OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上

OpenAI 第一次下场造芯片，直接把成绩单打到了英伟达脸上。 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。 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。 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。 测试结果让硬件圈震动。 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。 端到端推理延迟，直接降低了 1.7 到 3.6 倍。 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。 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。 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？ 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？ 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。 它的名字叫通用性税。 英伟达的 GPU 之所以统治世界，核心护城河是通用。 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。 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。 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。 每一平方毫米的硅片面积，都在为可能用到的灵活性供电。 这就是通用性税。 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。 到了模型推理阶段，游戏规则彻底变了。 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。 这里没有反向传播。 没有梯度更新。 也没有复杂的参数优化器。 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。 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。 计算历史上早就上演过同样的剧本。 2017 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。 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。 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。 比特币矿机从显卡走向 ASIC，走的是同一条物理收敛之路。 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。 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。 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。 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。 Jalapeño 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。 16 个月流片打赢 GB300，不是半导体制造的奇迹。 这是专用芯片在既定赛道上对通用冗余的必然收割。 真正的算力分水岭，从来不在于谁堆出了更全能的硬件。 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。