OpenAI联合博通发布AI辅助设计的推理芯片Jalapeño

2026年6月24日，OpenAI与博通联合发布Jalapeño——首款从零开始为大语言模型推理量身定制的专用芯片。该芯片采用台积电3纳米工艺制造，核心架构为脉动阵列，搭配安谋定制处理器和博通Tomahawk交换芯片，计算裸片面积约840平方毫米，通过先进封装与高带宽存储器集成。额定热设计功耗为700瓦，但8月实测显示持续功耗不超550瓦。OpenAI表示，从初始设计到制造流片仅用时约九个月，并称这是高性能半导体领域有记录以来最快的专用芯片开发周期。

这一速度并非来自单一突破。OpenAI调用了自家前沿模型——包括GPT-Astra和Codex——来加速设计流程的多个环节。OpenAI硬件负责人Richard Ho透露，团队部署了大量智能体来放大每位工程师的产出：一夜之间并行运行数百个智能体执行验证、时序收敛和面积优化，由子智能体读取日志、定位问题、调整参数和工具流程。他在Synopsys的一次行业论坛上强调，这远比"写代码—编译—测试"的软件副驾驶模式复杂，而是大规模的领域特定自动化，压缩了通常受限于人工吞吐量的瓶颈环节。公司还报告，AI生成的内核在选定的注意力和混合专家模块上比人工优化版本快1.5至1.8倍；智能体辅助优化使单指令多数据单元面积缩减8%，矩阵引擎面积缩减10%。

2026年8月25日，OpenAI公布了首批实测性能数据。在InferenceX基准测试中，Jalapeño与英伟达GB200和GB300在三种模型规模上进行了对比。每瓦峰值吞吐量分别提升约1.9倍、1.7倍和1.5倍，端到端延迟降低1.7至3.6倍。在固定时间间隔目标下，吞吐量提升幅度从53.7倍到超过100倍不等——后者反映了在同等质量下降低延迟带来的复合效应。OpenAI还估计推理成本较传统AI图形处理器降低约50%，这源于芯片面向推理的专用架构而非单纯的晶体管数量。

产业分工与部署路线图

Jalapeño项目是三方产业协作的产物。OpenAI从零设计芯片架构，依托对前沿模型内核、数据搬运模式和服务行为的深刻理解；博通负责物理实现、先进封装和网络技术；Celestica承担板卡集成、机架系统和规模化制造；台积电代工3纳米计算裸片。OpenAI总裁兼联合创始人Greg Brockman将这颗芯片定位为全栈基础设施战略的一部分：自主设计更多环节，才能以更高效率服务更多智能，推动先进AI走向更广泛的应用。

部署计划雄心勃勃。OpenAI计划在2026年底开始吉瓦级数据中心部署，2027年产能爬坡，2028年上半年全速放量。第二代芯片已进入深度开发，第三代已在规划中。公司长期算力目标涵盖10吉瓦的加速器装机量——这意味着Jalapeño位于OpenAI垂直整合战略的中心，而非边缘。

九个月的说法需厘清

九个月这一数字特指从初始设计到制造流片的时间段——即最终设计文件交付晶圆厂制作掩模和制造的节点。它不包含硅片验证、良率爬坡、系统集成和软件成熟化等后续环节。SemiAnalysis的报告指出，从设计启动到2025年11月CoWoS封装流片里程碑，整个项目跨度接近十六个月，表明九个月可能只反映了一个更长过程中最压缩的阶段。OpenAI的官方表述"从初始设计到制造流片仅九个月"未明确说明起点是否包含早期架构探索还是仅指正式的寄存器传输级设计阶段。

参照系很重要。传统高性能AI专用芯片从概念到流片通常需要18至36个月；谷歌第一代TPU约三年，英伟达H100约24个月。即便采用更保守的十六个月估算，Jalapeño的开发速度仍显著快于行业常态。但这一速度得益于博通在既有定制芯片项目中积累的十年封装经验、OpenAI对前沿模型的独特工作负载认知以及专有AI智能体工具链——三者缺一不可，难以被同时复制。

性能数据的审慎视角

迄今为止公布的所有性能数据均来自OpenAI自测。公司表示详细技术报告将在未来数月发布，但截至发稿时尚无独立第三方基准测试予以确认。与GB300的对比框架也需审视：每瓦吞吐量和延迟是推理场景的有意义指标，但高度依赖工作负载、批大小、量化方案和系统级配置。一颗面向特定推理场景优化的芯片，可以在这些任务上超越通用图形处理器，却并不动摇后者更广泛的通用性。

尽管如此，战略信号是清晰的。当一家AI实验室用自家模型帮助设计运行这些模型的芯片，并且在不到一年内完成——这形成了一种传统半导体公司难以复制的正反馈循环。这一循环能否转化为持久的硬件优势，取决于OpenAI无法完全掌控的因素：晶圆产能、封装良率，以及谷歌、亚马逊、英伟达等竞争者追赶设计自动化差距的速度。就目前而言，Jalapeño与其说是一件成品，不如说是建造芯片的时间表已经发生根本改变的有力证明。