OpenAI首款自研芯片叫Jalapeño：700瓦功耗，性能却超英伟达GB300

今天早上看到一条消息，OpenAI和博通合作开发的首款自研AI推理芯片，代号Jalapeño（辣椒），在公开测试中跑出了超越英伟达GB300的成绩。

几个关键数据：端到端延迟比GB300低1.7到3.6倍，每瓦吞吐量也领先。功耗是700瓦，大概是GB300的一半。第二代芯片已经在流片准备中，第三代进入了设计阶段。

这条消息的意义不在于一颗芯片本身，而在于它释放的信号：AI公司正在认真考虑"去英伟达化"这件事。

为什么OpenAI要自研芯片

原因很直接：成本。OpenAI是目前全球最大的AI推理算力消费者之一。每一次ChatGPT的回答、每一次API调用，背后都是真金白银的电费和硬件折旧。这些钱最终都流向了英伟达的GPU。

GPT-5.6 Sol的API价格已经从每百万Token 30美元降到了20美元，降幅33%。但降价的前提是推理成本得跟着降。靠买英伟达的卡降价空间有限，自研芯片是更根本的解法。

而且推理和训练不一样。训练需要通用性，推理更看重特定场景的效率。OpenAI的模型架构自己最清楚，针对性设计芯片的推理效率天然就比通用GPU高。这也是为什么Jalapeño的延迟和能效表现能超过GB300。

黄仁勋怎么回应

有意思的是，就在Jalapeño消息出来的同一天，黄仁勋在英伟达财报电话会上被问到这个问题。他的回答是：英伟达提供的是"截然不同的服务"。

这话翻译一下就是：你做个推理专用芯片确实不错，但我的生态系统（CUDA）你替代不了。

黄仁勋说的有一定道理。CUDA生态是英伟达最深的护城河，全球几百万开发者在这个生态上构建了自己的工作流。换芯片意味着要换工具链、重写优化代码，迁移成本很高。

但OpenAI的逻辑不在于替代CUDA，而在于降低推理边际成本。如果Jalapeño只需要跑OpenAI自己的模型，那根本不需要兼容CUDA生态。自己的模型+自己的芯片，端到端优化，效率最大化。

对其他AI公司的启示

OpenAI不是第一个动这个念头的。谷歌有TPU，亚马逊有Trainium和Inferentia，Meta也在布局自研芯片。现在OpenAI也加入了这个行列。

趋势很清楚：头部AI公司都在寻求算力自主。不是说要完全摆脱英伟达，而是在增量算力上降低对单一供应商的依赖。这对英伟达来说不是致命打击，但确实会改变议价格局。

对国内AI公司来说，这个趋势也有参考价值。当头部公司都在考虑算力自主的时候，算力基础设施的多元化就成了一个战略问题，而不只是成本问题。

这件事的后续看点

Jalapeño目前只面向推理场景，而且主要服务OpenAI自己的需求。但它的发展路线图已经很清楚：第二代几个月内流片，第三代在设计中。如果迭代速度够快，未来两三年内OpenAI有可能把大部分推理算力迁移到自研芯片上。

到时候英伟达在AI推理市场的份额会被压缩多少？这是一个值得关注的问题。

不过话说回来，芯片设计这事儿，从测试到量产还有一大段路要走。良率、产能、散热、供电，每一个环节都可能出问题。OpenAI选的是跟博通合作，而不是完全自建，也是在做风险平衡。

总之，AI行业的竞争正在从"谁的模型好"扩展到"谁的算力便宜"。这是一场更大、更贵的比赛。