{"id":"mb-20260830-a60fc8","kind":"deep","title":"OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分","summary":"OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分","body":"OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分。\n在公开基准测试里，这块芯片在能效和响应速度上，跑赢了英伟达当前的主力系统 GB300。\n很多人的第一反应是：OpenAI 要跟英伟达全面开战了？\n或者好奇：一家软件和大模型起家的公司，凭什么能在 9 个月内做出一块叫板行业霸主的芯片？\n如果你只盯着跑分，就漏掉了底层最关键的那台机器。\n为什么 OpenAI 完全不碰模型训练，把所有筹码押在一块专用推理芯片上？\n底下的机制叫数据搬运税。\n过去大家默认英伟达的 GPU 是整个算力时代的唯一解法。\n但英伟达的芯片本质上是一台通用计算怪兽。\n它必须同时照顾图形渲染、科学计算、模型训练里的反向传播和庞大梯度更新。\n这套无所不能的通用架构，代价极其昂贵。\n到了大模型推理和智能体调用的场景，物理瓶颈彻底变了。\n系统缺的不是算力，而是被搬运拖死。\n模型每生成一个词元，都要把海量的参数权重和上下文缓存从显存挪进计算核心。\n芯片大半时间没有在全力计算。\n它在等数据跨越物理距离排队送过来。\n在通用架构里，超过一半的电量和延迟，全部消耗在数据于核心与存储之间的长距离搬运上。\n这就是每一家 AI 厂商每分每秒都在交的数据搬运税。\nOpenAI 的硬件主管 Richard Ho 曾参与打造谷歌的 TPU 架构。\n他的解法很干脆：从一张白纸重新设计。\n他们把所有跟推理无关的图形流水线和反向传播逻辑全部剔除。\n通过博通负责物理设计，并引入 HBM4 堆叠显存，把计算核心与存储紧密贴合在一起。\n他们甚至让自家的前沿大模型充当虚拟芯片架构师，把通常需要两三年的研发周期直接压缩到了 9 个月。\n在 SemiAnalysis 的开源测试基准 InferenceX 下，运行包括 DeepSeek R1 和开源大模型在内的任务，Jalapeño 的每瓦工作量达到了现有系统的 1.5 到 1.9 倍，端到端延迟降低了最高 3.6 倍。\n这意味着行业底层的算账逻辑变了。\n训练大模型是一次性的资本开支，买英伟达依然是最高效的选择。\n推理却是每一秒都在吞噬现金流的日常运营账单。\n当几亿活跃用户的提问和智能体自动化任务呈指数级爆发，决定胜负的不再是谁能堆砌更多通用的算力神卡。\n谁能拆掉通用架构里多余的零件，把数据搬运的物理损耗降到最低，谁就能把智能的边际成本压到地板上。\n硬件从来不是独立于软件的孤岛。\n当设计芯片的人，本身就是写模型和运营服务的人，通用巨头的防线就会被切开一道最深的长口。","topic":"OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分","frame_type":["数据搬运税（Data Movement Over","机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-08-30 21:55:00","legal_anchor_count":0,"transcript_citation_count":0}