OpenAI自研芯片Jalapeño：9个月从零到流片 故事要从2025年10月说起。那个时候，整个AI行业的人都在盯着两件事：一个是NVIDIA的Blackwell架构GPU什么时候能量产交付，另一个是OpenAI到底什么时候宣布自研芯片。第一个问题的答案后来我们都知道了，Blackwell的交付一拖再拖，到2026年上半年还没完全理顺。第二个问题的答案，OpenAI自己可能当时也没想好。但10月有一个信号出现了：OpenAI和Broadcom合作开发AI芯片的消息被正式确认。这个时间点的选择很有意思——正是在NVIDIA因为Blackwell量产问题被整个市场追着骂的时候，OpenAI悄悄地给自己留了一条后路。然后就是2025年12月。Jalapeño的设计工作正式启动。

这个名字本身就很OpenAI——他们喜欢用食物命名，GPT、Claude（其实是Anthropic的，但名字也是食物相关）、现在轮到Jalapeño（墨西哥辣椒）。我猜负责起名字的那个人那天的午餐吃了墨西哥菜。真正的震撼消息是在2026年6月24日到25日之间传出来的：Jalapeño完成了流片。从2025年12月设计启动，到2026年6月流片完成，满打满算只有6个月的实际设计时间（如果扣除假期和流片前的验证时间，实际设计周期大约就是9个月的说法是从项目立项开始算的）。Broadcom方面声称这是"先进半导体领域最快的ASIC开发周期"。这个话有多少水分我们先不急着下结论，但有一件事是确定的：传统意义上的ASIC开发周期，从架构设计到流片，一般是18到24个月。Jalapeño如果真的只用了9个月，那确实是快得离谱。 ？这里有几个关键因素。第一个是Broadcom。

Broadcom在ASIC定制芯片领域其实是个隐藏大佬，他们给Google做过TPU的部分设计，也给好几家大型科技公司做过定制芯片。Broadcom的ASIC业务有一个特点：他们有一套相对成熟的IP库和设计要求流程，可以让客户在架构设计阶段就大量复用已验证的模块，而不用从零开始画每一个电路。这就像盖房子，别人是砖块一块一块砌，Broadcom是直接上预制构件——质量可能没那么"定制"，但速度确实快。第二个因素是ChatGPT本身参与了芯片设计。这不是开玩笑——OpenAI真的用ChatGPT来辅助Jalapeño的开发。具体来说，是在RTL代码验证、时序约束检查和功耗优化这几个环节，用大模型来辅助工程师查找设计缺陷。这个做法现在在半导体行业里开始流行，但并不是每家都真的用得起来。OpenAI的优势在于他们自己就是做大模型的，知道怎么把芯片设计问题转化成提示词工程。

光是这个"用AI设计AI芯片"的闭环，就足够写好几篇论文了。第三个因素，也是最现实的：这笔钱的投入规模应该不小。Broadcom接这种项目，基本是客户出钱、Broadcom出人力和IP。OpenAI背后有微软、有软银、有近期的融资，烧钱速度本来就是出了名的。砸钱换时间，在半导体行业虽然不保证成功，但确实能缩短流程——你可以雇更多的工程师做并行验证，可以买更多的EDA工具license，可以在流片排队的时候塞加急费。Jalapeño是一颗ASIC，专门做AI推理，不做训练。这个定位其实很明确：OpenAI不想跟NVIDIA在训练芯片的领域正面对刚，因为训练芯片的技术门槛更高、生态壁垒更厚。推理芯片的市场虽然也有竞争，但格局还没到NVIDIA一家通吃的程度。谷歌的TPU、亚马逊的Inferentia、微软的Maia，全都是推理向的。

▲ GPT-5.6三档API定价对比（数据来源：OpenAI官方博客 6月27日）

现在OpenAI加入这个俱乐部，逻辑上很通顺：我自己就是全球最大的AI推理负载之一，我为自己优化一颗芯片，总比用通用的GPU来得划算吧？到，Jalapeño的性能可以跟NVIDIA的Blackwell和谷歌的TPU相提并论。这个话听听就好，因为"性能"这个词的定义太宽泛了。如果比的是推理场景下的每瓦性能，Jalapeño确实有可能胜出，因为它的架构是专门为推理定制的，不用像GPU那样兼顾图形渲染和各种通用计算场景。但如果比的是绝对算力或者生态兼容性，那ASIC天然处于劣势——你这颗芯片只能跑OpenAI自己的模型，人家NVIDIA的GPU谁都能用。这里就涉及到一个核心问题：Jalapeño到底有没有对外销售的可能？从目前的信息看，OpenAI的定位很明确：这是给自己的推理服务用的，不是用来卖的。

Greg Brockman的说法是"我们对自己的工作负载有深刻理解"——翻译过来就是，我们最知道跑我们自己的模型需要什么样的芯片，所以我们自己做。这个逻辑跟谷歌做TPU的逻辑一模一样，TPU也是先给自己用，后来才开放给Google Cloud的客户。制造环节是台积电的3nm工艺。这一点不意外，目前能做3nm先进制程的晶圆厂，台积电是独一档。三星的3nm良率一直有问题，Intel的18A还在试样阶段。OpenAI选台积电是理所当然的。但这里也有一个潜在风险：台积电的产能分配。你OpenAI一颗定制ASIC，跟苹果、NVIDIA、AMD这些大客户抢台积电的3nm产能，凭什么你能拿到？答案可能是：量不大。Jalapeño初期只是给OpenAI自己用，部署规模跟NVIDIA采购的GPU数量不在一个量级上，所以台积电那边应该能排得上。

我得说，看到"ChatGPT参与了芯片设计"这个细节的时候，我心里有一股说不出的感觉。倒不是震撼，更多的是一种荒诞感。我们训练AI来帮助设计下一代AI芯片，下一代AI芯片再用来跑更强大的AI，更强大的AI再去设计再下一代的芯片……这个循环一旦转起来，人类工程师在里面的角色是什么？是"提示词工程师"，负责告诉AI我们想要什么样的芯片？还是"验证者"，负责检查AI设计出来的电路是不是真的能跑？我不确定这是一个值得兴奋的时刻，还是一个值得警惕的时刻。把视野拉宽一点，OpenAI做芯片这件事，其实是整个科技行业过去十年一个更大趋势的一部分。这个趋势就是：软件公司向上游硬件延伸，追求全栈控制。Google在2015年就开始搞TPU了，那时候大部分人觉得谷歌就是有钱没处花。结果现在回头看，TPU给谷歌在AI训练成本上省了多少钱？这笔账怎么算都划算。

亚马逊2019年推出Inferentia，现在是AWS AI服务的重要支撑。微软2023年推出Maia 100，2026年据说要出Maia 200。这几家的逻辑是一样的：我用别人的芯片，每年要花几十亿美元买NVIDIA的GPU，而且供应还不保证。不如我自己做，虽然前期投入大，但长期来看成本可控，而且可以根据自己的需求定制。OpenAI现在每年的推理成本，外界估算在几亿到十几亿美元的量级，而且随着用户量增长还在快速上升。如果Jalapeño能在每瓦性能上明显优于现成的GPU方案，哪怕只节省20%的推理成本，一年下来也是几亿美元的节省。这笔账，OpenAI的CFO应该算过不止一遍了。计划是在2026年底之前部署Jalapeño。这个时间表现在看有点紧——6月才流片，到12月要完成系统集成的测试和实际部署，中间还隔着晶圆制造、封装测试、驱动程序开发、模型适配等一系列步骤。

但OpenAI的说法是这是"多代计算平台的第一步"，也就是说Jalapeño 1.0哪怕有bug或者性能没达到预期，后面还有Jalapeño 2.0、3.0。这个策略也对，芯片这种东西，第一版就是用来踩坑的，真正成熟的版本一般是第二代或者第三代。最后一个值得聊的问题：Jalapeño对NVIDIA意味着什么？短期来看，几乎没什么影响。OpenAI的采购量在NVIDIA的营收里占比多大，外界没有准确数字，但应该不会是致命级别的。而且NVIDIA的护城河不仅仅是芯片性能，更重要的是CUDA生态。Jalapeño再强，它也只能跑OpenAI自己的模型，其他公司想用也用不了。但长期看，如果每一家大型AI公司都开始做自己的推理芯片，NVIDIA在推理市场的份额会被一点点蚕食。训练市场NVIDIA暂时还是安全的，因为训练对芯片的通用性要求更高，ASIC在这方面不占优势。

我没有那么看好Jalapeño短期内的实际表现。原因很简单：第一次做芯片，哪怕有Broadcom帮忙，翻车的概率也不小。谷歌TPU第一代的时候bug多到什么程度，用过的人应该还记得。微软Maia 100据说也有各种兼容性坑。OpenAI做软件是一把好手，但硬件是另一回事，芯片行业里的那些"潜规则"和"坑"，不是砸钱就能绕过去的。我的预测是：Jalapeño 1.0会在2026年底如期宣布"部署成功"，但实际大规模上线可能要等到2027年中的2.0版本。回头看整个故事，从2025年10月的合作宣布，到2026年6月的流片完成，OpenAI用大约8个月的时间走完了别人需要走18个月的路。这个速度到底是工程能力的体现，还是"能跑就行"的糙快猛，要到年底实际部署的时候才能见分晓。

但不管结果如何，Jalapeño本身已经释放了一个明确的信号：AI公司向上游硬件整合，已经不是"要不要做"的问题，而是"什么时候做"的问题了。

· · ·