OpenAI亮出自研推理芯片Jalapeño，公开数据叫板英伟达旗舰

OpenAI对外公开了其首款定制推理芯片Jalapeño的全部测试数据，这款绰号墨西哥辣椒的全新产品，呈现了大量横向对比结果，正面硬刚当下英伟达的顶级硬件产品。

不少读者看到性能比拼的消息，很容易以为市场上很快就能购得该芯片。事实并非如此，该芯片首先满足OpenAI内部业务的需求，外部厂商目前拿不到成品。真正值得留意的是，这件事给整个AI产业链带来的深远影响。

必

看

从零开始构建，

九个月跑完全部芯片研发流程

Jalapeño由OpenAI与博通联手打造，整个项目从立项设计到产出样片，仅耗时九个月，这一节奏在高性能芯片赛道相当罕见。它并未采用市面上已有通用芯片的改良路线，团队基于大模型实际运行的诉求，从底层重新搭建了整套硬件架构。在开发阶段，内部各类大模型的运行数据被用于校准芯片的设计参数，实现软硬件的协同迭代。

这款芯片的标称功耗为700瓦。对标的旗舰产品功耗则为1400瓦。功耗上的悬殊差异，部署在超大规模数据中心里，将直接折算为电费与散热开支的巨大落差。公开测试时选取了多款主流大模型进行验证，其中既有OpenAI自家模型，也有国内开源大模型。在不同任务条件下，每瓦电力所产出的人工智能吞吐量，达到参照硬件的1.5至1.9倍，交互响应的延迟也显著降低。

必

看

跑分成绩抢眼，

但需辨别测试条件与实际部署

网络上流传着不少源自标准化基准测试环境的极具冲击力的对比数字。实验室里的理想工况与承载海量真实用户并发请求的线上环境之间，仍有相当大的鸿沟。在测试环境下，芯片能够释放非常亮眼的表现。超大规模服务器集群的搭建部署、软硬件兼容性的调优以及机柜层面的改造，每一道工序都要耗费大量精力。

官方公布的路线图显示，今年年底才会启动小范围内部投产，预计2027年逐步扩大部署规模。

该芯片仅承担推理这一单一职能。训练新一代超大规模模型，仍离不开其他硬件的协同配合。它聚焦解决的是用户调用AI服务的成本与效率痛点，无法覆盖AI全链路工作。普通开发者同样需要认清现实状况。此芯片目前不会面向外部市场销售。

市场上的开发人员，无法采购这一硬件来搭建属于自己的业务。其全部价值，首先体现为OpenAI自家产品体系提供算力支撑，间接作用于对外开放API的调用成本。

必

看

科技巨头自研芯片热潮，

正在重塑算力采购版图

在过去几年间，几乎所有投身大模型研发的公司，都不得不大规模采购外部厂商的硬件装备。在算力采购上的支出，成为各家最为沉重的成本包袱。谷歌很早就推出了自家的配套芯片，亚马逊同样在布局自研硬件。随着OpenAI的入局，头部AI公司自研硬件的阵营中，又增添了一位重量级玩家。

自主研发芯片的逻辑清晰明了。自己掌控硬件设计，便能贴合自有模型的运行特征进行定制。削减冗余的性能损耗，把整体运营成本压下去。

当业务体量达到相当规模时，硬件端的研发投入会被海量用户请求摊薄。然而自研芯片绝非一条轻松走通的捷径。前期需要巨额资金投入，还要承受研发翻车、进度延期等不确定性。

唯有企业的业务规模足够庞大时，才拥有走这条路的底气与资本。中小型的人工智能团队，很难复制这种模式。

必

看

对普通用户和行业而言，

将催生哪些连锁反应

一旦芯片实现规模化落地，ChatGPT等产品的运营成本有望下降。后续或将推动接口调用价格的下调，普通用户使用AI服务的体验，也有望变得更加敏捷。

在行业供应链的维度上，单一硬件厂商独大的格局，将面临更多变数。更多AI企业倾向于投入自研硬件行列，市场上将涌现更多各具特色的硬件产品。

也需要理性看待行业内的竞争态势。某次跑分领先，并不能说明既有产品即刻就被全面取代。经过多年沉淀，当前已有的硬件生态已趋于成熟，软件工具链及配套周边也相当完善。

新芯片要全面站稳脚跟，还需经历漫长的真实业务淬炼。后续该芯片的第二代产品已步入研发轨道，多代演进路线图已经公开发布。

人工智能领域的较量，已不限于模型能力的比拼，硬件底层的角力，将变得愈发白热化。

点击蓝字 关注我们

内测界面泄露！腾讯 Hy4 即将登场，WorkBuddy 换上专家级新引擎

微软 30 万颗 AI 芯片杀来，英伟达的位子坐不稳了？