导读

OpenAI把战线从大模型一路推进到了芯片。它首次公开自研推理芯片Jalapeño的测试成绩，在部分大模型推理任务里，单位功耗吞吐量和响应延迟表现都很抢眼。表面看，这只是一组芯片跑分；但真正值得注意的是，OpenAI已经不满足于做“最会用GPU的公司”，而是开始尝试掌握模型运行成本最底层的一环。

OpenAI为什么一定要自己做芯片？

训练大模型确实昂贵，但训练不是时时刻刻都在发生。真正长期烧钱的是推理：ChatGPT回答问题、编程Agent执行任务、企业AI分析文件，每一次调用背后都需要算力、电力和内存。对于拥有海量用户的平台来说，单次请求哪怕只节省一点成本，乘上每天数以亿计的调用次数，都会变成非常可观的差额。自研芯片最大的价值，就是让OpenAI有机会把一部分高频任务从通用GPU上迁走。

跑分漂亮，不等于英伟达要被取代

Jalapeño目前公开的数据很亮眼，尤其是在针对推理优化的场景里，能效和延迟有明显优势。但这类测试不能简单理解为“OpenAI芯片已经全面超过英伟达”。英伟达真正强大的地方并不只是一块GPU，而是一整套生态：CUDA、网络、服务器、软件工具、开发者基础以及稳定的供应链。OpenAI短期内依然离不开英伟达，它更现实的目标，是先把最常用、最贵的推理任务掌握在自己手里。

为什么AI巨头都开始自己造芯？

这不是OpenAI一家公司的冲动。Google有TPU，Amazon有Trainium，其他云厂商也在做自己的加速芯片。原因很直接：当AI规模越来越大，芯片就不再只是采购部门的事情，而是决定产品成本和利润率的核心资源。谁能针对自己的模型做软硬件联合优化，谁就可能在同样的电力和机房条件下服务更多用户。

真正变化的是AI产业的竞争方式

过去大家讨论AI，重点是参数量、榜单和模型能力；现在竞争正在向芯片、数据中心、电力和网络继续下沉。英伟达短期仍然占据核心位置，但它最大的客户也在努力培养替代方案。未来真正强大的AI公司，可能既要会训练模型，也要懂芯片、基础设施和成本控制。Jalapeño暂时还谈不上撼动英伟达，但它已经释放出一个很清楚的信号：AI巨头正在争夺底层控制权。

对普通用户来说，这场芯片竞赛最终会体现在更快的响应速度、更低的服务价格和更稳定的AI体验上。谁能把每一次推理做得更便宜，谁就更有能力把AI塞进更多产品里。