突发！OpenAI发布首款自研AI芯片，代号墨西哥辣椒Jalapeno

2026 年 6 月 24 日，OpenAI 和 Broadcom 联合宣布了一件事——他们造出了一块芯片，叫 Jalape?o。

九个月极速“造芯”

从设计到完成制造流片（tape-out），Jalape?o 用了九个月。芯片设计行业有个默认共识，从架构设计到流片，通常需要两到三年，复杂芯片甚至更长。九个月能完成流片，不代表芯片已经完善，但代表整个开发节奏被大幅压缩了。OpenAI 官方博客透露，这个速度的实现，部分原因是他们用自家的模型辅助了芯片设计过程。

这不是第一次有人尝试用 AI 加速 EDA（电子设计自动化）工作流，谷歌此前也在 AlphaChip 项目上做过类似探索。但 OpenAI 把这件事作为正式发布的一部分拿出来说，意思很明确：这既是一块推理芯片的发布，也是一次「AI 设计 AI 基础设施」的自我证明。性能方面，两家公司给出的表述是「单位功耗性能，明显优于当前最先进硬件」。

Broadcom CEO Hock Tan 在采访中的说法更具体一些，与典型 AI GPU 相比，成本可降低约 50%。OpenAI 总裁 Greg Brockman 在 X 上的评价是「功耗性能看起来不可思议」。这些数字目前都没有配套的第三方基准测试，没有说明与哪款芯片对比，也没有说明在什么任务和条件下测出来的。Tom's Hardware 的评论直接点出了这一点。保留意见是合理的，但数字本身已经在市场上投下了一颗石子。

OpenAI为什么先做推理芯片

Jalape?o首先服务于推理，而不是模型训练。这与当前AI产业的变化有关。模型训练通常集中发生在特定周期，需要巨大的GPU集群和较强的通用计算能力。推理则发生在产品投入使用之后：每一次聊天、搜索、代码生成和智能体任务，都会不断产生新的计算请求。当AI产品用户数量增加，推理成本会持续发生，并直接影响产品能否规模化。尤其是在智能体场景中，一次用户请求可能不再只对应一次模型回答。智能体需要规划任务、调用工具、读取结果、检查错误并继续行动，一次任务可能触发数十次甚至更多模型调用。这使得推理效率逐渐从后台技术指标，变成AI公司的核心经营指标。

如果芯片能够减少数据在计算单元和内存之间的反复搬运，提高硬件的实际利用率，那么同样规模的数据中心就可以处理更多请求。对于OpenAI而言，这类改善最终可能表现为：更低的API单位成本、更快的模型响应、更稳定的高峰期服务，以及更复杂的智能体产品。

OpenAI为什么强调“全栈”

OpenAI目前没有公布Jalape?o的完整算力、内存容量和成本数据，只表示早期测试显示，它的每瓦性能将显著优于当前先进水平，详细技术报告将在未来数月发布。因此，现在还无法仅凭发布会信息判断，它是否真的能够全面超越英伟达Blackwell或Google TPU。但官方已经透露了Jalape?o的主要设计方向：减少数据移动，并在计算、内存和网络之间取得更合理的平衡。

这揭示了AI芯片竞争中经常被忽视的一点。一颗芯片拥有很高的理论算力，不等于这些算力能够被模型充分使用。模型运行过程中，大量时间和能耗可能花在读取内存、传输数据以及等待其他设备上。如果计算单元速度很快，但内存供给不足，或者芯片之间的网络通信跟不上，实际性能仍会受到限制。所以，Jalape?o并不是单独追求某一个更大的性能数字，而是试图同时优化芯片、内存、网络、机架和推理软件。

OpenAI不只做前沿模型，也不只在上层构建产品。它同时设计底层基础设施：芯片架构、内核、内存系统、网络、调度、部署系统，直到产品体验。由于掌控整个技术栈，每一层都可以瞄准同一个目标来优化——让模型更快、更可靠、更经济。OpenAI把自研芯片看作一个增长引擎。基础设施效率越高，算力就越强，训练出的模型也越强。反过来，模型越强，产品体验越好，用户和收入就越多。赚到的钱再投入下一代芯片和基础设施，形成一个不断加速的循环。

OpenAI方面还表示，Jalape?o的设计具有灵活性，可以适配所有大语言模型。它的目标，是在算力和吞吐量上与当前领先的AI加速器看齐，同时具备接近最快专用推理系统的低延迟水平，以满足大规模交互式大语言模型产品的需求。

在OpenAI看来，这项工作直接决定了AI如何触达用户。推理成本降低，速度变快，可靠性提升。每一点改进，用户都能直观感受到。比如，ChatGPT回复更快，Codex任务等待更短，API产品成本更低。哪怕在需求高峰期，访问体验也会更稳定。

*免责声明：本文消息源自网络，由华强微电子整理，消息未经官方证实，仅供交流学习之用。

关注电子行业精彩资讯，关注华强资讯官方微信，精华内容抢鲜读

关注方法：添加好友→搜索“华强微电子”→关注

或微信“扫一扫”二维码