OpenAI自研芯片跑分超英伟达：算力供应链松动

2026年8月25日，Hot Chips会议期间，OpenAI硬件负责人Richard Ho对外公布了公司自研推理芯片Jalapeno的首批基准测试结果。在SemiAnalysis开发的InferenceX基准测试中，Jalapeno在"每用户token数"和"每千瓦吞吐量"两个核心指标上均超过了当前最先进的英伟达Blackwell系统。OpenAI计划于2026年底进行极小批量部署，2027年进入规模化放量。这一进展意味着AI行业过去由英伟达GPU主导的推理算力供应模式，正在被头部模型厂商的自研定制芯片打开第一道缺口。

第一幕：一次有备而来的正面挑战

Jalapeno并非临时产物。这款芯片最早于2025年10月首次对外宣布，由OpenAI与博通密切合作开发，整个设计过程中OpenAI自身的大模型也参与了芯片架构的优化。这意味着芯片从晶体管层面就开始针对OpenAI的模型特性做裁剪和加速，而非像英伟达GPU那样追求通用性。

OpenAI在官方博客中明确写道：Jalapeno的设计核心是减少数据移动和通信延迟。在推理过程中，包括KV缓存在内的模型状态可以被显式放置并保持在本地，系统则根据每个推理阶段激活对应的计算、内存和网络资源组合。这种"按需分配"的架构思路，直接针对了当前推理流程中最容易形成瓶颈的预填充（prefill）和通信两个阶段。

Richard Ho在电话会议上的表述相当直白："结果显示了非常显著的性能领先。Jalapeno能在每单位电力下提供更多AI工作负载，同时返回响应的速度更快。它既适合大规模服务客户，也能做到极低延迟。"

每瓦性能提升，在AI推理这个电力消耗动辄以数据中心为单位的行业里，直接对应的是运营成本。当推理成本从按"每千token几美分"下降到"不到一美分"时，AI应用的商业化边界会被大幅拓宽。

第二幕：旧规则——英伟达的通用GPU霸权

过去五年，英伟达在AI算力市场的统治力几乎无可争议。从A100到H100再到如今的Blackwell系列（GB200、GB300），英伟达走的是一条通用GPU路线：一颗芯片要兼顾训练和推理，要能跑各种模型架构，要靠CUDA软件生态锁住开发者。

这条路的优势在于规模效应和生态粘性。英伟达的GPU卖得越多，开发者越依赖CUDA，客户迁移成本就越高，形成正向循环。对于绝大多数AI公司而言，"买英伟达的卡"是唯一选择，因为没有任何替代方案能在软件成熟度、供货稳定性和社区支持上与之匹敌。

但通用性也意味着冗余。GPU内部大量的通用计算单元在运行特定模型时并不被充分利用，数据传输路径也不是最优的。对于每天消耗数万张GPU卡进行推理的头部模型厂商来说，这种"性能浪费"直接转化为巨额的资本开支和电力账单。

当OpenAI、Google、Meta等巨头每季度的算力投入达到数十亿美元量级时，自研芯片的经济账就开始算得过来了。

第三幕：新变量——全栈协同重新定义芯片

Jalapeno之所以能在单点指标上超越英伟达旗舰，关键在于它不是一个孤立的硬件项目，而是OpenAI"模型-芯片-内存"全栈协同策略的一部分。

OpenAI将Jalapeno定位为多代平台（multigenerational platform），意味着后续每一代芯片将与每一代模型同步迭代。模型架构的变化可以反馈到芯片设计中，芯片能力的提升也可以反过来指导模型的结构优化。这种软硬深度耦合的方式，是英伟达作为第三方硬件供应商无法做到的——它必须保持通用性，不能只为某一家模型公司定制。

博通在其中扮演了关键角色。作为全球最大的定制芯片（ASIC）供应商之一，博通拥有从架构设计到流片的完整能力。Google的TPU就是博通代工的典型案例。OpenAI选择了同一条路径：自己不建晶圆厂，但通过深度参与设计来掌握芯片定义权，制造环节则交给博通和台积电等合作伙伴。

这种"定义权上移"的模式，正在成为AI巨头们的共识。Google用TPU服务自身云业务，Amazon用Trainium和Inferentia支撑AWS，Meta也在推进MTIA自研芯片。OpenAI此前依赖英伟达的采购模式，如今开始向"自研+代工"转变。

第四幕：谁会受益，谁会承压

最直接的赢家是博通。定制芯片市场的扩容意味着博通的ASIC设计服务将获得更多头部客户订单。在通用GPU之外，ASIC正成为AI算力的第二增长曲线。

承压的一方是英伟达。需要明确的是，Jalapeno目前仅在推理侧的特定基准测试中超越了Blackwell系统，英伟达在训练生态、CUDA软件栈和通用GPU市场上的护城河依然深厚。短期内，没有任何一家公司能全面替代英伟达。但推理侧的替代一旦成规模，英伟达的营收结构将面临压力——推理芯片的出货量远大于训练芯片，是更持续的收入来源。

对于整个AI行业而言，Jalapeno的意义不在于单款产品的跑分，而在于它验证了一条可行路径：头部模型厂商可以通过自研芯片降低推理成本，从而改善毛利结构，将更多资源投入到模型研发和应用落地中。这是一个正向循环的起点。

当然，不确定性同样存在。Jalapeno目前的良率、具体产能规划、代工厂排期等关键信息尚未披露。Richard Ho自己也承认，2026年底只是"极小批量"部署，真正形成规模要等到2027年。届时英伟达的下一代产品可能已经完成迭代，竞争格局充满变数。

技术变革的节奏从来不是单点突破，而是多线推进。Jalapeno不是终点，而是一场漫长替代战的开始。

第五幕：对产业链参与者的现实含义

对于AI芯片供应链上的企业，Jalapeno的出现释放了几个信号：

定制芯片设计公司（如博通）将在AI算力多元化中持续受益，订单结构从"一两家巨头"扩展到"多家模型厂商"；台积电等先进制程代工厂的产能将进一步向AI芯片倾斜；而英伟达的生态合作伙伴（服务器厂商、分销商）则需要为算力来源的多元化做好准备。

对于下游的AI应用开发者而言，推理成本的下降意味着AI服务可以覆盖更多场景。当调用大模型的边际成本降低到可忽略水平时，AI将真正从"尝鲜产品"变成"基础设施"。

对于投资者而言，需要关注的不是Jalapeno这一款芯片的跑分，而是"自研推理芯片"这一趋势是否会成为行业标配。如果答案是肯定的，那么AI算力市场的估值逻辑将从"英伟达一家独大"转向"多元供应商博弈"，整个产业链的利润分配将被重新书写。

参考数据来源

• TechCrunch：《OpenAI's Jalapeño chip is built for fast inference at scale, benchmarks show》，2026年8月25日，https://techcrunch.com/2026/08/25/openais-jalapeno-chip-is-built-for-fast-inference-at-scale-benchmarks-show/
• OpenAI官方博客：《Jalapeno: First Results》，https://openai.com/index/jalapeno-first-results/
• SemiAnalysis：InferenceX基准测试框架