OpenAI亲自下场造芯，英伟达该紧张了

6月24日，OpenAI和博通（Broadcom）联合发布了一颗芯片。

名字很有意思——Jalapeño，墨西哥辣椒。辣不辣先不说，但这颗芯片的信号足够刺激：OpenAI终于有了自己的硅片。

这是一颗专门为大规模语言模型推理设计的AI加速器，是双方多代计算平台合作的第一款产品。根据《华尔街日报》披露的协议细节，两家公司将在未来四年内合作开发和部署10吉瓦的定制AI芯片和计算系统。

10吉瓦是什么概念？大约相当于10座大型核电站的输出功率。这不是在造芯片，这是在建发电厂级别的算力基础设施。

为什么是现在？

答案很简单：钱和货。

Sam Altman 早就公开抱怨过两件事：英伟达GPU短缺，以及运行这些硬件的成本"令人眼花缭乱"。

这不是客套话。OpenAI是英伟达最大的客户之一，从2020年开始就在微软建造的超级计算机上训练模型，那台机器用了10000块英伟达GPU。到了GPT-4时代，这个数字翻了好几倍。而现在，随着GPT-5系列的迭代和ChatGPT用户量的爆炸式增长，推理侧的算力消耗已经远超训练。

这里需要区分两个概念：训练和推理。

训练是教模型学会能力，一次性投入巨大算力，完成后模型权重固定。推理是让模型干活，每次用户提问都要消耗算力，量级小但频次极高。对于ChatGPT这种日活过亿的产品，推理成本才是真正的无底洞。

英伟达的GPU是通用型选手，训练推理都能干，但"都能干"往往意味着"都不是最优解"。专门为推理设计的芯片，可以在特定工作负载下实现更高的能效比——同样的电费，跑更多的请求。

Google很早就想明白了这件事。TPU（Tensor Processing Unit）从2015年就开始研发，如今已经迭代到第五代，支撑着Google搜索、YouTube推荐和Gemini模型的推理需求。微软也在2023年发布了Maia 100，专门为Azure云上的AI推理优化。亚马逊有Inferentia和Trainium。Meta也在搞自己的芯片。

整个大厂圈子里，OpenAI是最后一个还在完全依赖外购芯片的玩家。

现在它补上了这一课。

Jalapeño到底是什么？

从目前公开的信息来看，Jalapeño是一颗ASIC（专用集成电路），不是GPU，也不是通用处理器。

它的设计目标非常明确：在大规模LLM推理场景下，提供比通用GPU更高的吞吐量和更低的单位成本。具体的架构细节还没有完全披露，但根据合作模式推测，这颗芯片大概率采用了以下技术路线：

1. 专为Transformer优化的计算单元

现代LLM几乎都是基于Transformer架构，核心运算是矩阵乘法和注意力计算。通用GPU为了兼容各种工作负载，设计上有很多"浪费"。专用ASIC可以把晶体管全部投入到Transformer最需要的运算上，砍掉不需要的功能模块。

2. 大容量高带宽显存

推理的瓶颈往往不是算力，而是显存带宽。模型越大，参数越多，每次推理需要从显存读取的数据量越大。Jalapeño大概率配备了大容量HBM（高带宽存储器），并针对LLM的访存模式做了优化。

3. 机架级系统集成

根据知乎上的信息，这次合作的范围"远不止一颗芯片"。博通提供了端到端的以太网、PCIe和光连接解决方案，是一个完整的机架级系统。这意味着OpenAI不只是在设计芯片，而是在设计整个数据中心的算力单元。

芯片本身再强，如果网络互联跟不上，大规模部署时就会遇到瓶颈。这种全栈式的合作模式，说明OpenAI在基础设施层面的野心不小。

4. 台积电代工

芯片设计是一回事，制造是另一回事。根据此前的报道，Jalapeño将由台积电代工，预计2026年下半年开始量产。考虑到现在已经是2026年6月，这意味着首批芯片很可能已经在流片或小批量生产阶段。

博通在这里扮演的角色类似于"芯片设计服务商"。它不像英伟达那样卖成品芯片，而是帮助客户设计定制芯片，然后协调代工厂生产。Google的TPU、Meta的自研芯片，背后都有博通的身影。

对英伟达意味着什么？

短期来看，影响有限。

OpenAI不会因为有了Jalapeño就停止采购英伟达的GPU。训练大模型仍然需要通用GPU的算力，而且OpenAI的推理需求增长速度可能比自研芯片的产能爬坡更快。Altman自己也说了，希望"与芯片制造商保持良好关系，特别是在使用新一代Blackwell芯片方面"。

但长期来看，这是一个危险的信号。

英伟达的护城河有两层：一是硬件性能领先，二是CUDA生态锁定。硬件领先可以靠研发投入追赶，生态锁定才是真正的壁垒——开发者习惯了CUDA，迁移成本极高，所以即使有替代品也不愿意换。

但云厂商和大模型公司是不同的物种。

他们有足够的工程能力构建自己的软件栈，有足够的规模摊薄定制芯片的研发成本，有足够的动机摆脱单一供应商的依赖。Google证明了TPU可以支撑世界级的AI系统，现在OpenAI也要证明同样的事情。

如果OpenAI的自研芯片成功了，其他大模型公司会怎么想？

Anthropic、xAI、Mistral、DeepSeek……这些公司现在都在给英伟达打工。他们看到OpenAI的路径走通了，会不会动心？

芯片行业的逻辑是规模经济。设计成本是一次性的，产量越大，单片成本越低。如果更多公司开始自研推理芯片，博通这样的设计服务商会变得更有竞争力，台积电的产能会更多地流向定制ASIC，英伟达的市场份额会被一点点蚕食。

这不是明天的事，但可能是五年后的事。

OpenAI的芯片野心

回顾OpenAI在硬件层面的布局，你会发现这次合作不是心血来潮。

2024年初，就有消息称OpenAI在探索自研芯片，团队规模约20人，核心成员包括曾参与Google TPU项目的工程师。当时还传出OpenAI计划建立自己的芯片代工厂，但因为成本太高、周期太长而搁置。

转而与博通合作，是一个更务实的选择。OpenAI专注于芯片架构设计，把物理实现和制造交给专业的合作伙伴，这样可以更快地把产品推向市场。

从战略角度看，OpenAI需要在三个层面建立竞争优势：

模型层：GPT系列的能力边界在哪里？能不能持续保持领先？

应用层：ChatGPT能不能守住用户心智？企业市场能不能打开？

基础设施层：算力成本能不能降下来？供应链能不能自主可控？

前两层是OpenAI一直在做的事情，第三层才刚刚开始。但基础设施往往是最容易被忽视、却最能决定长期胜负的因素。

想想看，如果OpenAI的推理成本比竞争对手低30%，它可以做什么？

• 在同样的定价下获得更高的利润率
• 或者降价抢市场，用价格战挤压对手
• 或者把省下的钱投入到更大规模的训练中，拉开模型能力的差距

这三个选项，每一个都是致命的。

10吉瓦的野心

回到那个数字：10吉瓦。

这个规模的算力部署，不是OpenAI一家能消化的。即使ChatGPT的用户量再翻几倍，即使API调用量指数增长，也用不了这么多。

一个合理的推测是，OpenAI在为更大的事情做准备。

可能是AGI。Altman一直说OpenAI的目标是"不惜一切代价构建通用人工智能"。AGI需要什么样的算力？没人知道，但肯定比现在多得多。

可能是AI代理。如果AI从"对话助手"进化成"自主代理"，能够长时间持续运行、主动完成复杂任务，推理需求会呈几何级数增长。一个用户从每天问几个问题，变成让AI全天候帮自己工作，算力消耗可能增加几十倍。

可能是多模态。当模型需要同时处理文本、图像、音频、视频，计算量会比纯文本模型大得多。OpenAI的Sora已经展示了视频生成的能力，如果这项技术要大规模商用，推理成本是一个巨大的挑战。

无论是哪种可能，10吉瓦的算力储备都说明OpenAI在押注一个比现在大得多的未来。

行业会怎么变？

这次发布之后，AI芯片的竞争格局会更加复杂。

第一阵营：英伟达

仍然是无可争议的霸主，通用GPU+CUDA生态的组合短期内无人能撼动。但市场份额的天花板可能已经出现了。

第二阵营：云厂商自研

Google TPU、亚马逊Inferentia/Trainium、微软Maia，这些芯片主要用于自家云服务，不对外销售。优势是可以针对自己的工作负载深度优化，劣势是规模受限于自身业务。

第三阵营：模型公司自研

OpenAI的Jalapeño开了一个头。如果成功，会有更多模型公司跟进。这个阵营的特点是需求明确（就是跑自己的模型），但芯片设计经验相对不足，需要依赖博通这样的合作伙伴。

第四阵营：独立芯片公司

AMD、Intel、以及一众初创公司。AMD的MI300已经在追赶英伟达，Intel的Gaudi也在努力。初创公司里，Cerebras、Groq、SambaNova各有特色，但规模都还太小。

未来几年，我们可能会看到一个更加碎片化的市场。不同公司针对不同场景选择不同的芯片，不再是"英伟达通吃"的局面。这对整个行业来说是好事——竞争会推动创新，也会压低价格。

对开发者来说，这意味着更多的选择，但也意味着更高的学习成本。不同芯片有不同的软件栈，代码可能需要针对特定硬件优化。好消息是，主流框架（PyTorch、TensorFlow）正在努力抽象掉硬件差异，让开发者可以用统一的接口调用不同的后端。

写在最后

OpenAI造芯这件事，其实早就该发生了。

当一家公司的核心业务高度依赖某种稀缺资源，而这种资源被另一家公司垄断时，垂直整合就是必然的选择。这不是OpenAI的独创，是商业世界的基本逻辑。

苹果为什么要自研M系列芯片？因为不想被Intel卡脖子。特斯拉为什么要自研FSD芯片？因为Mobileye满足不了需求。现在OpenAI为什么要自研推理芯片？因为英伟达太贵、太缺货、太不可控。

这颗叫Jalapeño的芯片能不能成功，还需要时间验证。芯片行业的坑太多了，从设计到流片到量产到部署，每一步都可能出问题。但至少，OpenAI迈出了这一步。

对于开发者来说，短期内不会有什么直接影响。你调用的API还是那个API，模型还是那个模型。但从长远来看，如果OpenAI的自研芯片真的能降低推理成本，最终会反映在API价格上。

目前，OpenAI Hub已经支持GPT全系列模型的调用，包括最新的GPT-5.5。如果你在国内，通过聚合平台调用可能是更稳定的选择。

芯片的故事才刚刚开始。

---

参考来源

• OpenAI与博通推出LLM推理芯片"Jalapeño" - 知乎：详细介绍了合作的全系统方案，包括博通提供的端到端连接解决方案