AI自研芯片时代来临：九个月造芯颠覆行业

Michael | 五源资本投资人

2026年6月，OpenAI与博通联合发布了一款名为Jalapeño的推理芯片。

其具体参数未公开，但两点突破更引人注目：

第一，这颗芯片完全由OpenAI基于自身模型架构、未来路线图与推理体系从零定义，博通负责硅片实现——OpenAI不再满足于采购通用算力，而是追求量身定制的硬件。

第二，这款逼近光罩极限的先进制程芯片，从立项到流片仅耗时九个月，据双方称，创下高性能芯片开发速度的历史纪录。缩短周期的关键助力，正是OpenAI自研的AI模型。

AI芯片的上半场已告一段落，英伟达是最大赢家。那时的逻辑很简单：为快速逼近AGI，全球企业不惜重金抢购唯一可用的AI训练利器——只有英伟达能提供。

而Jalapeño，很可能是下半场的发令枪。它揭示两个趋势：其一，当推理需求超越训练，从OpenAI开始，每一家欲参与AI竞赛的公司、每个模型、每个应用，都将渴望专属芯片——AI芯片不再仅限于GPGPU，将迎来类似寒武纪的爆发式分化。

其二，当AI主导芯片设计，此前阻隔多数企业进入定制芯片领域的成本与周期壁垒，首次面临瓦解的可能。AI本身，正成为新一代造物引擎。

下半场，将比上半场更快、更烈。

复杂多变的任务，需通用平台承载；目标明确、边界清晰的任务，则应以专用系统极致压降成本。

对AI而言，训练如造航母：任务繁重、迭代频繁、变量众多，只有极少数玩家能承担，追求的是通用、稳定、可扩展与极致性能，成本反居其次；推理如造家用车：模型与场景固定后，任务变得狭窄而确定，只需够用、越省越好。

与CV时代不同，LLM时代推理占AI总算力比例：2023年约三分之一，2025年超半数，2026年将达三分之二——这尚未计入Agent大规模部署。黄仁勋直言：因推理与Agent，AI所需算力“比一年前预期高出百倍”。待Agent全天候写代码、做科研、处理事务，推理需求将远超训练一个数量级以上，只是时间问题。

今天任何看似微小的推理场景，未来一两年内都可能催生一家公司，需求大到值得像当年谷歌那样，为其定制专属芯片。定制甚至可极端如Taalas：将模型权重直接固化进晶体管。极端定制带来极端性能——该芯片无HBM，在固化Llama 3.1 8B上，单用户输出可达每秒约1.7万token，比GPU快两个数量级。

我们需要多少种AI推理芯片？这问题，如同汽车取代马车前夕：“世界需要多少品牌、多少车型？”

答案从无标准。它由无数具体需求投票决定：每个模型、每个应用、每种硬件形态，都是独立买家——如车，各有路线、载重、时速、能耗、预算与路况。买家选的不是最贵最强，而是合身。

AI推理芯片的终点必是高度分化——上游应用诉求本就各异，且差距愈拉愈大；而每类需求规模，又大到足以支撑一颗专用芯片。同为“推理”：秒级响应的chatbot、一次处理数万token的reasoning模型、数十轮工具调用的agent、吞下整个代码库的长上下文任务、逼真视频生成、万亿参数MoE、嵌入机器人的VLA/世界模型——瓶颈各不相同：带宽、算力、显存、互联、功耗，各卡各点：

这张表中的每一项，如今均已诞生对应芯片或系统，且形态差异日益显著。连英伟达也开启产品线分叉。这种分化将持续深化，因核心驱动力是推理市场的爆炸式增长。SemiAnalysis的Dylan Patel称，AI推理将是一个“远超石油规模”的市场；市场越大，利基越细，每类需求甚至每个模型，都足以养活一颗或多颗专用芯片。

此时的英伟达，恰如百年前的福特——靠标准化Model T一度占据美国六成车市，也催生了汽车普及；但正是它亲手培育的繁荣，最终引来更懂细分的对手，将其从“唯一选项”挤为“众多选择之一”。同样的剧本，或将重演于芯片领域：市场足够大，便容不下单一形态。

下一个问题接踵而至：若未来需多出数个数量级的芯片种类，谁来设计？谁承担得起高昂定制成本与漫长周期？

一个朴素公式可解：

AC(Q) = F / Q + VC

AC(Q)为每颗芯片均摊成本，仅当其足够低，定制才划算；F为固定成本：设计、IP、流片投入；Q为芯片覆盖的市场规模；VC为单颗制造边际成本。

F有多高？一颗结构简单、复用成熟IP的5nm芯片，设计成本即需1-2亿美元，复杂者达5亿；即便是12nm/28nm成熟制程，成本也达数千万美元。

与成本同样致命的是时间：芯片从定义到流片通常需18-36个月，而模型以月为单位迭代，硬件节奏完全滞后。

多数公司无力承担，也等不起。但随着推理市场膨胀，寻找更高性价比硬件的动机愈发强烈——大量创新被扼杀于萌芽。

这种需求有多真实？看看机器人。一台人形机器人含一千至两千颗半导体——仅相似的关节控制MCU就有20-70颗，全用成熟制程，一套掩膜仅约十万美元。它们本是最易定制的芯片；但各公司执行器架构迥异，需求支离破碎，单个设计难达数十万颗盈亏线——于是全行业只能拼装目录件。所有人都盯着3-5nm的“贵脑”；被忽视的，是每台机器人身上几十颗关键却无人愿投的“小芯”。

这情景，与1987年的半导体业惊人相似。上一次颠覆行业的公司，是台积电。

那时IDM主导：英特尔、TI等设计制造一体巨头吃下第一波红利；晶圆厂天价，令众多设计公司望而却步，只能乞求闲置产能。台积电作为首家纯代工Fab，未发明新技术，仅将制造能力平台化，成为行业低成本、高效率的基础设施，激活了远超IDM时代的设计创新。后续故事众所周知：fab + fabless分工，催生了今日半导体市值前三——英伟达、台积电、博通。

如今与1987年高度相似：AI与具身智能引爆半导体新需求，模型公司、应用方、硬件商手握大量定制芯片构想，却被高昂F挡在门外。人人羡慕谷歌与博通的合作，但能付得起TPU十年试错成本的，仅寥寥数家。市场呼唤下一个“台积电”——它应是十倍快、十倍便宜的博通，成为继fab + fabless后，半导体产业的下一个分工节点。

而大模型，或许正在亲手打造“十倍博通”。

2020年起，谷歌探索用强化学习优化芯片布局，成果演变为AlphaChip，已应用于多代TPU。OpenAI与博通合作亦明确提及：“借助OpenAI模型加速芯片设计与优化”，仅九个月完成从零到流片。英伟达首席科学家Bill Dally在GTC透露：将标准单元库迁至新制程，过去需八人十个月，如今一块GPU通宵即成；他们用强化学习设计的电路“诡异得超乎人类直觉”，面积与功耗却优于人工设计20-30%。

不止巨头关注此机遇。AlphaChip两位核心成员离职创立Ricursive，四个月内以40亿美元估值融资3.35亿美元；专注agentic芯片设计的ChipAgents累计融资7400万美元，产品已进入约50家半导体企业；做芯片基础模型的Cognichip融资9300万美元，英特尔CEO陈立武进入董事会；还有英伟达前芯片AI负责人Mark Ren创办的Agentrys等。

从第一性原理看，芯片设计本就是为LLM+强化学习准备的完美试验场。AI在规则清晰、反馈即时、可无限练习的封闭环境中，迭代最快、超越人类最迅速——先围棋，后代码与数学。

芯片设计或为下一个：EDA工具链本身就是高精度仿真器，RTL可仿真，逻辑可验证，时序、功耗、面积无需流片即可精准评估。模型无需依赖人类专家标注数据，可如AlphaGo般自我对弈，在仿真器中高速探索。相比当年谷歌，我们如今拥有更强推理能力与世界知识的LLM。

只要规则清晰、反馈迅速，LLM已能接管越来越多设计环节；随着模型能力跃升，前后端全流程的Agent化，亦非遥不可及。

模型与芯片，正步入互相增强、加速的正循环：模型越强，设计能力越强；设计出更高效芯片，反哺训练与推理更快更省，模型随之更强；更强模型催生更多场景，召唤更多专用芯片——每转一圈，速度更快。

加速键已被按下。为AI造芯，与用AI造芯，首尾相衔。AI首次开始设计自身存在的物理基座。

我们或许正站在半导体产业新分工的前夜：从fabless + fab，迈向designless + AI designhouse + fab。终端模型与应用公司无需懂芯片，只需提交需求与负载特征，即可像调用云服务一样，快速、低成本获取定制芯片；AI设计平台将定制成本分摊至成百上千项目，芯片正从以亿计的豪赌、巨头专属游戏，变为随时可发起的普通订购。

过去六十年，硅的节拍是摩尔定律——两年一阶。我们习惯以硬件的慢与贵规划产品、壁垒与投资。当AI接管设计，芯片迭代首次挂上软件时钟。九个月，只是这条新曲线的第一个测试点。

终有一日，造一颗芯片将如发布一个软件版本般寻常。那时，稀缺的将是想清楚“该为谁造一颗芯片”的人。

欢迎来到下半场。