一石激起千层浪！短短9个月，OpenAI自研ASIC芯片已超越英伟达Blackwell？

OpenAI首颗自研芯片Jalapeño横空出世，以令人咋舌的速度颠覆了AI芯片行业的既有格局——这不仅是一次产品发布，更是一个信号：AI正在重塑芯片本身的设计方式。

据华尔街见闻文章报道，据彭博8月25日报道，OpenAI表示，Jalapeño在单位功耗可处理的AI工作量和响应速度两项关键指标上均领先英伟达GB300。该芯片由OpenAI与Broadcom合作开发，专为AI推理阶段设计，最快将于今年晚些时候投入实际使用。OpenAI芯片负责人Richard Ho表示，Jalapeño在700瓦低功耗下即可实现强劲性能，有助于大幅降低数据中心电力成本。

据半导体研究机构SemiAnalysis披露，这颗芯片从设计启动到完成流片仅历时约16个月，而其中关键的CoWoS封装流片节点完成于2025年11月，距今不过9个月，远低于行业惯常的18至36个月周期。

SemiAnalysis研究人员亲赴OpenAI实验室，使用其自研基准测试套件InferenceX对Jalapeño进行了实测，结论直接：该芯片在每瓦性能（perf/W）指标上击败了他们此前测试过的所有英伟达、AMD及谷歌芯片。

更值得关注的是，这一成绩是在Jalapeño尚未启用投机解码、未做预填充与解码分离部署等优化手段的情况下取得的，而参与对比的其他芯片均已开启各自最优配置。

难怪就连著名半导体分析师Dylan Patel也直言，“被掀翻的不只是Blackwell，就连英伟达Rubin芯片也被超越了”！

分析认为，这一结果对英伟达的市场地位构成直接挑战，也令市场重新审视AI芯片竞争格局。

实测数据：Jalapeño在多项关键指标上碾压Blackwell

SemiAnalysis的测试结果显示，Jalapeño在推理效率上的优势相当显著。

在GPT-OSS 120B模型上，Jalapeño每秒可输出约1459个Token，而英伟达GB200仅为535个；端到端延迟方面，Jalapeño完成一个任务仅需1.65秒，GB300则需接近6秒，差距达3.6倍。在高交互场景下，当GB300被推至其最快解码速度（每秒169个Token）时，Jalapeño的吞吐量是其104.3倍。

在每兆瓦每秒输出Token数这一衡量数据中心能效的核心指标上，Jalapeño在GPT-OSS模型上达到约5300万个Token/MW/s，而GB200 NVL72仅约1000万。

SemiAnalysis指出，这一指标本质上等同于每焦耳产出的Token数，直接决定了数据中心的收入天花板——在算力受电力约束的当下，这一维度的优势尤为关键。

从系统级成本来看，据SemiAnalysis将供电、散热、网络全部纳入计算后，Jalapeño每芯片每小时总拥有成本约为1.56美元，与H100的1.55美元几乎持平，而英伟达Vera Rubin则高达3.61美元。

值得注意的是，SemiAnalysis同时提出了若干重要保留意见。

其一，测试所用模型并非当前最前沿的模型，英伟达和AMD已在更大规模模型（如DeepSeek V4 Pro、Kimi K3）上发布了基于AgentX套件的成绩，而Jalapeño尚未完成AgentX测试——该套件更能反映多轮、长上下文等真实生产场景的性能表现。
其二，更公平的比较对象应是同样采用HBM4的英伟达Vera Rubin，而非Blackwell；Vera Rubin的每瓦性能较GB200 NVL72提升约5.4倍，与Jalapeño相比，两者在每Token总拥有成本（TCO）上几乎持平。
其三，Jalapeño目前仍处于工程样片阶段，量产预计要到2027年才逐步爬坡。

Jalapeño之所以能以如此惊人的速度完成开发，AI工具的深度介入是核心原因之一。据SemiAnalysis披露，OpenAI在芯片设计过程中大量使用了内部AI模型，其中包括被外界广泛关注的GPT-Astra。

社交平台X用户Andrew Curran援引OpenAI信息指出，GPT-Astra深度参与了Jalapeño的研发全程：

"团队借助Codex与GPT-Astra，在两个月内将三个原本不在Jalapeño量产计划内的开源模型调优至高性能状态。"

这意味着，AI不仅在加速芯片设计本身，还在快速扩展芯片所能支持的模型范围。

SemiAnalysis的数据进一步量化了这一贡献：

AI辅助设计使SIMD单元面积缩减8%，矩阵引擎面积缩减10%，同时在时序和功耗表现上均优于初始版本。

在软件层面，OpenAI使用内部扩展版Codex编写Jalapeño内核，部分内核代码长达约3000行；在最吃性能的注意力机制和MoE模块上，AI生成的代码比人类顶尖工程师的实现快出1.5至1.8倍。

SemiAnalysis对此评价颇为犀利：跑在英伟达GPU上的OpenAI模型（如GPT-5.6 Sol），正被用来设计一颗对CUDA护城河构成真实威胁的芯片——"英伟达自己的GPU正在实时催生自己潜在的接班人"。

架构解析：为何"通用"反而更快？

外界普遍预设Jalapeño是一颗专为OpenAI自家模型深度定制的芯片，但SemiAnalysis的结论恰恰相反：Jalapeño是一颗面向AI推理的通用芯片，能够运行各类模型和工作负载，甚至包括用Codex移植的《毁灭战士》游戏。

在架构层面，Jalapeño的核心设计哲学是"消除固定延迟"。与GPU依赖复杂内存层级不同，Jalapeño将计算核心与HBM切片直接绑定，核心间通过专用高带宽集合网络同步，大幅降低了内存访问延迟。

此外，Jalapeño采用乱序执行（OoO）核心搭配L1缓存，而非其他加速器普遍使用的软件管理暂存器，这使其在小批量、低延迟场景下能够更接近硬件理论峰值。

在内存带宽方面，Jalapeño采用HBM4，实现了15.4TB/s的单封装内存带宽，每瓦HBM带宽达22，而英伟达Rubin为11.1，GB300仅为5.71。

SemiAnalysis指出，Jalapeño的HBM4引脚速度达10Gbps，略高于英伟达Rubin的9.6Gbps，HBM供应商可能为三星。

值得一提的是，Jalapeño选择不做预填充与解码分离部署（PDD）。SemiAnalysis对此给出了详细解释：

在真实生产环境中，输入输出比例、并发量、缓存命中率等参数持续变化，固定分池会导致全局利用率下降；而同构资源池可以灵活响应流量变化，在延迟敏感型请求和高吞吐批处理之间动态调配。

SemiAnalysis在报告中抛出了一个颇具分量的判断：CUDA的护城河可能已经死了。

其依据在于软件起步速度的对比。英伟达Rubin的CoWoS流片比Jalapeño早一个月完成，但迄今为止，外界能看到的Rubin公开基准数据仅来自CoreWeave的工程样片，英伟达并未像OpenAI那样开放第三方进入实验室自由测试。SemiAnalysis认为，这反映的不是硬件本身的差距，而是软件成熟度的差距。

从零开始构建软件栈，反而让OpenAI得以摆脱历史包袱，做出更干净的架构决策。OpenAI使用自研内核编程语言Gluon（基于Triton构建）以及内部推理引擎"Teacup"，并借助Codex快速完成内核调优。SemiAnalysis观察到，在不到两周的时间内，Jalapeño在特定交互速度下的吞吐量提升超过2倍；在8天内，团队将张量并行从TP8扩展至TP32，实现了跨机架的全机柜规模部署。

不过，SemiAnalysis也明确指出，目前的测试仅覆盖8k1k这一相对简单的工作负载，尚未完成AgentX多轮长上下文测试。在更复杂的智能体工作负载下，路由器、前缀缓存等组件的表现将成为新的考验。

下一步：B0已入厂，10GW版图徐徐展开

Jalapeño的故事远未结束。

据SemiAnalysis披露，目前公开测试所用的均为A0步进样片，而B0步进已进入晶圆厂，预计在每瓦性能上较A0再提升约25%——B0单颗计算die的MXFP4算力将达13.4 PFLOPs，TDP维持在700W。

在系统层面，OpenAI与Celestica合作设计了完整的机架方案：每个ASIC机柜包含128颗Jalapeño芯片，双机柜系统总功耗约160kW，与英伟达GB300双宽机柜相当。

规模化部署方面，单一扩展网络域最多可连接2048颗Jalapeño XPU，覆盖16个机架。量产方面，SemiAnalysis预计将于2027年逐步爬坡，下一个里程碑目标是100MW部署规模。

更大的战略图景是，OpenAI与Broadcom已签署10GW定制加速器合作协议，这一量级大致相当于十座核电机组的满发功率。

华尔街见闻文章写道，OpenAI芯片负责人Richard Ho表示，公司已达到能够切实降低基础设施成本的功耗和成本水平，"这只是第一步"。他同时强调，英伟达仍是重要合作伙伴，OpenAI对算力的需求极为庞大，短期内不会放弃现有供应商。

分析人士指出，Jalapeño的意义或许不在于它今天能替代多少英伟达芯片，而在于它证明了一件此前被普遍质疑的事：一家AI公司，用AI工具，在创纪录的时间内，造出了一颗真正具备竞争力的芯片。这个飞轮，已经开始转动。