OpenAI hat seinen ersten eigenen KI-Chip Jalapeño mit Broadcom gebaut und dabei die eigenen Sprachmodelle den Entwurf mitgestalten lassen. Vom ersten Code bis zum fertigen Layout vergingen neun Monate, bei einem Team von unter hundert Köpfen. Die eigentliche Nachricht steckt für Entscheider nicht im Chip, sondern in der Frage, wie viel Ingenieursarbeit eine KI heute abkürzt.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Einen Chip zu entwerfen dauert normalerweise Jahre und bindet große Teams. Genau diesen Aufwand wollte OpenAI drücken, weil eigene Beschleuniger die teure Abhängigkeit von Nvidia lockern sollen. Der Weg dorthin führte über Werkzeuge, die das Unternehmen ohnehin baut: große Sprachmodelle der künstlichen Intelligenz.
Das Wichtigste in Kürze
- Vom ersten Entwurfscode bis zum fertigen Chip-Layout (Tape-out) vergingen rund neun Monate, vom Konzept bis zum ersten Silizium weniger als 20 Monate.
- Das Projektteam blieb mit unter 100 Ingenieuren klein, die Modelle übernahmen einen Teil der Routinearbeit.
- OpenAI setzte früh sein Modell o3 ein, später Vorläufer von GPT-6 Astra, teils eigens fürs Chipdesign nachtrainiert.
- Der Engpass bleibt die Fertigung: Ohne die Fabriken von TSMC nützt der schnellste Entwurf nichts.
Warum ließ OpenAI eine KI den eigenen Chip entwerfen?
Tempo für ein kleines Team war das Ziel. Richard Ho, bei OpenAI für die Hardware verantwortlich, sagt über die Modelle: „Sie geben unseren Ingenieuren Superkräfte, sie schaffen vieles deutlich schneller.“[1] Vom ersten Entwurfscode bis zum Tape-out des Chips vergingen so nur neun Monate, ein Wert, den der Chipdesign-Forscher Andrew Kahng von der University of California in San Diego als heute vermutlich branchenführend einordnet.
Eigene Beschleuniger verändern die Kostenrechnung. Jalapeño ist ein Inferenzchip, der laut OpenAI je Kilowatt bis zu 1,9-mal mehr Token liefert als Nvidias Spitzenmodell GB300. Solange ein Modell antwortet, entscheidet genau diese Effizienz über die laufenden Kosten, nicht der Anschaffungspreis der Grafikkarte.
Wo half die KI wirklich und wo nicht?
Verständliche Entwurfssprache war der größte Hebel. Statt in der maschinennahen Sprache Verilog beschrieb das Team große Teile des Chips in den höheren Sprachen DSLX und C++, die das quelloffene Google-Werkzeug XLS anschließend in Hardware übersetzte. Chris Leary aus dem technischen Stab erklärt den Trick so: XLS sehe in Teilen wie Software aus und sei gerade bei software-artigen Aufgaben stark.[1]
Zehn Prozent kleiner wurden die Matrix-Recheneinheiten gegenüber einem von Menschen optimierten Entwurf, als ein nachtrainiertes Modell die Fläche mitplante. Bei der Software zeigte sich der Effekt noch deutlicher: Auf einem Latenz-Testfall kletterte die genutzte Rechenleistung binnen rund 40 Stunden von 0,31 auf 88,94 Prozent des theoretischen Maximums.
Kein Selbstläufer ist der Chip trotzdem. Die KI ersetzte weder die physische Verdrahtung noch die harte Optimierung von Takt, Fläche und Verbrauch. Den gesamten Backend-Teil übernahm Broadcom mit rein öffentlich verfügbaren Modellen. Der Sprung von der Idee zur Serienreife hängt weiter an Erfahrung, die kein Sprachmodell mitbringt.
Nicht allein steht OpenAI mit diesem Ansatz. Der Chipentwurf verlagert sich seit Monaten zu den Systemherstellern, wie der Befund zeigt, dass rund die Hälfte des Cadence-Geschäfts nicht mehr von klassischen Chipfirmen stammt. Auch Siemens kaufte mit dem Hauptentwickler der offenen Software OpenROAD gezielt Automatisierung fürs Chipdesign zu.
Nicht die KI hat den Chip entworfen, sondern ein kleines Team, dem die KI die Fleißarbeit abnahm. Der eigentliche Engpass wandert von der Zeichnung in die Fabrik.
— Michael Dobler, Herausgeber Dr. Web
Was bedeutet das für Europas Chipstrategie?
Muster statt Einzelfall ist der richtige Rahmen. Mehrere KI-Konzerne bauen inzwischen ihre eigene Rechenhardware. Meta bringt einen eigenen Beschleuniger in Produktion, Apple lässt seine Server-Chips von Broadcom mitentwickeln, und auch Anthropic hat ein eigenes Chip-Team aufgebaut.
Entwurf ist nicht Fertigung. Selbst der schnellste KI-gestützte Chipentwurf endet an der Rampe von Auftragsfertigern wie TSMC. Genau dort liegt Europas Lücke, denn der EU Chips Act zielt auf Fabriken und Kapazität, nicht auf Entwurfssoftware, während die Zulieferkette für Belichtung und Werkzeuge weiter außerhalb des Kontinents sitzt.
Für Technologiechefs zählt vor allem eines: Betreibt ein Unternehmen eigene Modelle, wiegt der Inferenzpreis je Token schwerer als der Anschaffungspreis der Grafikkarten. Bei der Hardware-Lieferkette bleibt die Herkunft der Chips dabei so entscheidend wie die Wahl des Modells, weil ein KI-gestützter Entwurf die Abhängigkeit von wenigen Fabriken nicht verringert.
Quelle
[1] IEEE Spectrum: „How OpenAI Used Its Own LLMs to Design Its Jalapeño Chip“
