Ang pagkakadikit ni Nvidia sa AI computing ay matagal nang nakabatay sa dalawang pundasyon: ang kanyang hardware at software. Ang mga GPU ang nakakatanggap ng lahat ng atensyon, ngunit ang totoong pagkakadikit ay galing sa CUDA, ang propiyetaryong platform sa pagprograma na sa palibot ng milyon-milyon na developer ay nagbuo ng kanilang mga workflow. Ang OpenAI ay ngayon ay direktang tumutugis sa pangalawang pundasyon.
Hinahanda ng kumpanya ang paglalabas ng isang kasangkapan na naglalayong pahintulutan ang mga AI model na mag-run sa non-Nvidia hardware, gamit ang kanilang open-source na Triton language bilang isang makabuluhang alternatibo sa CUDA.
Ang tahimik na pag-unlad ng Triton
Hindi bagong Triton. Unang inilabas ng OpenAI ito noong Hulyo 2021 bilang isang open-source na wika para sa pagsusulat ng high-performance GPU kernels sa Python. Ang pangako ay simpleng-plain. Ang CUDA ay makapangyarihan ngunit kilalang kumplikado. Layunin ng Triton na magbigay ng katumbas na performance gamit ang code na mas madaling maunawaan ng karaniwang developer.
Mula noon, patuloy na nagkakaroon ng suporta ang proyekto. Kasalukuyan itong ginagamit bilang backend para sa mga sikat na framework tulad ng PyTorch. Ang pinakabagong bersyon, Triton 3.7, ay ipinakilala noong 2026, na nagpapakita na hindi ito pinapahalagahan ng OpenAI bilang isang side project.
Ang hardware diversification play
Hindi nagaganap sa isang vacuum ang pagpapalawak ng software ng OpenAI. Aktibong tinataya ng kumpanya ang mga alternatibo sa mga chip ni Nvidia mula noong 2025, na hinikayat ng bahagya ang pagkabigo sa ilang mga inference chip ni Nvidia. Ang inference ay ang proseso ng pagpapatakbo ng isang naitraining na AI model, kung saan hindi ito ang pagtraint sa una.
Ipinahayag ng kumpanya ang isang pagkakasundo sa AMD na kasama ang isang malaking 6GW ng compute capacity na nagpapagana sa AMD. Ipinaliwanag ng OpenAI na ito ay karagdagan sa kanilang umiiral na mga ugnayan sa Nvidia, hindi isang pagpapalit.
Bukod sa AMD, nasa mga usapin si OpenAI sa mga startup tulad ng Cerebras at Groq, na parehong disenyo ang kanilang espesyalisadong chip na optimal para sa mga inference workload. At inaangkin ng kumpanya ang custom AI inference chips kasama ang Broadcom, na may mga plano sa produksyon para sa 2026.
Ano ang ibig sabihin nito para sa mga investor
Ang CUDA ecosystem ni Nvidia ay may mga milyon-milyon na developer, taon-taon na institusyonal na kaalaman, at malalim na integrasyon sa halos lahat ng pangunahing AI framework.
Ang AMD ay patuloy na pinapabuti ang kanyang ROCm platform upang mapabuti ang compatibility sa AI workloads. Lumabas ang mga open project tulad ng ZLUDA upang i-translate ang CUDA code para matakbo sa non-Nvidia hardware. At ngayon, ang pinakamalaking konsyumer ng AI compute sa buong mundo ay aktibong nagbuo ng mga tool upang gawing mas maliit ang kahalagahan ng software advantage ni Nvidia.
Para sa AMD at ang mas malawak na alternatibong chip ecosystem, ang mga hakbang ni OpenAI ay nagtataglay ng potensyal na inflection point. Ang pinakamalaking hadlang sa paggamit ng non-Nvidia hardware ay laging ang software compatibility. Kung matatagpuan ng Triton ang isang totoong cross-platform standard, ito ay aalisin ang pinakamalaking pag-aalala na mayroon ang mga AI developer kapag isinasaalang-alang ang AMD o custom silicon.