短短9个月，OpenAI自研ASIC芯片已超越英伟达Blackwell？
- 核心观点：OpenAI首颗自研AI推理芯片Jalapeño实测性能超越英伟达Blackwell及Rubin，其革命性在于使用AI工具辅助设计，将流片周期压缩至16个月，标志着AI重塑芯片设计范式并对CUDA生态构成实质性挑战。
- 关键要素：
- 【性能碾压】在GPT-OSS 120B模型上，Jalapeño每秒输出1459个Token，是GB200（535个）的2.7倍；端到端延迟1.65秒，较GB300的6秒快3.6倍；每瓦性能击败此前测试过的所有英伟达、AMD及谷歌芯片。
- 【能效优势】每兆瓦每秒输出Token数达5300万，是GB200 NVL72（1000万）的5倍以上；每芯片每小时总拥有成本约1.56美元，与H100持平，而英伟达Vera Rubin高达3.61美元。
- 【AI设计飞轮】GPT-Astra与Codex深度参与研发，使SIMD单元面积缩减8%、矩阵引擎面积缩减10%；AI生成内核代码在注意力机制和MoE模块上比人类工程师快1.5至1.8倍。
- 【架构创新】采用HBM4内存实现15.4TB/s带宽，每瓦HBM带宽22（英伟达Rubin为11.1）；计算核心与HBM切片直接绑定并采用乱序执行核心，消除固定延迟。
- 【颠覆性结论】SemiAnalysis指出CUDA护城河可能已死——Rubin流片早于Jalapeño却未开放第三方测试，反映软件成熟度差距；OpenAI两周内将吞吐量提升超2倍，8天内将张量并行从TP8扩展至TP32。
- 【保留意见】测试模型非前沿模型（未完成AgentX多轮长上下文测试）；公平对比对象应为同用HBM4的Vera Rubin而非Blackwell；Jalapeño仍处工程样片阶段，量产要到2027年爬坡。
- 【战略版图】B0步进已入厂，每瓦性能再提升25%；OpenAI与Broadcom签署10GW定制加速器协议（相当于十座核电机组满发功率），下一里程碑为100MW部署规模。
原文作者：董静
原文來源：華爾街見聞
OpenAI 首顆自研晶片 Jalapeño 橫空出世，以令人咋舌的速度顛覆了 AI 晶片行業的既有格局——這不僅是一次產品發佈，更是一個訊號：AI 正在重塑晶片本身的設計方式。
據華爾街見聞文章報導，據彭博 8 月 25 日報導，OpenAI 表示，Jalapeño 在單位功耗可處理的 AI 工作量和響應速度兩項關鍵指標上均領先英偉達 GB300。該晶片由 OpenAI 與 Broadcom 合作開發，專為 AI 推理階段設計，最快將於今年晚些時候投入實際使用。OpenAI 晶片負責人 Richard Ho 表示，Jalapeño 在 700 瓦低功耗下即可實現強勁性能，有助於大幅降低數據中心電力成本。
據半導體研究機構 SemiAnalysis 披露，這顆晶片從設計啟動到完成流片僅歷時約 16 個月，而其中關鍵的 CoWoS 封裝流片節點完成於 2025 年 11 月，距今不過 9 個月，遠低於行業慣常的 18 至 36 個月週期。
SemiAnalysis 研究人員親赴 OpenAI 實驗室，使用其自研基準測試套件 InferenceX 對 Jalapeño 進行了實測，結論直接：該晶片在每瓦性能（perf/W）指標上擊敗了他們此前測試過的所有英偉達、AMD 及谷歌晶片。
更值得關注的是，這一成績是在 Jalapeño 尚未啟用投機解碼、未做預填充與解碼分離部署等優化手段的情況下取得的，而參與對比的其他晶片均已開啟各自最優配置。
難怪就連著名半導體分析師 Dylan Patel 也直言，「被掀翻的不只是 Blackwell，就連英偉達 Rubin 晶片也被超越了」！
分析認為，這一結果對英偉達的市場地位構成直接挑戰，也令市場重新審視 AI 晶片競爭格局。
實測數據：Jalapeño 在多項關鍵指標上碾壓 Blackwell
SemiAnalysis 的測試結果顯示，Jalapeño 在推理效率上的優勢相當顯著。
在GPT-OSS 120B 模型上，Jalapeño 每秒可輸出約 1459 個 Token，而英偉達 GB200 僅為 535 個；端到端延遲方面，Jalapeño 完成一個任務僅需 1.65 秒，GB300 則需接近 6 秒，差距達 3.6 倍。在高交互場景下，當 GB300 被推至其最快解碼速度（每秒 169 個 Token）時，Jalapeño 的吞吐量是其 104.3 倍。
在每兆瓦每秒輸出 Token 數這一衡量數據中心能效的核心指標上，Jalapeño 在GPT-OSS 模型上達到約 5300 萬個 Token/MW/s，而 GB200 NVL72 僅約 1000 萬。
SemiAnalysis 指出，這一指標本質上等同於每焦耳產出的 Token 數，直接決定了數據中心的收入天花板——在算力受電力約束的當下，這一維度的優勢尤為關鍵。
從系統級成本來看，據 SemiAnalysis 將供電、散熱、網路全部納入計算後，Jalapeño 每晶片每小時總擁有成本約為 1.56 美元，與 H100 的 1.55 美元幾乎持平，而英偉達 Vera Rubin 則高達 3.61 美元。
值得注意的是，SemiAnalysis 同時提出了若干重要保留意見。
其一，測試所用模型並非當前最前沿的模型，英偉達和 AMD 已在更大規模模型（如 DeepSeek V4 Pro、Kimi K3）上發佈了基於 AgentX 套件的成績，而 Jalapeño 尚未完成 AgentX 測試——該套件更能反映多輪、長上下文等真實生產場景的性能表現。
其二，更公平的比較對象應是同樣採用 HBM4 的英偉達 Vera Rubin，而非 Blackwell；Vera Rubin 的每瓦性能較 GB200 NVL72 提升約 5.4 倍，與 Jalapeño 相比，兩者在每 Token 總擁有成本（TCO）上幾乎持平。
其三，Jalapeño 目前仍處於工程樣片階段，量產預計要到 2027 年才逐步爬坡。
AI 設計晶片：GPT-Astra 與 Codex 的「飛輪效應」
Jalapeño 之所以能以如此驚人的速度完成開發，AI 工具的深度介入是核心原因之一。據 SemiAnalysis 披露，OpenAI 在晶片設計過程中大量使用了內部 AI 模型，其中包括被外界廣泛關注的 GPT-Astra。
社交平台 X 用戶 Andrew Curran 援引 OpenAI 資訊指出，GPT-Astra 深度參與了 Jalapeño 的研發全程：
「團隊借助 Codex 與 GPT-Astra，在兩個月內將三個原本不在 Jalapeño 量產計劃內的开源模型調優至高性能狀態。」
這意味著，AI 不僅在加速晶片設計本身，還在快速擴展晶片所能支援的模型範圍。
SemiAnalysis 的數據進一步量化了這一貢獻：
AI 輔助設計使 SIMD 單元面積縮減 8%，矩陣引擎面積縮減 10%，同時在時序和功耗表現上均優於初始版本。
在軟體層面，OpenAI 使用內部擴展版 Codex 編寫 Jalapeño 內核，部分內核代碼長達約 3000 行；在最吃性能的注意力機制和 MoE 模組上，AI 生成的代碼比人類頂尖工程師的實現快出 1.5 至 1.8 倍。
SemiAnalysis 對此評價頗為犀利：跑在英偉達 GPU 上的 OpenAI 模型（如 GPT-5.6 Sol），正被用來設計一顆對 CUDA 護城河構成真實威脅的晶片——「英偉達自己的 GPU 正在實時催生自己潛在的接班人」。
架構解析：為何「通用」反而更快？
外界普遍預設 Jalapeño 是一顆專為 OpenAI 自家模型深度定製的晶片，但 SemiAnalysis 的結論恰恰相反：Jalapeño 是一顆面向 AI 推理的通用晶片，能夠運行各類模型和工作負載，甚至包括用 Codex 移植的《毀滅戰士》遊戲。
在架構層面，Jalapeño 的核心設計哲學是「消除固定延遲」。與 GPU 依賴複雜記憶體層級不同，Jalapeño 將計算核心與 HBM 切片直接綁定，核心間透過專用高頻寬集合網路同步，大幅降低了記憶體訪問延遲。
此外，Jalapeño 採用亂序執行（OoO）核心搭配 L1 快取，而非其他加速器普遍使用的軟體管理暫存器，這使其在小批量、低延遲場景下能夠更接近硬體理論峰值。
在記憶體頻寬方面，Jalapeño 採用 HBM4，實現了 15.4TB/s 的單封裝記憶體頻寬，每瓦 HBM 頻寬達 22，而英偉達 Rubin 為 11.1，GB300 僅為 5.71。
SemiAnalysis 指出，Jalapeño 的 HBM4 引腳速度達 10Gbps，略高於英偉達 Rubin 的 9.6Gbps，HBM 供應商可能為三星。
值得一提的是，Jalapeño 選擇不做預填充與解碼分離部署（PDD）。SemiAnalysis 對此給出了詳細解釋：
在真實生產環境中，輸入輸出比例、並發量、快取命中率等參數持續變化，固定分池會導致全局利用率下降；而同構資源池可以靈活響應流量變化，在延遲敏感型請求和高吞吐批次處理之間動態調配。
CUDA 護城河：裂縫已現？
SemiAnalysis 在報告中拋出了一個頗具分量的判斷：CUDA 的護城河可能已經死了。
其依據在於軟體起步速度的對比。英偉達 Rubin 的 CoWoS 流片比 Jalapeño 早一個月完成，但迄今為止，外界能看到的 Rubin 公開基準數據僅來自 CoreWeave 的工程樣片，英偉達並未像 OpenAI 那樣開放第三方進入實驗室自由測試。SemiAnalysis 認為，這反映的不是硬體本身的差距，而是軟體成熟度的差距。
從零開始構建軟體棧，反而讓 OpenAI 得以擺脫歷史包袱，做出更乾淨的架構決策。OpenAI 使用自研內核程式語言 Gluon（基於 Triton 構建）以及內部推理引擎「Teacup」，並借助 Codex 快速完成內核調優。SemiAnalysis 觀察到，在不到兩週的時間內，Jalapeño 在特定交互速度下的吞吐量提升超過 2 倍；在 8 天內，團隊將張量並行從 TP8 擴展至 TP32，實現了跨機架的全機櫃規模部署。
不過，SemiAnalysis 也明確指出，目前的測試僅覆蓋 8k1k 這一相對簡單的工作負載，尚未完成 AgentX 多輪長上下文測試。在更複雜的智慧體工作負載下，路由器、前綴快取等元件的表現將成為新的考驗。
下一步：B0 已入廠，10GW 版圖徐徐展開
Jalapeño 的故事遠未結束。
據 SemiAnalysis 披露，目前公開測試所用的均為 A0 步進樣片，而 B0 步進已進入晶圓廠，預計在每瓦性能上較 A0 再提升約 25%——B0 單顆計算 die 的 MXFP4 算力將達 13.4 PFLOPs，TDP 維持在 700W。
在系統層面，OpenAI 與 Celestica 合作設計了完整的機架方案：每個 ASIC 機櫃包含 128 顆 Jalapeño 晶片，雙機櫃系統總功耗約 160kW，與英偉達 GB300 雙寬機櫃相當。
規模化部署方面，單一擴展網路域最多可連接 2048 顆 Jalapeño XPU，覆蓋 16 個機架。量產方面，SemiAnalysis 預計將於 2027 年逐步爬坡，下一個里程碑目標是 100MW 部署規模。
更大的戰略圖景是，OpenAI 與 Broadcom 已簽署 10GW 定製加速器合作協議，這一量級大致相當於十座核電機組的滿發功率。
華爾街見聞文章寫道，OpenAI 晶片負責人 Richard Ho 表示，公司已達到能夠切實降低基礎設施成本的功耗和成本水平，「這只是第一步」。他同時強調，英偉達仍是重要合作夥伴，OpenAI 對算力的需求極為龐大，短期內不會放棄現有供應商。
分析人士指出，Jalapeño 的意義或許不在於它今天能替代多少英偉達晶片，而在於它證明了一件此前被普遍質疑的事：一家 AI 公司，用 AI 工具，在創紀錄的時間內，造出了一顆真正具備競爭力的晶片。這個飛輪，已經開始轉動。
