OpenAI设计并制造了首款AI芯片Jalapeño

OpenAI 于 2026 年 6 月 24 日宣布其首款自研 AI 芯片 Jalapeño，这是一款为大型语言模型推理工作负载设计的专用集成电路（ASIC）。芯片由 OpenAI 从零设计，Broadcom 负责硅实现与网络技术（包括 Tomahawk 网络），Celestica 参与板级集成。Jalapeño 将直接服务于 ChatGPT、Codex 及未来 agent 产品的实时推理，旨在降低每查询成本并减少对外部芯片供应商的依赖。

推理是 AI 产品日常交互的核心环节，其成本随用户量增长而急剧攀升。OpenAI 总裁 Greg Brockman 强调，自研芯片是“全栈策略”的一部分，通过控制更多基础设施层实现系统级优化。此举也反映了行业趋势：Google、Amazon、Microsoft 均已布局自研芯片，而 OpenAI 通过 Jalapeño 正式加入这一俱乐部。

Jalapeño 最引人注目的特点是其极短的开发周期：从设计到制造 tape-out 仅耗时 9 个月。OpenAI 认为这可能是记录中最快的先进芯片开发流程之一，其中部分设计工作由 OpenAI 自研的 AI 模型加速完成，实现了“用 AI 设计 AI 硬件”的闭环。Broadcom 提供了关键的硅实现支持，而 Celestica 负责板级系统集成。这种速度得益于紧密的合作伙伴关系和内部对模型行为的深刻理解——芯片设计围绕 OpenAI 的模型内核、内存移动与服务系统进行了专门优化。

然而，9 个月的高效也引发了对设计深度的疑问。独立分析师指出，快速流片可能意味着更少的设计迭代和验证环节，量产后的实际稳定性有待观察。OpenAI 尚未提供关于芯片架构细节或设计方法的完整技术报告。

OpenAI 声称，早期内部测试显示 Jalapeño 在性能每瓦指标上显著优于当前最先进芯片，这主要归功于对数据移动的优化和计算/内存/网络三者的平衡。但公司未发布正式基准，也未提供任何具体数字。行业观察者指出，此类声称需要独立第三方验证，尤其是考虑到 ASIC 在特定工作负载下的优越性可能无法在更广泛的场景中保持。

此外，Jalapeño 仅处理推理，训练仍然依赖 Nvidia GPU。这意味着 OpenAI 在训练环节的硬件自主性为零，与 Nvidia 的依赖关系短期内无法解除。长期看，如果 AI 模型架构发生根本性变化（如 Transformer 被其他架构取代），Jalapeño 的专用设计可能迅速贬值——这是 ASIC 的固有风险。

Jalapeño 的发布标志着 AI 硬件市场进一步碎片化。Google 的 TPU、Amazon 的 Trainium/Inferentia、Microsoft 的 Maia 等均已部署多年。Broadcom 作为幕后赢家，已为多家客户提供定制芯片设计服务。对于 OpenAI 而言，自研芯片不仅能降低运营成本——Broadcom CEO Hock Tan 提到“小批量原型”将于 2026 年底开始交付——还能在与 Nvidia 的定价谈判中增加筹码。

然而，Jalapeño 的规模效应需要时间。量产计划显示，大规模部署要到 2028 年上半年才能“全速”进行。与此同时，OpenAI 提出了到 2029 年实现 10 GW 计算能力的雄心，目前大部分计算仍依赖 Nvidia。自研芯片无法在短期内改变这一格局，但为未来提供了战略缓冲。

尽管早期指标乐观，Jalapeño 面临多重不确定性。首先是技术风险：AI 推理工作负载变化迅速，2019 年认为最佳的架构可能因模型规模的爆发或新算法的出现而失效。ASIC 的专用性意味着一旦设计固定，修改代价极高。其次是量产风险：从 2026 年底的原型到 2028 年的全速生产，中间存在两年的爬坡期，期间产能、良率、供应链任何环节出问题都可能延迟计划。

经济层面，Jalapeño 的收益取决于是否真正降低推理总拥有成本。OpenAI 未透露芯片成本或对比 Nvidia 的 TCO 数据。若芯片效率提升不能抵消大规模部署的固定成本，其战略价值将大打折扣。市场将关注 OpenAI 后续是否发布白皮书或第三方评测来验证性能。最后，地缘政治风险也不可忽视：半导体出口管制可能影响 Broadcom 的制造节点或供应链，尤其是针对高端芯片。