OpenAI自研芯片实测单瓦性能超英伟达1.9倍：算力自主这条路，谁都想走

8月份，一条不太起眼的消息在芯片圈炸了锅：OpenAI自研推理芯片Jalapeño的实测数据曝光，单瓦性能比英伟达同类产品高出1.5到1.9倍。

先说人话：同样的电力消耗，OpenAI自己的芯片跑的推理任务比英伟达的芯片多出将近一倍。这个数据意味着什么？意味着OpenAI不想再给黄仁勋打工了。

为什么OpenAI要自己做芯片

原因很简单：英伟达太贵了，而且不够用。

2025年OpenAI的推理成本是个天文数字。ChatGPT每天处理的请求量以亿计，每一次对话都在烧GPU的算力。英伟达H100一张卡卖3万美元，Blackwell系列更贵，而且交付周期长达半年以上。OpenAI一年在英伟达身上花的钱，据估计超过百亿美元级别。

更关键的是，英伟达不只卖芯片给OpenAI，它卖给所有人。微软、Meta、谷歌、亚马逊都在抢同一批产能。OpenAI没有独占优势，只有"付得起钱"的优势。

当你的核心成本掌握在别人手里的时候，你就没有真正的自主权。OpenAI选择自己做芯片，本质上是选择把命运握在自己手里。

Jalapeño到底是什么水平

从目前曝光的数据来看，Jalapeño是一颗专门针对推理场景优化的芯片。

注意关键词：推理，不是训练。OpenAI很清楚自己的需求——训练可以用英伟达的通用GPU，但推理是7×24小时持续运行的工作负载，对能效比的要求远高于对算力的要求。

单瓦性能高出1.5到1.9倍，这个数字如果是真的，已经是非常夸张的领先了。英伟达在数据中心GPU领域的统治力不需要多说，能在它最擅长的赛道上做出接近翻倍的能效优势，要么是架构上有根本性创新，要么是在特定场景下做了大量定制化裁剪。

大概率是后者。推理场景对芯片的要求和训练完全不同：训练需要大规模并行计算、超高带宽显存；推理更关注低延迟、高吞吐、以及最关键的——每瓦特能处理多少token。

不只是OpenAI，所有人都想做芯片

OpenAI做芯片不是孤例。2026年8月这个时间节点，回头看整个行业，"算力自主"已经成了全球共识。

Anthropic挖来了前谷歌TPU负责人带队自研AI芯片。谷歌自家的TPU已经迭代到第六代。亚马逊有Trainium和Inferentia。Meta有MTIA。微软有Maia。国内的小米一次性发了三颗自研AI芯片，覆盖端侧、手机和智驾。

大家都在做同一件事：减少对英伟达的依赖。这不只关乎成本，更关乎供应链安全。英伟达的产能不是无限的，当你排队等半年才能拿到货的时候，你就知道自己有多被动。

对行业意味着什么

短期来看，OpenAI自研芯片不会动摇英伟达的地位。芯片从流片到量产至少需要两三年，初期良率和产能都是问题。OpenAI短期内还是得大量采购英伟达的芯片来支撑业务。

但长期来看，信号已经很明确了：大模型公司不会甘心只做软件。当你掌握了模型、数据和用户之后，下一个要掌握的就是算力基础设施。这条链条从底到顶分别是：芯片、服务器、数据中心、模型、应用。每一层都有人在往上或者往下渗透。

英伟达的护城河是CUDA生态和软件栈，这个短期内没人能打破。但如果大模型公司自己做的芯片能跑通推理场景，那训练芯片的市场迟早也会被蚕食。

算力自主的代价

最后说一句不太好听的话：自研芯片是条不归路。

芯片行业的研发投入是巨大的，流片一次几千万美元，失败了就是打水漂。谷歌做TPU做了十年才做到今天的水平，亚马逊的Trainium也是烧了好几年才开始大规模部署。OpenAI虽然现在财大气粗，但能不能撑到Jalapeño大规模量产是个问号。

不过话说回来，不做的代价更大。当你的业务规模大到一定程度，"买别人的"和"自己做"的成本曲线迟早会交叉。到了那个点，不做就是慢性自杀。

OpenAI选了做。所有人都在选做。2026年，算力自主不再是一个选项，而是一道必答题。