OpenAI首款自研芯片发布:推理成本直降50%,英伟达GPU要慌了?
01OpenAI首款自研芯片落地,推理赛道迎来转折点
2026年6月25日,OpenAI与博通正式发布了双方联合研发的首款AI推理芯片Jalapeño。这是OpenAI成立至今推出的第一颗定制智能处理器,也是继谷歌TPU、亚马逊Trainium/Inferentia之后,又一家头部AI实验室选择自研芯片来支撑大规模推理服务。Jalapeño并非通用GPU的改造产物,而是从零开始、围绕大语言模型推理需求专门设计的ASIC芯片。根据官方披露的数据,这款芯片在能效与成本两个维度均展现出显著优势:同等算力规模下,推理综合运营成本较通用GPU节约约50%,每瓦性能大幅领先英伟达Blackwell、谷歌TPU等当前主流产品。这一突破意味着,支撑ChatGPT、Codex、API以及未来智能体产品运行的基础设施成本有望大幅下降,而AI行业长期依赖英伟达GPU的供应链格局也在悄然生变。12
02从零设计九个月落地:Jalapeño的技术突破
Jalapeño的核心设计理念可以概括为“专为大模型推理而生”。与传统GPU“什么任务都能跑”的通用思路不同,Jalapeño从立项之初就瞄准了GPT系列大语言模型的推理场景,针对KV缓存管理、长文本传输、内存调度等关键环节进行了深度优化。这种定制化设计的直接效果是:实测长文本推理延迟降低25%,硬件实际利用率更接近理论峰值。在架构层面,Jalapeño通过减少数据搬运、在算力、内存和网络资源之间取得均衡,实现了效率的提升。博通为芯片提供了硅片实现技术和网络连接能力,包括Tomahawk高端网络芯片,为平台的大规模扩展提供了支撑。尤为值得一提的是,Jalapeño从初始架构设计到制造流片仅用了9个月时间。OpenAI官方表示,这是高性能先进半导体领域ASIC开发周期最快的纪录之一,而通常这类芯片的研发周期往往需要18到24个月。实现这一速度的背后,是OpenAI工程团队与博通的深度软硬件协同开发,以及OpenAI自身模型在设计和优化流程中的直接参与——也就是说,用于服务用户的AI模型,同时也在帮助工程师改进运行下一代模型的硬件基础设施。342
03推理成本直降50%:效率革命如何实现
对于OpenAI而言,Jalapeño带来的最直观变化体现在成本端。博通CEO陈福阳在发布时明确表示,新芯片可节省约50%的推理成本。这一数字背后的逻辑并不难理解:通用GPU需要为图形渲染、深度学习训练等多样化负载预留电路资源,而Jalapeño作为专用推理芯片,只需保留LLM推理所需的算力单元和内存访问路径,剩余的硅片面积全部用于堆叠高性能张量处理单元和片上SRAM高速缓存。行业数据显示,ASIC在运行特定大模型时,其能耗比通常能达到通用GPU的3到5倍。当前ChatGPT每周活跃用户已超过10亿,每一次对话都需要调用一次大模型推理,这个规模意味着几十万张GPU同时运行所需的电费、服务器成本和场地支出都是天文数字。如果Jalapeño能够实现推理成本减半,OpenAI的毛利率改善空间将极为可观。这也是OpenAI将自研芯片视为“降低服务器成本、提升毛利率战略核心一环”的根本原因。35678
04全栈闭环:OpenAI从模型层走向基础设施层
发布Jalapeño并不只是解决眼前的成本问题,更是OpenAI推进“全栈基础设施”战略的关键一步。过去,这家公司的核心竞争力主要集中在模型研发、产品运营和API服务层;现在,它正在将触角延伸至芯片架构、推理核函数、内存系统、网络通信、调度和部署系统这些底层环节。这种垂直整合的思路,本质上是要把大模型运行的成本、速度和可靠性牢牢掌握在自己手中。OpenAI硬件项目负责人Richard Ho表示,Jalapeño专门针对大语言模型进行优化,可以更快、更高效地运行支撑各类AI应用的模型,并且能够适应未来各种版本的大语言模型迭代。博通CEO陈福阳则从行业视角指出,与OpenAI的合作代表了对未来十年AI物理基础设施扩展的根本承诺,这只是多代路线图的开始,后续芯片将在2027年及以后持续推出,保持每年更新节奏。从商业逻辑上看,Jalapeño的落地将形成一条清晰的增长飞轮:更好的推理芯片提升能效比→服务成本下降、响应速度提升→C端产品和企业API竞争力增强→营收规模扩大→持续投入下一代芯片与大模型研发。这个循环一旦运转起来,OpenAI的竞争壁垒将从软件层延伸至硬件层,实现真正意义上的全栈闭环。14269
05巨头集体“去英伟达化”:推理芯片格局重塑
Jalapeño的发布是AI行业算力自主化浪潮的一个缩影。放眼全球市场,头部科技企业正在加速摆脱对英伟达GPU的单一依赖:谷歌自研TPU并向外部客户开放、Meta推出定制推理ASIC、亚马逊Trainium/Inferentia持续迭代、微软也在开发自研AI芯片Maia。行业分析机构预测,ASIC定制芯片服务器出货量预计将在2026年占据整体AI芯片市场27.8%的份额,定制ASIC出货量同比增速将达到44.6%,几乎是通用GPU增速的三倍。在这一趋势下,博通凭借先进ASIC设计和高速网络芯片的双重能力,已成为定制AI芯片领域的领导者,拿下谷歌、Meta、OpenAI多家头部大厂的定制订单。机构预测2027年博通在AI定制芯片市场份额有望突破60%,成为算力硬件的第二极。与此同时,英伟达虽仍占据训练市场的主导地位,但推理赛道持续被自研ASIC蚕食,市场份额已出现连续季度下滑。黄仁勋此前公开表态“九成ASIC项目会失败”,也被外界解读为对行业自研浪潮的侧面回应。31011
06Jalapeño与主流AI推理芯片对比
| 对比维度 | Jalapeño | 英伟达Blackwell | 谷歌TPU |
|---|---|---|---|
| 定位 | 专用LLM推理ASIC | 通用GPU | 专用AI加速器 |
| 设计初衷 | 专为GPT系列模型优化 | 覆盖训练与推理全场景 | 支撑Gemini等自有模型 |
| 开发周期 | 9个月(业界最快) | 持续迭代 | 多年迭代 |
| 能效表现 | 大幅优于当前最先进方案 | 性能领先 | 性能功耗比优异 |
| 成本优势 | 推理成本降低约50% | 溢价较高 | 成本相对可控 |
| 部署方式 | 仅供OpenAI内部使用 | 对外销售 | 内部使用为主 |
| 网络支撑 | 博通Tomahawk芯片 | InfiniBand网络 | 自有网络技术 |
07从芯片到系统:Jalapeño的产业链协作模式
Jalapeño的落地并非OpenAI单方面努力的结果,而是多方产业链协作的产物。在整个研发与生产链条中,各方分工明确、各司其职:OpenAI负责芯片架构设计和AI模型层面的需求定义;博通承担芯片实现、电路板设计、机架系统集成以及高性能网络技术的提供;Celestica(天弘科技)则参与板卡、机架和整机系统的规模化生产。这种“软硬件协同开发”模式是Jalapeño能够在9个月内完成流片的关键因素之一。与传统芯片设计流程相比,OpenAI的模型团队从一开始就将实际推理负载的特征——比如注意力机制的算子分布、KV缓存的访问模式——直接反馈给硬件架构师,使得芯片设计与模型需求高度匹配。博通方面透露,后续芯片制造将交由台积电完成,先进封装技术可能采用其3.5D多维堆叠平台,以提升数据传输速度并降低能耗。428
082026年底启动:吉瓦级数据中心在路上
根据OpenAI与博通公布的路线图,Jalapeño是这个多代计算平台的第一步,计划于2026年底开始初步部署,并在此后持续扩展至更大规模。平台将结合OpenAI设计的加速器、博通的芯片实现和网络连接技术,以及Celestica的系统集成能力,与数据中心合作伙伴共同推进吉瓦级规模部署。值得注意的是,OpenAI此前与微软达成的深度合作关系将在这一定期部署中发挥重要作用。Jalapeño芯片和配套服务器系统不会对外销售,只供OpenAI内部使用,这意味着这些算力资源将首先服务于ChatGPT、Codex、API以及未来的智能体产品。从更宏观的视角看,当Jalapeño与OpenAI自研的GPT-5.3-Codex-Spark模型搭配运行时,工程样品的功耗和性能均达到设计目标。对于普通用户而言,这意味着未来ChatGPT的回复有望更快、API调用成本有望更低、高峰期的服务稳定性也将得到改善——这些变化虽然发生在后台基础设施层,但最终会直接传导至终端体验。12
091800亿美元背后的博弈:融资与供应链风险
尽管Jalapeño的发布引发广泛关注,但其背后的资金谈判并非一帆风顺。公开信息显示,OpenAI与博通的合作代号为“Nexus”,整体项目规模达到10吉瓦数据中心容量,按首期1.3吉瓦投资180亿美元推算,仅芯片生产的总成本就可能高达1800亿美元,这还不包括数据中心建设和电力配套设施。博通方面明确表示,只有在微软同意采购约40%芯片产能的前提下,才会为项目第一阶段提供融资。按照设想,微软将把芯片部署到自有数据中心,再以租赁形式提供给OpenAI使用。然而截至目前,微软虽已为这些芯片预留了部分数据中心空间,但尚未给出明确的采购承诺。这笔交易的潜在风险在于:一方面,OpenAI预计到2029年其运营成本将超过2000亿美元,自研芯片是降低服务器成本的核心战略;另一方面,微软自身也在推进自研芯片Maia的迭代,对于为OpenAI的定制芯片“兜底”态度谨慎。1213147
10推理芯片变局:OpenAI能否改写算力游戏规则
Jalapeño的发布标志着AI行业的一个标志性节点:当全球最顶尖的大模型公司不再满足于“购买算力”,而是开始“制造算力”,整个产业的游戏规则正在被改写。从技术角度看,专用推理芯片在能效和成本上的优势已经得到验证;从商业角度看,自研芯片能够帮助OpenAI摆脱对英伟达的过度依赖,构建从模型到芯片的全栈竞争壁垒;从行业角度看,头部企业的示范效应正在加速推理赛道的ASIC替代浪潮。然而,挑战同样不容忽视。1800亿美元的芯片生产成本、微软采购承诺的不确定性、台积电先进封装产能的争夺——这些都可能在未来数年成为OpenAI全栈战略的潜在风险点。Jalapeño能否如其代号所暗示的那般“火热”,还有待时间和规模的检验。但可以确定的是,这场从模型层延伸至硬件层的基础设施革命,已经不可逆转地开始了。321213791115
当前文章无评论,是时候发表评论了