{"id":"mb-20260830-363acb","kind":"deep","title":"OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上","summary":"OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上","body":"OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上。\n在 2026 年 8 月的 Hot Chips 大会上，OpenAI 正式披露了第一款自研推理芯片 Jalapeño。\n在公开的 InferenceX 基准测试里，这颗芯片全面对标英伟达的 GB200 和 GB300 系统。\n参与跑分的模型阵容很硬：开源的 GPT-OSS 120B、6700 亿参数的 DeepSeek R1、以及 1 万亿参数的 Kimi K2.5。\n测试结果让硬件圈震动。\n在峰值吞吐量下，Jalapeño 每瓦特完成的计算工作量，是英伟达系统的 1.5 到 1.9 倍。\n端到端推理延迟，直接降低了 1.7 到 3.6 倍。\n它的额定热设计功耗标了 700 瓦，实际测试跑满，功耗稳定在 550 瓦以内。\n一家做大模型起家的软件公司，联合博通（Broadcom），只用了 16 个月就完成团队组建到芯片流片。\n为什么它一出手，就能在能效和延迟上压制统治显卡市场几十年的硬件霸主？\n是英伟达的设计团队落后了，还是两套硬件底层的运行逻辑根本不同？\n把芯片切开看微架构，会看到一台支配着计算历史的冰冷机器。\n它的名字叫通用性税。\n英伟达的 GPU 之所以统治世界，核心护城河是通用。\n在大模型训练阶段，全球的算法团队每周都在尝试新的网络架构。\n为了应付未知的算法，GPU 必须在硅片上塞满应对各种情况的冗余电路。\n复杂的反向传播计算、高精度的浮点单元、庞大的指令调度器、以及支持任意算子的硬件模块。\n每一平方毫米的硅片面积，都在为可能用到的灵活性供电。\n这就是通用性税。\n开发者享受了随心所欲写代码的自由，代价是为海量闲置的硬件逻辑买单。\n到了模型推理阶段，游戏规则彻底变了。\n大模型生成内容的过程，本质上只有前向传播和自回归标记生成。\n这里没有反向传播。\n没有梯度更新。\n也没有复杂的参数优化器。\n整个系统的物理瓶颈，被极度收敛为两件事：稠密矩阵乘法，以及极高吞吐的显存搬运。\n这时候，通用 GPU 上那些为了训练准备的复杂结构，全变成了白白发热的累赘。\n计算历史上早就上演过同样的剧本。\n2017 年，谷歌学者诺姆·乔皮（Norm Jouppi）在体系结构顶会 ISCA 上公布了第一代 TPU。\n那颗纯粹用于推理的芯片，能效直接把当时的通用 CPU 和 GPU 甩开 15 到 30 倍。\n逻辑完全相通：只要剥掉反向传播的硬件包袱，专用芯片就能在单位能耗下释放数倍的吞吐。\n比特币矿机从显卡走向 ASIC，走的是同一条物理收敛之路。\n任何一种计算形态，只要从前期的算法探索走向后期的规模化量产，专用架构对通用硬件的清场就只是时间问题。\n过去几年，AI 行业把大半预算砸在训练上，英伟达靠着全能架构拿走了七成毛利。\n随着深度思考与推理模型的普及，数据中心八成以上的电费开始流向推理端。\n当计算变成了每天几百亿次重复调用的工业流水线，高昂的通用性税就成了无法承受的负担。\nJalapeño 砍掉所有训练包袱，把硅片面积和功耗预算全部留给前向矩阵运算。\n16 个月流片打赢 GB300，不是半导体制造的奇迹。\n这是专用芯片在既定赛道上对通用冗余的必然收割。\n真正的算力分水岭，从来不在于谁堆出了更全能的硬件。\n在于当一个时代不需要那么多冗余时，谁能最先跨过那道名为通用的高墙。","topic":"OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上","frame_type":["通用性税与专用计算架构收敛","机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-08-30 21:54:05","legal_anchor_count":0,"transcript_citation_count":0}