OpenAI Jalapeño推論チップ、Nvidiaの汎用AIハードウェアに挑む
OpenAIは9カ月で初のカスタムアクセラレータを設計し、大規模AIサービスの大半を支える汎用ハードウェアに直接挑んだ。Broadcomと共同開発したOpenAI Jalapeño推論チップは、学習後の言語モデルを実行するために特化して設計されている。
この特化こそが対立の核心だ。OpenAIは、チップ、ソフトウェア、モデル提供の統合管理を強めることで、固定された電力制約の中でもより有用な出力を実現できるとしている。Nvidiaのアクセラレータは依然として不可欠だが、より幅広いワークロードと顧客を支えなければならない。
OpenAIのハードウェア担当バイスプレジデントであるRichard Ho氏は、チップのHot Chips発表後に公開されたインタビューで、もう一つの変化についても語った。OpenAIは設計、検証、ソフトウェア開発、カーネル最適化を含むエンジニアリング全般で社内モデルを活用したという。
その結果は、ハイパースケーラーが特定用途向け集積回路（ASIC）を新たに開発するというだけの話ではない。Jalapeñoは、AI研究所が自社モデルとワークロードデータを用いて、シリコン開発サイクルそのものを短縮できるかを試すものだ。
OpenAIにはなお証明すべき点が多い。性能値は同社の試験に基づくもので、本番展開はまだ限定的であり、このチップはフロンティアモデルの学習に使われるアクセラレータを置き換えるものではない。中心的な問いは、柔軟性を損なうことなく、特化によって推論の経済性を改善できるかどうかだ。
BroadcomとOpenAIが実際に構築したもの
Jalapeñoは、汎用アクセラレータを自社の推論ワークロードに適応させるのではなく、そのワークロードを中心に設計されたプロセッサをOpenAIにもたらす。
OpenAIとBroadcomは2026年6月、複数世代にわたるコンピューティングプラットフォームの第1弾となるプロセッサとしてJalapeñoを発表した。Broadcomはシリコン実装を担い、Tomahawkネットワーキングシリコンを含むネットワーク技術を提供した。
OpenAIはアーキテクチャの方向性と、自社ワークロードに関する詳細な知見を提供した。これらのワークロードには、OpenAIが大規模に運用するモデル、カーネル、メモリパターン、提供システム、製品が含まれる。
同社のJalapeño発表によると、エンジニアリングサンプルは目標とする動作周波数と消費電力に到達した。OpenAIは、これらのサンプルが自社ラボで機械学習ワークロードを実行していたとも述べた。
推論とは、学習済みモデルを使って回答、画像、予測、ソフトウェア上のアクションを生成するプロセスである。大規模な計算ジョブを用いてモデルを作成または更新する学習とは異なる。
この違いは重要だ。JalapeñoはNvidiaハードウェアの万能な代替品として提示されているわけではない。OpenAIは、大規模言語モデルの提供で繰り返される実行パターンに合わせて最適化した。
このアーキテクチャは、計算、メモリ、ネットワークのバランスを保ちながら、不必要なデータ移動を減らすことを目指す。プロセッサとメモリの間でデータを移動するには時間とエネルギーがかかるため、その移動を抑えれば効率を改善できる。
OpenAIは、このバランスにより、プロセッサを理論上のピーク性能により近い状態で動作させられるとしている。より広範な本番環境での測定と独立検証が利用可能になるまで、これは同社の主張にとどまる。
Hot Chips 2026でHo氏は、計画中のシステムについてさらに詳細を明らかにした。Jalapeñoの定格は700ワットだが、試験ワークロードにおける実測の継続消費電力は550ワット以下にとどまったと報じられている。
発表によると、ラックには128基のアクセラレータが搭載される。完全なポッドは2,048基のASICまで拡張できる。ラック構成では、HBM4メモリを27.5テラバイト、パッケージ当たり毎秒15.4テラバイトの帯域幅を提供する。
高帯域幅メモリ（HBM）は、高速メモリをプロセッサの近くに配置し、計算ユニットへデータを供給する。大規模モデルではパラメータと中間結果を絶えず移動させるため、この構成は推論時に特に重要となる。
OpenAIはJalapeñoをGPT-OSS-120B、DeepSeek R1、Moonshot AIのKimi K2.5で試験した。外部モデルの利用は、アーキテクチャがOpenAI独自のシステムに限定されないことを示す意図があった。
報じられたラック仕様によれば、128チップのシステムは4ビット演算で1.7エクサフロップスに達する。低精度演算では、モデルが許容可能な出力品質を維持できる場合、モデル演算をより効率的に処理できる。
OpenAIは、選定した試験において、自社システムがピークスループット時に競合プラットフォームの1.5〜1.9倍の処理を実現したと述べた。また、評価した3モデルすべてで低レイテンシーを報告した。
これらの結果は、OpenAIが選定したソフトウェア、構成、ワークロード定義を用いて得られたものだ。有用な技術的根拠にはなるが、あらゆる本番条件における性能をまだ確立するものではない。
したがってJalapeñoは、単なるロードマップ上のスライドではなく、実稼働するエンジニアリングプログラムだ。ただし、より幅広い運用実績は独立して確立されていない初期段階のプラットフォームでもある。
OpenAI Jalapeño推論チップが今重要な理由
OpenAIは、電力供給の制約がさらに厳しくなる前に、推論効率を戦略的優位性へ変えようとしている。
Ho氏は、プロセッサ開発の主な理由として効率性を挙げた。OpenAIは、データセンターが無制限の電力を確保できないことなどから、計算能力が引き続き制約されると見込んでいる。
この制約は、AI企業による進捗の測定方法を変える。より多くのアクセラレータを購入することは依然として重要だが、各アクセラレータは消費する1ワット当たり、より多くの有用なモデル出力を生み出さなければならない。
推論需要は製品利用の増加とともに拡大する。ChatGPTの応答、APIリクエスト、コーディングセッション、エージェント型タスクのすべてが、基盤モデルの学習後に計算リソースを消費する。
より長い推論プロセスは、この需要を強める。複数の経路を評価し、ツールを呼び出し、回答を修正するモデルは、短いテキスト応答よりはるかに多くの推論計算を消費しうる。
OpenAIは、ChatGPT、Codex、API、そして新たなエージェント製品全体でこれらのワークロードを観測できる。その上で、最も頻繁に生じる演算を中心にハードウェアを設計できる。
これは、従来型のチップサプライヤーにはないフィードバックループを生む。製品活動が提供ソフトウェアに情報を与え、提供時の挙動がハードウェアに情報を与え、新しいハードウェアがどの製品体験を経済的に実現可能にするかを変える。
OpenAI Jalapeño推論チップは、そのループを物理インフラへと変える。その価値は、広くプログラム可能なハードウェアを購入する企業よりも、OpenAIが各レイヤーを効果的に連携させられるかにかかっている。
Nvidiaはこのモデルから圧力を受けるが、それはOpenAIが突如として同社製品を手放せるからではない。Nvidiaは、学習と推論の両方でアクセラレータ、ネットワーク、ソフトウェアライブラリ、成熟した開発ツールを提供している。
OpenAIの初のカスタムチップが扱うのは、そのスタックの一部にすぎない。同社の総需要は一つの社内プログラムで供給できる量を上回るため、Nvidia、AMD、Cerebrasなどのサプライヤーを引き続き必要としている。
Ho氏はJalapeñoを、多様化されたコンピューティング戦略の一要素と説明した。チップを即時のNvidia代替品として扱うよりも、この位置付けの方が説得力を持つ。
圧力は長期的なものだ。OpenAIが反復的な推論処理の有意な割合をカスタムシリコンへ移行できれば、コスト、供給可能性、製品レイテンシーをより強く制御できる。
GoogleはTensor Processing Unitで歴史的なモデルを築いた。Google初のTPUは、予測される需要によって従来型プロセッサだけに依存する限界が明らかになった後、社内の機械学習ワークロード向けに開発された。
公開されたTPU性能研究は、ワークロード特化型の設計が推論において当時の汎用代替手段を上回り得ることを示した。Googleは後にTPUファミリーを複数世代にわたって拡大した。
AmazonはInferentiaとTrainiumで追随し、Microsoftはクラウドインフラ向けにMaiaアクセラレータを開発した。Metaも社内推論プロセッサを追求している。
これらの企業には共通する動機がある。大規模かつ予測可能なワークロードは、効率向上の効果が膨大な台数に及ぶため、カスタムハードウェアを正当化できる。
OpenAIには重要な違いがある。同社は、数十年に及ぶ社内チップ開発を背景に持つ幅広いパブリッククラウドを運営しているわけではない。その優位性は、モデル研究、製品需要、そしてフロンティアモデルの挙動を非常に詳細に把握できる点にある。
Broadcomは産業面の隔たりを埋める助けとなる。同社はカスタム設計を製造可能なチップに仕上げ、データセンター規模で接続するために必要なネットワークを構築してきた経験を持つ。
そのためJalapeñoは、二つの定着した前提に圧力をかける。一つは、フロンティア研究所は市販アクセラレータに依存すべきだという考えだ。もう一つは、成熟したハイパースケーラーだけが本格的なカスタムシリコンプログラムを維持できるという考えである。
展開が成功すれば、両方の前提は弱まるだろう。期待を下回る展開となれば、理論上のオーバーヘッドがより大きくても汎用プラットフォームが価値を維持する理由を示すことになる。
OpenAIの社内モデルが設計スケジュールを変えた
Jalapeñoに関する最も重大な主張は、完成したプロセッサの速度だけでなく、OpenAIがそれをどれほど迅速に構築したかにある。
OpenAIによると、このプロジェクトは初期のレジスタ転送レベル設計からテープアウトまで9カ月で進んだ。レジスタ転送レベル（RTL）とは、チップ内部でデータがどのように移動し、ロジックがどのように動作するかを記述するハードウェア表現である。
テープアウトは、完成した設計を製造に送る段階を指す。その後に発見されたエラーは高価な改訂を必要としうるため、速度だけで成功は決まらない。
従来の高性能ASICプログラムは、多くの場合これよりはるかに長い期間を要する。Ho氏はTom’s Hardwareに対し、チームが既存の知的財産を再利用する場合でも、従来の基準ではおよそ18カ月から2年だったと語った。
OpenAIは、継承した社内アクセラレータアーキテクチャなしで開発を始めた。Ho氏は、AIシステムとともに働く経験豊富なエンジニアによって可能になった新たな基準として、この9カ月というスケジュールを位置付けた。
同社はプロセス全体で社内モデルを使用した。Ho氏は特に、Codexと連続する社内モデル世代を重要なエンジニアリングツールとして挙げた。
これらのシステムは、コード生成、デバッグ、設計探索、検証作業、カーネル最適化を支援した。カーネルとは、アクセラレータ上で反復的な演算を実行する特化型ソフトウェアルーチンである。
OpenAIのエンジニアは、既存の電子設計自動化ツールも使用した。EDAソフトウェアは、チップレイアウト、タイミング解析、検証、電力解析など、半導体開発のさまざまな段階を支援する。
重要なのはその組み合わせだ。AIシステムは従来のエンジニアリング分野における作業を加速し、経験豊富なエンジニアがプロセスを指揮して結果をレビューした。
OpenAIは、言語モデルにチップを独立して設計させたわけではない。Ho氏は、人間のエンジニアを排除したことではなく、少人数で高度な技能を持つチームの生産性を明確に強調した。
同氏の詳細な設計インタビューは、効率性をこのプログラムの主要目標として説明している。また、ワークロードに関する知識がエンジニアリング上の判断をどのように形作ったかも示している。
AI支援によるチップ設計自体は新しいものではない。Cadence、Synopsys、Google、そして学術チームは長年にわたり、配置、最適化、検証、その他の設計課題に機械学習を応用してきた。
ここで変わるのは、ワークフローの広がりと、それが実稼働するフロンティアモデル製品と結び付いている点だ。OpenAIは、モデルが生み出すワークロード向けのハードウェアを設計する一方で、自社モデルも活用した。
これにより、再帰的な開発パターンが生まれる。より優れたモデルはエンジニアによるハードウェア設計を支援し、より優れたハードウェアは同社が将来のモデルをより効率的に提供することを可能にする。
OpenAIによれば、プロジェクト期間中にモデルは大幅に進化した。プログラム開始時に使用したツールは、後にカーネル最適化に用いたツールほど高性能ではなかった。
急速に進化するエンジニアリング支援ツールは、プロジェクト計画を変え得る。アーキテクチャの検討段階では時間やコストがかかりすぎた作業も、同じチップが量産に到達する前に実用的になる可能性がある。
ただし、9カ月という数字は慎重に解釈する必要がある。これは量産プラットフォームの構築・展開に必要なすべての活動ではなく、開発の特定部分を示すものだ。
OpenAIは意図的なアーキテクチャ上のトレードオフも行った。第1世代では、3Dスタッキングやco-packaged opticsを含む一部の新興技術を採用せず、統合リスクを抑えた。
この選択はスケジュールの確実性を高める一方で、そのスケジュールが何を証明するかには限界を設ける。より積極的な設計では、追加の検証、パッケージング作業、製造調整が必要になる可能性がある。
プロジェクトではテープアウト前に標準的なサインオフ手順が引き続き実施された。製造はもっともらしいモデル出力に依存できないため、タイミング、信号品質、その他の物理的チェックは不可欠だった。
エンジニアリングチームにとって、信頼できる教訓は自律的なチップ設計よりも限定的だ。専門家がAIを検証済みのツール、明確な仕様、再現可能なテストに結び付ければ、AIは反復サイクルを圧縮できる。
このパターンは半導体以外にも当てはまる。設計判断、テスト結果、モデル出力を検索可能なエンジニアリング知識ベースに保存するチームは、AI支援による作業をより確実にレビューできる。
Jalapeñoは、製造によって誤りが表面化するため、非常に具体的な試金石となる。ソフトウェアは頻繁にパッチ適用できるが、シリコンの誤りはより長いスケジュールと大きな運用上の影響を伴う。
真の競争相手は汎用性である
Jalapeñoは、OpenAIが特によく理解していると考えるワークロードにおいて、効率性のために一部の汎用的な柔軟性を犠牲にしている。
Nvidiaの優位性は、部分的にはその対応範囲の広さに由来する。同社のアクセラレータは、多様なモデル、科学計算ワークロード、学習手法、推論システム、顧客環境をサポートする。
CUDAと周辺のソフトウェアエコシステムも、導入時の障壁を下げている。開発者は、Nvidia製品の世代をまたいでツール、ライブラリ、運用経験を再利用できる。
OpenAIは対象を絞り込める。どのカーネルが自社の提供システムを支配しているか、リクエストをどのようにバッチ処理するか、メモリ帯域幅がどこで制約になるか、どのレイテンシ水準が製品に影響するかを把握している。
こうした知識により、OpenAIの展開にとって価値の低いハードウェア機能を省ける。また、言語モデル推論で繰り返し現れる処理に、より多くのシリコンを割り当てることも可能だ。
結果としての比較は、単純にOpenAI対Nvidiaではない。専門特化と、汎用プラットフォームがもたらす保険との対比である。
専門特化が最も機能するのは、設計上の前提が維持されるほどワークロードが安定している場合だ。フロンティアAIでは、モデルアーキテクチャ、データ形式、メモリ要件、提供手法が急速に変化するため、不確実性が生じる。
OpenAIは、DeepSeekおよびMoonshotモデルとの取り組みを挙げ、Jalapeñoが自社モデル以外もサポートするとしている。これらの実証は、Jalapeñoが単一の独自アーキテクチャにしか役立たないという懸念に対応するものだ。
ただし、それで長期的な問いが解決するわけではない。現在のtransformerワークロードを中心に設計されたプロセッサは、その展開期間を通じて推論手法が進化しても有用であり続けなければならない。
Nvidiaは、新しいアクセラレータ、低精度フォーマット、専用推論コンポーネント、ネットワーキングの改善、最適化ソフトウェアで対応できる。その規模により、開発コストを多くの顧客に分散することも可能だ。
カスタムシリコンは、あらゆる面でNvidiaを打ち負かす必要はない。OpenAIに必要なのは、予測可能な社内需要の大きな割合に対して十分な性能を示すことだけだ。
この違いが、同社がNvidiaを評価しながら代替手段を構築できる理由を説明する。両方のアプローチは、同じインフラポートフォリオ内で共存し得る。
OpenAIは、初期のJalapeñoシステムのホストCPUとしてAMD EPYC Turinプロセッサも使用している。Hoは、プラットフォームが成熟しており、パートナーに関連する経験があったことから、この選定を実用的な判断だと説明した。
この決定は、プログラムのリスク管理を示している。OpenAIはアクセラレータで野心的な目標を追求する一方、新規性の戦略的価値が低い領域では確立済みのコンポーネントを選んだ。
Nvidiaの新しいVera CPUは、当時スタンドアロンのホスト選択肢としては成熟度が低いと報じられている。これはAMDの恒久的な優位性を示すものではないが、展開スケジュールがコンポーネント選定をどう左右するかを示している。
より広い競争領域には、Google、Amazon、Microsoft、Meta、自社設計を検討するAIラボが含まれる。各社は、どのワークロードが社内プロセッサを正当化するかを判断しなければならない。
Anthropicがハードウェア組織の構築に関心を示しているとの報道も、もう一つの兆候を加える。複数のフロンティアラボがチップを開発するなら、推論インフラの制御はモデル競争の一部となる。
Broadcomは、顧客のアーキテクチャを所有せずに実装、ネットワーキング、製造の専門知識を提供できるため、この変化の恩恵を受ける。その役割により、従来型のチップ部門を持たない企業にもカスタムシリコンが利用しやすくなる。
Nvidiaは依然として最も強い汎用ポジションを維持している。それでも、社内アクセラレータが成功するたびに、反復的なワークロードの一部は商用GPU市場から外れる可能性がある。
OpenAIのJalapeño推論チップが重要なのは、推論が副次的なワークロードではないからだ。顧客がAI製品を使うたびに、継続的なコストが生じる。
学習は一定の間隔でモデルを生み出す。推論は、そのモデルを毎日サービスへと変える。十分な規模では、わずかな効率改善であっても、容量計画や製品設計に影響し得る。
ベンチマークには依然として本番環境での検証が必要
OpenAIは動作するシリコンと詳細なシステムを示したが、最も強い効率性の主張には、なお独立した継続的な本番環境の証拠が必要だ。
同社は、Nvidia GB200 NVL72およびGB300 NVL72システムとの比較で、良好なスループットとレイテンシの結果を報告した。これらの比較では、選定したモデルとSemiAnalysis InferenceXの方法論が用いられた。
ベンチマーク結果は、モデルの選択、数値精度、バッチサイズ、レイテンシ目標、ソフトウェアの成熟度、システム構成に左右される。ある設定での優位性が、別の設定での優位性を保証するわけではない。
OpenAIは、評価対象となるアクセラレータとソフトウェアの大部分をともに管理している。この統合は実際の利点を生み出し得るが、その分、透明性の高いテストが特に重要になる。
同社は、最終的な測定がまだ進行中だとしている。また、最初の発表後に、より詳細な技術的パフォーマンス報告を公表すると約束した。
本番展開では、実験室での測定では完全に捉えられない要因が明らかになる。稼働率、製造ばらつき、ネットワーク混雑、ソフトウェアの欠陥、修理手順、変動する需要における利用率などが含まれる。
最初のシリコンリビジョンにも改善が必要だった。AI支援ワークフローに関する報道によれば、B0ステッピングはA0に比べてワット当たり性能を最大25％改善した。
ステッピングとは、チップ設計の改訂版を指す。このような改訂は通常のことだが、大幅な改善は初期バージョンで何が見落とされたのかという疑問を生む。
これは、短縮されたスケジュールの有効性を否定するものではない。ただし、迅速なテープアウトと最適化された量産デバイスは異なるマイルストーンであることを示している。
9カ月という開発期間の主張も、今後のすべてのチップが同じスケジュールに従うことを意味しない。Hoは、その後のプロジェクトは技術の成熟度と各アップグレードの価値に左右されると述べた。
OpenAIは、わずかな改善のために導入済みフリートを置き換えたいわけではない。新しいメモリ、パッケージング、光学技術も、モデル支援エンジニアリングでは取り除けないスケジュール上の制約をもたらし得る。
製造能力も別の不確実性をもたらす。競争力のあるプロセッサを設計することは、信頼性の高いシステムを数千台供給する作業の一部にすぎない。
Broadcomと他のパートナーは、ファブリケーション、パッケージング、ボード、ネットワーキング、ラック、ファームウェア、展開を調整しなければならない。どの層のボトルネックも、最終的なコンピューティング能力を制限し得る。
ソフトウェア互換性も同様に重要だ。カスタムアクセラレータが成功するのは、モデルを長期の最適化プロジェクトなしに移行でき、出力に許容できない変化が生じない場合である。
OpenAIによる外部モデルの利用は、有望なデータポイントを提供している。それでも独立系開発者には、サポートされる処理、コンパイラの挙動、デバッグ、ワークロードの移植性に関するより明確な証拠が必要だ。
このチップは現在、社内利用を目的としている。Hoはより広範な提供の可能性を残しているが、OpenAIは自社需要が予見可能な供給分を吸収するとしている。
これは独立したアクセスを制限する。ハードウェアがパブリッククラウドや商用製品として提供されていないため、外部の研究者や顧客は主張を容易に再現できない。
業界の評価は、学習における制約も浮き彫りにしている。OpenAIは、フロンティアモデルの作成に使われる大規模なコンピューティングシステムについて、依然として外部サプライヤーに依存している。
Jalapeñoは、学習を解決しなくても推論の経済性を変えられる。読者は、一つのワークロードの制御をAIインフラスタック全体の制御と見なさないよう注意すべきだ。
慎重な結論は明快だ。OpenAIは異例に短いスケジュールで実在するハードウェアを生み出したが、Jalapeñoが戦略的に重要になるかどうかは本番でのシェアが決める。
JalapeñoがAIインフラを変えるかを示す3つのシグナル
展開規模、独立した性能の証拠、次世代シリコンが、Jalapeñoが持続的なプラットフォームとなるかを決定する。
最初のシグナルは、OpenAIの推論のうちどれだけがJalapeñoシステムへ移行するかだ。OpenAIは2026年中の限定的な展開に続き、2027年にはより広い容量を見込んでいた。
導入済みチップ数だけでは十分ではない。重要な指標は、有用なワークロード量、フリート利用率、信頼性、提供されるモデルの範囲である。
実際のリクエストに占める比率が増えれば、OpenAIの専門特化戦略を裏付ける。選定モデルに限定された狭い展開にとどまれば、汎用アクセラレータが同社の予想より多くの柔軟性を維持していることを示唆する。
2つ目のシグナルは、再現可能な比較を含む詳細な技術報告だ。読者は、モデル、精度、バッチサイズ、システム構成をまたいで一貫したレイテンシと効率性の結果を確認すべきである。
独立したアクセスが得られれば、この証拠はさらに強化される。研究者やクラウド顧客がハードウェアをテストできれば、OpenAIが報告する優位性をワークロード固有の最適化から分離しやすくなる。
3つ目のシグナルは、複数世代にわたるロードマップの実行だ。OpenAIによれば、第2世代アクセラレータは開発が大きく進んでおり、第3世代の計画も始まっている。
第2のチップが適時に登場すれば、9カ月のプログラムが再利用可能なエンジニアリング手法、ソフトウェア、組織的知識を生み出したことを示す。遅延や小幅な改善にとどまれば、新たな基準という主張は弱まる。
次の設計では、OpenAIがどの程度の技術的リスクを受け入れるかも明らかになる。高度なパッケージングや光接続を追加すれば、AI支援ワークフローがより複雑な統合に対応できるかが試される。
Nvidiaの対応は、これら3つすべてのシグナルに関わる。より高速な推論製品、改善されたソフトウェア、あるいは導入面でより有利な経済性があれば、OpenAIが大規模展開に到達する前にカスタムシリコンの優位性を縮められる可能性がある。
Broadcomがこのプラットフォームを産業化する能力も、同じくらい重要だ。OpenAIに必要なのは、期待できるベンチマーク結果を持つ単体プロセッサではなく、信頼できる供給と完全なシステムである。
開発者や企業の購買担当者にとって、Jalapeñoはただちにプラットフォーム選択を迫るものではない。その影響はまず、応答時間、サービス容量、モデルの利用可能性、APIの経済性を通じて現れるだろう。
より大きな教訓は、AIにおける優位性の源泉に関するものだ。モデルの品質は依然として中心的だが、それらのモデルをどれほど頻繁に、そして手頃なコストで動かせるかは、インフラの意思決定によってますます左右されている。
OpenAI Jalapeño推論チップは、モデルを生み出す研究現場の内部に、その競争を持ち込む。また、将来のハードウェアを設計するエンジニアリングを加速するために、それらのモデル自体も活用する。
OpenAIが発表する内容だけでなく、実際に何を展開するかを注視すべきだ。Jalapeñoが本番推論の大きな割合を担い、信頼できる効率性の結果を公表し、世代を重ねて進化するなら、カスタムシリコンは競争力の中核レイヤーとなる。これらのシグナルが限定的なままであれば、Nvidiaの柔軟なプラットフォームは引き続きその中心的役割を正当化するだろう。
