北京
大家好，我是 Ai 学习的老章
OpenAI 终于下场做芯片了，联合 Broadcom 发布了第一款自研推理芯片 Jalapeño（墨西哥辣椒，这名字好奇怪，毫无 OpenAI 特色）
从模型到产品再到芯片，OpenAI 正式成为一家全栈 AI 公司，这意味着什么？我来给你拆一拆
OpenAI CEO Sam Altman 和 Broadcom CEO Hock Tan 展示 Jalapeño 推理芯片 这芯片到底是什么来头
Jalapeño 是 OpenAI 从零开始设计的纯推理芯片，专门为大模型推理场景优化
几个核心信息：
早期测试显示性能功耗比远超当前最先进水平 （虽然具体数字还没公布，但 OpenAI 敢这么说，底气应该不小）
从设计到流片只用了 9 个月 ——据称是高性能半导体领域有史以来最快的 ASIC 开发周期
工程样片已经在跑 GPT-5.3-Codex-Spark 的 ML 工作负载，而且达到了目标频率和功耗
Broadcom 的 Tomahawk 网络芯片 加持，支持大规模集群部署
这芯片的设计哲学很简单：减少数据搬运，平衡计算、内存和网络资源，让实际利用率尽可能接近理论峰值。听起来简单，但做到很难——目前绝大多数 GPU 跑大模型推理时，利用率连 50% 都难摸到
为什么 OpenAI 要自己做芯片
这个问题其实不难理解，我找机必替整了一下，居然已经有这么多巨头在自研芯片了。。。
大厂全在做自研芯片，核心原因就三个字：降成本
OpenAI 每天要服务 ChatGPT、Codex、API 和各种 Agent 产品，推理算力需求是天文数字，全靠 NVIDIA 的话：
价格贵（H100/B200 供不应求时溢价恐怖）
供货不稳定（排队排到天荒地老）
通用架构浪费（GPU 很多功能对纯推理来说是冗余的）
自研芯片能把这三个问题一次性解决——尤其是 OpenAI 比任何人都了解自己模型的推理特征，软硬件协同优化的空间巨大
9 个月流片，AI 设计 AI 芯片
这可能是整个发布最震撼的部分
传统高性能 ASIC 从设计到流片通常需要 18-24 个月，OpenAI 硬生生压缩到 9 个月
怎么做到的？
答案是：用自家模型加速芯片设计
这就形成了一个飞轮：
更好的模型 → 帮助设计更好的芯片
更好的芯片 → 更高效地运行更好的模型
更好的模型 → 更好的产品 → 更多收入 → 投资下一代芯片
用一张图来理解这个全栈飞轮：
OpenAI 全栈飞轮：AI 模型 × 芯片 × 产品
OpenAI 的原话是："如果 AI 能帮工程师更快地设计更好的芯片，就能降低整个行业的计算成本，让更多人用得起先进 AI"
部署计划：GW 级别
Jalapeño 不只是一个实验室产品，OpenAI 的规划相当激进：
2026 年底开始部署 第一代产品
与微软和其他合作伙伴共同建设 吉瓦级（GW）数据中心
多代产品路线图 ，持续迭代
Broadcom 负责芯片实现和网络，Celestica 负责板卡、机架和系统集成
Broadcom CEO Hock Tan 说的很直白："这是一个服务于未来十年 AI 基础设施的承诺"
对我们普通用户意味着什么
说到底，推理就是 AI 触达用户的最后一公里。每一点成本、速度、可靠性的提升，最终都会变成：
ChatGPT 回答更快
Codex 能跑更多步骤，等待更少
API 更便宜
高峰期不再动不动就限流
OpenAI 的说法是"让高级模型对所有人都可用、可靠、且负担得起"——虽然有点画饼的味道，但方向确实对的
OpenAI 做自研芯片这件事方向绝对正确，但短期内对 NVIDIA 的冲击有限。真正的看点是两三年后第二代、第三代产品成熟时，整个推理市场的格局会怎么变
OpenAI 从"模型公司"进化成"全栈 AI 基础设施公司"的野心已经非常清楚了。至于能不能做成，让我们拭目以待
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
