夜雨聆风
2026年6月24日，OpenAI 与博通联合发布了首款定制 AI 推理芯片 Jalapeño。这是一颗专为大语言模型推理设计的 ASIC，从启动设计到完成流片只用了 9 个月。
这件事的信号意义远大于芯片本身：OpenAI 正式从一家纯软件公司，变成一家软硬一体的基础设施公司。AI 行业的竞争维度，又多了一层。
信号：9 个月流片，用 AI 设计 AI 的芯片
芯片行业有一条不成文的规律：一颗复杂 ASIC 从架构设计到流片成功，通常需要 18-24 个月。OpenAI 把这个周期压缩到了 9 个月，核心手段是用自己的 AI 模型辅助芯片设计。
分工很清晰：OpenAI 负责底层架构设计，博通负责硅片实现与网络硬件，加拿大电子制造服务商 Celestica 负责板卡与机架系统集成。三方各做最擅长的事，OpenAI 不碰制造，但牢牢握住了架构定义权。
目前 Jalapeño 工程样片已在实验室中以量产目标频率和功耗运行 GPT5.3、Codex 和 Spark 等工作负载。OpenAI 表示，早期测试表明每瓦性能优于当前最先进水平——但详细技术报告要等未来几个月才发布。
趋势：推理算力正在超过训练算力
为什么 OpenAI 选择在 2026 年中期造芯？因为行业算力消耗的结构正在发生变化。
过去两年，AI 公司的算力投入主要集中在模型训练端——越大的模型需要越多的 GPU 集群。但随着 GPT-5.5、Claude Fable 5 等模型大规模上线服务，推理端（也就是用户每次调用模型时的计算消耗）正在快速超过训练端。一亿次 API 调用背后的推理算力成本，远比训练一个模型更持续、更刚性。
这意味着：谁能在推理端把每 token 成本压到最低，谁就能在 API 价格战中活下来。OpenAI 最近的动作已经印证了这一点——GPT-5.6 的 API 定价仅为 Claude Fable 5 的三分之一，背后必须有自研芯片的成本优势做支撑。
本质：摆脱单一供应商依赖，走谷歌的老路
Jalapeño 的本质，是 OpenAI 在补齐「芯片」这块拼图。
看谷歌就明白了。谷歌自研 TPU 已经到第六代，在算力成本控制和软硬协同优化上展现出巨大的利润空间——同样的模型，谷歌的推理成本比租用 NVIDIA GPU 的竞争对手低一个数量级。这是谷歌敢把 Gemini API 价格压到行业最低的底气。
OpenAI 过去完全依赖 NVIDIA GPU，通过微软 Azure 的专属集群做训练和托管。2024-2025 年开始多元化：引入甲骨文等第三方云服务商，联合 AMD、博通、英特尔优化多芯片通信。但这些都还是「租别人的芯片」。Jalapeño 是第一次「造自己的芯片」。
博通 CEO 陈福阳说了一句话值得玩味：「这仅仅是一份跨越数代的路线图的开端。」翻译过来就是：Jalapeño 只是第一代，后面还有第二代、第三代。OpenAI 的目标不是造一颗芯片，而是建一个计算平台。
判断：AI 公司的护城河，正在从模型下沉到基础设施
如果把这个趋势拉长看，会发现一个清晰的分层：2023 年，AI 公司比的是模型能力（谁的 benchmark 分数高）；2024-2025 年，比的是产品体验（谁的日活高、谁的编程工具好用）；2026 年开始，比的是基础设施效率（谁的推理成本最低、谁的算力供应链最安全）。
每一层的竞争都比上一层更重资产、更难复制。模型可以被开源追赶，产品可以被模仿，但自研芯片 + 数据中心 + 能源供应的基础设施体系，是真正的护城河。
Anthropic 已经与亚马逊、谷歌深度绑定算力；OpenAI 选择了自研芯片 + 博通制造的路线。两条路的终点一样：把算力成本变成结构性优势，而不是可变支出。
建议：关注「推理经济学」而非「模型参数」
对于关注 AI 产业的人来说，该换一个观察视角了。
不要再只盯着模型参数和 benchmark 分数。真正决定哪家公司能赢到最后的，是「推理经济学」——每 token 的成本、每瓦特的性能、每平方米数据中心的吞吐量。这些数字不会出现在发布会上，但会写在财报里。
OpenAI 计划 2026 年底前实现 Jalapeño 的首次部署，并在未来几年持续扩展。如果一切顺利，这颗以辣椒命名的芯片，可能会成为 AI 行业从「模型竞赛」转向「基础设施竞赛」的分水岭。
