短短9个月，OpenAI自研ASIC芯片已经超越英伟达Blackwell？

OpenAI推出了其首款自研芯片Jalapeño，以超乎寻常的速度彻底改变了人工智能芯片行业的现状。这不仅仅是一款新产品的发布，更是一个明确的信号：AI正在重新定义芯片的设计理念。

根据《华尔街见闻》报道，彭博社在8月25日发布的消息显示，OpenAI表示，Jalapeño在单位功耗下的AI工作负载处理能力和响应速度方面均优于英伟达的GB300。这款芯片是OpenAI与Broadcom合作开发的，专门针对AI推理阶段设计，预计将在今年晚些时候投入实际使用。OpenAI芯片负责人Richard Ho透露，Jalapeño在700瓦低功耗的条件下实现了强劲的性能，有助于显著降低数据中心的电力开销。

半导体研究机构SemiAnalysis披露，这款芯片从设计启动到完成流片仅用了约16个月，而其中关键的CoWoS封装流片节点是在2025年11月完成的，距今仅有9个月，这一进度远低于行业常规的18至36个月周期。

SemiAnalysis的研究人员亲自到OpenAI实验室，使用其自研的基准测试套件InferenceX对Jalapeño进行了实测，结果表明：该芯片在每瓦性能（perf/W）指标上超越了以往测试过的所有英伟达、AMD和谷歌芯片。

更引人注目的是，这一成绩是在Jalapeño尚未启用投机解码、未进行预填充和解码分离部署等优化措施的情况下取得的，而参与对比的其他芯片则均已开启各自的最优配置。

难怪著名半导体分析师Dylan Patel表示：“不仅是Blackwell被超越，连英伟达的Rubin芯片也被甩在了后头！”

分析认为，这一结果直接挑战了英伟达的市场地位，同时也促使市场重新审视AI芯片的竞争格局。

SemiAnalysis的测试结果显示，Jalapeño在推理效率方面的优势非常明显。

在GPT-OSS 120B模型上，Jalapeño每秒可输出约1459个Token，而英伟达的GB200仅为535个；在端到端延迟方面，Jalapeño完成一个任务仅需1.65秒，而GB300则接近6秒，差距达到3.6倍。在高交互场景中，当GB300被推至其最快解码速度（每秒169个Token）时，Jalapeño的吞吐量是其104.3倍。

在每兆瓦每秒输出Token数这个衡量数据中心能效的核心指标上，Jalapeño在GPT-OSS模型上达到了约5300万个Token/MW/s，而GB200 NVL72仅为约1000万个。

SemiAnalysis指出，这一指标本质上等同于每焦耳产生的Token数，直接影响数据中心的收入上限——在算力受到电力限制的情况下，这一维度的优势尤为重要。

从系统级成本来看，SemiAnalysis将供电、散热和网络全部纳入计算后，发现Jalapeño每芯片每小时的总拥有成本约为1.56美元，与H100的1.55美元几乎持平，而英伟达的Vera Rubin则高达3.61美元。

值得注意的是，SemiAnalysis也提出了一些重要的保留意见。

Jalapeño能够以如此惊人的速度完成开发，AI工具的深度介入是其中的核心原因之一。根据SemiAnalysis的消息，OpenAI在芯片设计过程中大量使用了内部AI模型，包括广受关注的GPT-Astra。

社交平台X的用户Andrew Curran引用OpenAI的信息指出，GPT-Astra在Jalapeño的研发过程中发挥了重要作用：

这表明，AI不仅在加速芯片设计本身，还在迅速扩展芯片支持的模型范围。

SemiAnalysis的数据进一步量化了这一贡献：

SemiAnalysis对此评价颇为犀利：跑在英伟达GPU上的OpenAI模型（如GPT-5.6 Sol），正被用来设计一款对CUDA护城河构成真实威胁的芯片——“英伟达自己的GPU正在实时催生自身的潜在接班人”。

外界普遍认为Jalapeño是一款专为OpenAI自家模型深度定制的芯片，但SemiAnalysis的结论恰恰相反：Jalapeño是一款面向AI推理的通用芯片，能够运行各种模型和工作负载，甚至包括用Codex移植的《毁灭战士》游戏。

从架构的角度来看，Jalapeño的核心设计理念是“消除固定延迟”。与依赖复杂内存层级的GPU不同，Jalapeño将计算核心与HBM切片直接绑定，核心之间通过专用高带宽集合网络进行同步，大幅降低了内存访问延迟。

🌐 出海支付：锦鲤环球(KoiGlobal) — 海外支付通道，覆盖孟加拉/菲律宾/印尼等新兴市场，代收代付 API 稳定接入。

此外，Jalapeño采用乱序执行（OoO）核心与L1缓存，而非其他加速器普遍使用的软件管理缓存，这使其在小批量、低延迟场景下能够更接近硬件理论峰值。

在内存带宽方面，Jalapeño采用HBM4，实现了单封装15.4TB/s的内存带宽，每瓦HBM带宽高达22，而英伟达Rubin为11.1，GB300仅为5.71。

SemiAnalysis指出，Jalapeño的HBM4引脚速度达10Gbps，略高于英伟达Rubin的9.6Gbps，HBM供应商可能为三星。

值得一提的是，Jalapeño选择不进行预填充和解码分离部署（PDD）。SemiAnalysis对此做出了详细解释：

SemiAnalysis在报告中提出了一个重要判断：CUDA的护城河可能已经消亡。

其依据在于软件起步速度的对比。英伟达Rubin的CoWoS流片比Jalapeño早一个月完成，但迄今为止，外界能看到的Rubin公开基准数据仅来自CoreWeave的工程样片，英伟达并未像OpenAI那样开放第三方进入实验室进行自由测试。SemiAnalysis认为，这反映的不是硬件本身的差距，而是软件成熟度的差距。

从零开始构建软件栈，反而让OpenAI得以摆脱历史包袱，做出更干净的架构决策。OpenAI使用自研内核编程语言Gluon（基于Triton构建）以及内部推理引擎“Teacup”，并借助Codex迅速完成内核调优。SemiAnalysis观察到，在不到两周的时间内，Jalapeño在特定交互速度下的吞吐量提升超过2倍；在8天内，团队将张量并行从TP8扩展至TP32，实现了跨机架的全机柜规模部署。

不过，SemiAnalysis也明确指出，目前的测试仅覆盖8k1k这一相对简单的工作负载，尚未完成AgentX多轮长上下文测试。在更复杂的智能体工作负载下，路由器、前缀缓存等组件的表现将成为新的考验。

据SemiAnalysis透露，目前公开测试所用的均为A0步进样片，而B0步进已进入晶圆厂，预计在每瓦性能上较A0再提升约25%——B0单颗计算die的MXFP4算力将达到13.4PFLOPs，TDP维持在700W。

在系统层面，OpenAI与Celestica合作设计了完整的机架方案：每个ASIC机柜包含128颗Jalapeño芯片，双机柜系统的总功耗约为160kW，与英伟达GB300双宽机柜相当。

来源：Odaily星球日报