューティング、CUDA、ラックスケール・ネットワーク、速い世代更新によって、NVIDIAが単一の専用チップより広いプラットフォームを持つという前提は残る。

ベンチマークはシステム全体で読む

見出しの数値が比べているのは、電力当たりの有効なAI処理量と、利用者が実際に感じるレイテンシーである。推論の経済性を考える方向として正しい。購入者が支払うのは、完了したリクエスト、電力、冷却、メモリー、ネットワーク、ソフトウェア、信頼性の総額であり、紙の上のピーク演算性能ではない。

OpenAIはSemiAnalysisが開発した公開ベンチマークInferenceXを用いた。SemiAnalysisは試験への関与を説明している。また、Tom’s Hardwareの技術レビューは比較の境界を補足している。三つの公開モデルは規模とサービス特性が異なり、試験は一つのピーク点だけでなく複数の動作点を含む。

それでも証拠にはラベルが要る。Jalapeñoの測定値を公表し、システム構成を選んだのはOpenAIである。SemiAnalysisは方法論を提供し、試験に参加した。NVIDIAはこの開示に比較システムを提出していない。Vera Rubinは試験外であり、Jalapeñoは学習に使えない。OpenAI社内の最先端モデルに関する結果は、独立して再現可能な公開測定ではなく会社側の主張である。

投資台帳では三層に分ける。公開されたInferenceXの動作点とパッケージ電力による正規化は CONFIRMED_PUBLIC_RESULT。OpenAI社内モデルでの優位、導入予定、多世代ロードマップは COMPANY_DISCLOSURE。フリート規模、利用率、信頼性、歩留まり、設置費用、ソフトウェア人件費、有効トークン当たり総費用は UNKNOWN_PRODUCTION_ECONOMICS である。

MLCommonsのMLPerf Inference v6.0は対照として役立つ。GPT‑OSS 120Bを追加し、DeepSeek-R1の対話型試験を拡張し、24組織が提出した。MLPerfとInferenceXは目的が異なり、架空の順位表へ結合してはならない。両者の存在は、再現可能な負荷、明確なレイテンシー制約、システム境界の開示が必要だと示している。

専用推論と汎用学習は仕事が違う

Jalapeñoは推論ASICである。専用化によって、安定したサービス負荷に不要な回路、柔軟性、ソフトウェア経路を削り、消費電力とレイテンシーを下げられる。既知のモデル、量子化、メモリー挙動、ネットワーク、リクエスト形態を中心にシステムを最適化できる代わりに、適用範囲は狭まり、負荷変化への感応度は高くなる。

NVIDIAが売るのはプラットフォームである。NVIDIAのBlackwellアーキテクチャはGB200、GB300、DGX SuperPOD、HGX、企業向けシステムを含み、学習、微調整、科学計算、Physical AI、グラフィックス、多様な推論負荷を支える。CUDA、TensorRT、ネットワーク、ライブラリ、オーケストレーション、開発者基盤がプラットフォーム価値を作る。

この広さは、モデル構造の変化が速いとき、学習規模が大きいとき、一つのフリートで多種類の負荷を吸収するときに最も価値が高い。反対に、ハイパースケーラーが巨大で安定したリクエスト流を持ち、設計、コンパイラー、運用費を数十億トークンへ配賦できると、専用チップの経済性が成立する。

したがって、最先端の事前学習と変化の速い研究はNVIDIA寄りであり、安定した大規模推論はカスタムASICが争える。企業の長尾推論はNVIDIAとクラウド流通に依存し、OpenAI固有の製品は全スタック協調の恩恵が最も大きい。現実の市場は長期にわたり異種混在となる可能性が高い。OpenAIはカスタムチップの構築者であると同時に、NVIDIA最大級の顧客であり続けられる。

OpenAIは予測可能な負荷だけ移せばよい

経済的な成立条件は全面置換より低い。ChatGPT、Codex、エージェント製品には反復的なサービス形態が多い。その一部はモデル系列、コンテキスト長、精度、バッチ処理、レイテンシー目標を固定して最適化できるほど予測可能になる。移したリクエストは限界的に外部アクセラレーター需要を減らし、NVIDIAに残す負荷にも社内基準価格を作る。

顧客は四つのレバーを得る。購入価格と社内費用曲線を比較できる。希少なGPUを学習と変化の速い負荷に残せる。モデル、コンパイラー、メモリー、ネットワーク、チップを一体で設計できる。そして、一世代ごとの運用学習が次世代設計に蓄積する。

規模が、その利点を会計上の利益に変えられるかを決める。カスタムチップには一回限りの設計費、マスク、ソフトウェア、検証、歩留まり、在庫、運用負担がある。利用率が落ちる、または周辺システムが高くなれば、チップ単体の優位は消える。OpenAIには、これらを薄められる安定したトークン量が必要である。

公表された提携は、併存が基本シナリオであることを示す。OpenAIとBroadcomは、OpenAI設計アクセラレーターとイーサネットシステム10GW分を共同展開し、2026年後半にラック導入を始め、2029年末までに完了する計画を発表した。OpenAIとNVIDIAも別に、Vera Rubinから始まる10GWのNVIDIAシステム提携案を公表した。さらに2026年2月、OpenAIは、NVIDIAの推論専用容量3GWとVera Rubin学習容量2GWを使う計画を示した。

これらは提携と計画であり、実際に稼働した利用率ではない。それでも戦略は読める。信頼できる計算資源をすべて調達し、NVIDIAのプラットフォームがプレミアムに値する場所ではNVIDIAを使い、自社負荷の所有が経済的優位を生む場所ではカスタム容量を作る。

資本の循環は交渉力として戻る

関係は一つの循環を作る。NVIDIAの資本とシステムがOpenAIへ入り、計算能力を生む。計算能力が最先端モデルと製品需要を生み、モデル、コンパイラー、運用データがJalapeñoへ入る。より低い社内推論基準費用は、NVIDIAとの供給交渉へ戻る。

これはNVIDIAが自らの破壊へ資金を出したという意味ではない。NVIDIAの資本はAI需要の拡大とシステム導入の確保を目指す。OpenAIは利用可能な資源をすべて製品とインフラに使う。一社が十分な負荷と工学能力を持てば、自社チップは合理的な帰結である。

重要なのは基準費用だ。Jalapeñoが有効トークン当たりでNVIDIAの総額価格を下回る信頼できる社内費用を実現すれば、GPUに残る負荷についてもOpenAIはより強く交渉できる。カスタムフリートは過半数でなくても商業条件を変えられる。信頼できる代替案は総量を変える前に取引条件を変える。

NVIDIAは世代更新の速さ、強いソフトウェア、統合ネットワーク、供給保証、顧客運用負担の低さで応じられる。自社所有の全費用と即時利用できるプラットフォームを比較させる価格設定も可能だ。現在の比較がGB300までで終わっているため、Vera Rubinは重要である。持続的なカスタムチップ論は、現世代への勝利を祝うだけでなく、次世代NVIDIAシステムにも耐えなければならない。

五つの変数が投資判断を決める

第一は実際の導入チップ数である。OpenAIは年末導入と多世代ロードマップを公表したが、稼働中のアクセラレーター、ラック、拠点数は UNKNOWN のままだ。発注や計画GWを稼働容量として扱ってはならない。

第二は負荷シェアである。Jalapeñoが担うOpenAI推論の割合を、製品とモデル別に記録する。安定したエージェント負荷で継続的に比率が上がれば商業的意義を示す。狭い社内試験は技術能力だけを示す。

第三はシステムTCOである。分母は定義されたレイテンシーと品質目標の下で成功したリクエスト当たり費用とする。アクセラレーター、メモリー、ネットワーク、ホスト、電力、冷却、利用率、停止、ソフトウェア工数、モデル変換、在庫を含める。公表された電力効率は一要素にすぎない。

第四は信頼性と量産学習である。稼働率、エラー、歩留まり、修理、利用率、導入速度、世代間改善を追う。第2、第3世代を予定通り反復できて初めて、Jalapeñoは一回限りのチップではなくプラットフォームになる。

第五はNVIDIAの経済性である。データセンター売上、推論構成、粗利率、価格、供給契約、HBMの入手性、大口顧客の内製比率を追う。顧客ASICはNVIDIAの総売上を減らす前に、構成と粗利へ圧力をかけ得る。

現時点で確認できるのは公開ベンチマーク、年末導入計画、多世代ロードマップである。負荷シェア、システムTCO、量産信頼性、NVIDIA粗利への影響は UNKNOWN のまま残す。比較可能な証拠が揃ったときだけ投資判断を更新する。

ポジション規律は証拠に従う

NVIDIAについて、短期の需要論はなお強い。OpenAI自身が推論と学習の双方で大規模なNVIDIA導入を予定している。JalapeñoはGPU需要の即時崩壊を意味しない。ただし、長期評価モデルから「推論の永久独占」という仮定を外す理由にはなる。

Broadcomについて、この開示はカスタムアクセラレーターとイーサネットシステムが戦略の中核へ入ったことを確認する。10GWはロードマップであり、実現売上、利益率、導入節目、顧客集中度にはなお証拠が必要だ。

OpenAIについて、Jalapeñoは費用管理と交渉の資産である。価値は製品レイテンシー、利用可能容量、有効リクエスト当たり費用、世代を反復する能力で測るべきで、技術的な誇りには独立したキャッシュフロー項目がない。

ポジション管理では、シェアと絶対成長を分ける必要がある。推論市場全体がカスタムチップのシェア獲得より速く拡大すれば、NVIDIAは最大顧客内の比率を落としながら、より多くのシステムを売り、より多くの利益を得られる。売上成長だけで堀を証明すれば変化を見落とす。反対に、内製チップ一つをすべて失われたGPU売上とみなせば、計算資源全体の拡大と、学習、ネットワーク、超過負荷におけるNVIDIAの役割を見落とす。

実務では二軸で採点する。第一軸は市場規模で、推論容量、トークン需要、顧客支出を測る。第二軸はNVIDIAの経済的捕捉で、負荷シェア、有効処理単位当たり価格、粗利率、ソフトウェアとネットワークの付随率を測る。市場が強く伸び、捕捉が低下するなら混合結果である。市場が強く伸び、捕捉が安定するならプラットフォーム論を確認する。市場が弱まり、捕捉も低下するときが本当の危険である。

ベンチマークは長期仮定を変える。量産の証拠だけがポジションを変える。RobinはNVIDIAを分かれた堀を持つ強いプラットフォームとして維持する。学習と変化の速い最先端負荷は高確度の層、安定した超大規模推論は競争可能な層である。四半期ごとに五つの変数だけを更新し、ジョークを取引へ翻訳しない。

顧客は明確な一つの仕事に、より良いチップを作った。それは交渉を変えるには十分だが、プラットフォーム戦争の終結を宣言するには遠く及ばない。

分類とキーワード

分類: 人工知能、半導体、投資

キーワード: Jalapeño推論ASIC、NVIDIA推論の堀、OpenAIカスタムチップ、AIアクセラレーター経済、GB300、Vera Rubin、Broadcom、推論TCO、資本循環

Hashtags: #AIInfrastructure #Semiconductors #NVIDIA #OpenAI #CustomSilicon