El acelerador Jalapeño, desarrollado junto a Broadcom, utilizó modelos de inteligencia artificial para explorar alternativas, escribir y revisar diseño lógico, optimizar circuitos y acelerar verificaciones. Desde el primer código RTL hasta el tape-out transcurrieron apenas nueve meses.
OpenAI logró llevar su primer acelerador propio de inteligencia artificial, denominado Jalapeño, desde el concepto inicial de arquitectura hasta disponer del primer silicio en menos de 20 meses, utilizando sus propios modelos de IA como herramientas durante distintas etapas del proceso de ingeniería. El caso abre una nueva dimensión para la inteligencia artificial industrial: no solo ejecutar tareas sobre hardware existente, sino ayudar a diseñar físicamente la siguiente generación de equipos que luego ejecutará esos mismos modelos.
El desarrollo se realizó junto a Broadcom, que tuvo un papel central en la implementación física y fabricación del semiconductor. OpenAI concentró buena parte de su trabajo en arquitectura, diseño de sistemas, memoria, redes, software y lógica del acelerador.
La velocidad del proyecto fue especialmente elevada en una de sus fases críticas. Entre la primera versión del código RTL —la descripción digital que define cómo funciona la lógica del chip— y el tape-out, momento en que el diseño queda cerrado y preparado para fabricación, transcurrieron aproximadamente nueve meses.
El primer concepto arquitectónico y la llegada del silicio físico requirieron menos de 20 meses en total.
La IA no diseñó el chip por sí sola
El resultado no implica que OpenAI haya entregado a un modelo una instrucción para crear automáticamente un procesador completo.
Los ingenieros siguieron siendo responsables de la arquitectura, las decisiones técnicas y la validación final. La diferencia estuvo en utilizar modelos de IA para reducir los ciclos de prueba y error, analizar alternativas y ejecutar tareas que tradicionalmente consumen grandes cantidades de tiempo de ingeniería.
Los modelos ayudaron a explorar distintas implementaciones, acelerar procesos de diseño y verificación y evaluar continuamente cómo las decisiones de hardware afectarían las cargas reales de inteligencia artificial.
También participaron en la optimización de circuitos aritméticos, buscando incorporar mayor capacidad de cálculo dentro de las restricciones físicas disponibles.
Richard Ho, vicepresidente de hardware de OpenAI, explicó que el equipo dedicado a Jalapeño mantuvo en promedio menos de 100 integrantes durante el proyecto, sin considerar al personal de Broadcom.
La cifra resulta relevante porque un procesador avanzado requiere normalmente equipos especializados en arquitectura, lógica digital, verificación, diseño físico, memoria, software, redes, fabricación y cadena de suministro.
Qué significa pasar de RTL a tape-out en nueve meses
El diseño de un chip avanzado atraviesa varias etapas antes de llegar a una fábrica de semiconductores.
Primero se define la arquitectura: qué debe hacer el procesador, qué unidades tendrá, cómo moverá los datos y cómo se comunicará con memoria y otros chips.
Posteriormente esa arquitectura se transforma en código RTL, normalmente utilizando lenguajes de descripción de hardware como Verilog. Ese código debe ser simulado y sometido a extensas verificaciones antes de transformarse en millones o miles de millones de componentes físicos.
Después comienza una etapa denominada diseño de backend, en la que deben organizarse físicamente los elementos del chip, conectar las señales, distribuir energía, configurar relojes y comprobar que todo pueda ser fabricado.
Broadcom asumió una parte importante de esas labores de implementación física, trabajando con los ingenieros de OpenAI.
El tape-out marca el momento en que el diseño queda terminado y se entrega a la cadena de fabricación.
Reducir ese tramo a nueve meses es relevante porque un error encontrado después del tape-out puede significar fabricar silicio defectuoso y repetir partes del proceso, con costos que pueden alcanzar decenas o cientos de millones de dólares en chips de alta complejidad.
IA para encontrar soluciones que un ingeniero tardaría mucho más en probar
Una de las ventajas observadas fue la capacidad de los modelos para evaluar rápidamente grandes espacios de diseño.
En ingeniería tradicional, un especialista puede plantear una alternativa, modificar el código, ejecutar una simulación, estudiar los resultados y luego comenzar una nueva iteración.
Un sistema asistido por IA puede realizar parte de ese ciclo con mucha mayor frecuencia.
En determinadas unidades de multiplicación matricial, fundamentales para ejecutar modelos de inteligencia artificial, OpenAI reportó que optimizaciones apoyadas por IA consiguieron reducir aproximadamente 10% el área utilizada frente a una referencia ya optimizada por ingenieros.
El área física es una variable crítica. Una unidad más pequeña puede permitir incorporar más capacidad de cálculo dentro del mismo chip, reducir costos de fabricación o liberar espacio para memoria y otros componentes.
Después de recibir el silicio, la IA siguió participando.
OpenAI utilizó modelos para escribir y optimizar software que permite ejecutar diferentes arquitecturas de inteligencia artificial sobre Jalapeño. En bloques seleccionados de atención y mixture-of-experts, implementaciones generadas con apoyo de IA alcanzaron rendimientos entre 1,5 y 1,8 veces superiores a versiones previas escritas por especialistas humanos.
Esos resultados corresponden a componentes específicos y no significan que todo el modelo funcione 1,8 veces más rápido.
Un chip diseñado específicamente para inferencia
Jalapeño no está planteado principalmente como procesador para entrenar grandes modelos desde cero.
Su especialización es la inferencia, es decir, ejecutar modelos que ya han sido entrenados y generar respuestas para usuarios, aplicaciones y agentes.
El procesador integra hasta 13,4 petaflops de capacidad de cálculo en operaciones de 4 bits y utiliza 232 GB de memoria HBM4, con un ancho de banda de aproximadamente 15,4 terabytes por segundo.
OpenAI afirma que sus pruebas muestran mejoras tanto en rendimiento por unidad de energía como en latencia frente a sistemas comerciales utilizados como comparación.
La compañía ha probado Jalapeño con modelos propios y externos, incluidos GPT-OSS 120B, DeepSeek R1 y Kimi K2.5.
Los resultados son mediciones reportadas por OpenAI y deberán comprobarse a mayor escala cuando el hardware se despliegue ampliamente en centros de datos.
El impacto va más allá de los semiconductores
El aspecto más relevante para sectores industriales no necesariamente es el procesador en sí, sino el método utilizado para desarrollarlo.
Diseñar maquinaria minera, convertidores eléctricos, sistemas de control, sensores, electrónica de potencia o equipos autónomos implica procesos similares: definir requisitos, crear modelos, simular escenarios, verificar comportamiento y evaluar múltiples alternativas antes de construir un prototipo.
Si los agentes de IA consiguen intervenir de manera confiable en esas etapas, podrían disminuir considerablemente los tiempos requeridos para pasar desde una idea hasta un diseño verificable.
En minería, por ejemplo, el mismo enfoque podría utilizarse para optimizar componentes de equipos eléctricos, sistemas de automatización, controladores para plantas concentradoras, electrónica embarcada en camiones autónomos o dispositivos destinados a trabajar en condiciones extremas.
Eso no significa eliminar la ingeniería humana.
Los modelos todavía pueden cometer errores y una decisión incorrecta sobre hardware industrial puede tener consecuencias físicas, económicas o de seguridad muy superiores a las de un error de software. La validación, certificación y responsabilidad final continúan en manos de especialistas.
Del diseño asistido al ciclo de ingeniería autónomo
Jalapeño muestra, sin embargo, hacia dónde podría avanzar la ingeniería.
Hasta ahora, buena parte de la adopción empresarial de IA se ha concentrado en generar textos, analizar información, escribir software o automatizar procesos administrativos.
El desarrollo de este chip muestra una aplicación diferente: utilizar IA dentro del ciclo de creación de activos físicos de alta complejidad.
OpenAI incluso diseñó la arquitectura de Jalapeño para que futuros modelos puedan programarla con mayor facilidad. Los ingenieros establecen estructuras claras de comunicación, sincronización y distribución de datos, mientras los modelos pueden buscar posteriormente la manera más eficiente de asignar y coordinar las cargas de trabajo.
Ese circuito crea una dinámica particular: modelos de IA ayudan a diseñar chips más rápidos, y esos chips permiten ejecutar modelos más avanzados que posteriormente pueden ayudar a diseñar una nueva generación de hardware.
La prueba realizada con Jalapeño todavía corresponde a un sector altamente especializado y contó con la experiencia industrial de Broadcom. Pero reducir a menos de 20 meses el trayecto desde una arquitectura inicial hasta el primer silicio muestra que la aplicación de IA a la ingeniería ya está comenzando a trasladarse desde el software hacia el diseño de máquinas y sistemas físicos.
Para minería e industria pesada, ese puede terminar siendo uno de los impactos más profundos de los agentes de inteligencia artificial: no solamente operar instalaciones existentes, sino acelerar la forma en que serán diseñados los equipos industriales de la próxima generación.
