OpenAI 发布了成立至今第一款自研芯片。
这不是突然的举动——2024年10月与 Broadcom 的合作已经官宣，但真正看到硅片出来，还是让行业一震。芯片名叫 Jalapeño（jalapeño，辣椒名，很接地气），专门为推理（inference）设计，不是用来训练大模型的。
这个细节很重要。
三句核心信息
第一句：芯片已经造出来了，不只是 PPT。
根据 TechCrunch 报道，Jalapeño 目前已在测试阶段，OpenAI 宣称早期结果”显著优于当前最先进的替代方案”——指的是性能功耗比。这是推理芯片最核心的指标。
第二句：Greg Brockman 的原话，解释为什么自己做芯片。
在 OpenAI 官方播客里，Brockman 说：
“We have a deep understanding of the workload. We’ve really been looking for specific workloads that are underserved, and asking: how can we build something that will be able to accelerate what’s possible?”
翻译：市面上的芯片对我们的工作负载优化不够，我们要自己造。
第三句：OpenAI 的野心不止是模型，是整栋楼。
官方声明里这句话很值得细读：
“OpenAI is not only developing frontier models or building products on top of them; it is designing the infrastructure underneath them: chip architecture, kernels, memory systems, networking, scheduling, deployment systems, and product experience.”
两层意思：自己造芯片 + 自己建数据中心 + 自己做产品。三件事同时推进，Nvidia 提供 GPU 是其中一个环节，但不是唯一依赖。
为什么推理芯片是现在的胜负手
预训练需要多少算力，各家公司都在抢 H100。但大模型公司真正烧钱的地方，是推理——每次用户问 ChatGPT 一个问题，都要跑一次模型。用户量越大，推理成本线性增长。
而推理成本的核心不是芯片绝对性能，是性能功耗比（performance-per-watt）。每瓦能跑多少推理请求，决定了毛利率。Jalapeño 直接切这个点。
这跟 Google 的 TPU 路线一模一样：Google 当年做 TPU，也不是为了替代 Nvidia 训练，而是优化自己的推理工作负载。Amazon 有 Trainium 做训练，Inferentia 做推理。现在 OpenAI 选了同一条路。
Nvidia 的护城河还在，但裂缝出现了
Nvidia 在 AI 训练市场的统治地位短期内不会被撼动。但推理市场不一样——推理芯片不需要那么高的通用性，专用化能带来显著收益。
Google TPU 已经跑了八年，Amazon Inferentia 也在持续迭代。OpenAI 现在加入，意味着大模型公司垂直整合的竞赛正式开打。
对 Nvidia 来说，这不是坏消息——它依然卖芯片给所有人。但 AI 公司们正在用脚投票：依赖单一供应商不是战略，是风险。
我的判断
Jalapeño 最值得关注的地方，不是”能不能打赢 Nvidia H100″，而是OpenAI 的商业模式正在往基础设施层延伸。
如果推理成本能显著下降，OpenAI 的订阅产品毛利率会改善。更重要的是：自己控制芯片层，意味着可以在硬件-软件协同优化上做别人做不到的事。这才是真正的护城河——不是某一次 benchmark 领先，而是系统性的垂直整合能力。
Google 在 2016 年就看到了这一天。OpenAI 晚了几年，但这次是来真的。
本文相关平台：