---
id: "mb-20260830-a60fc8"
kind: "deep"
title: "OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分"
topic: "OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分"
source_type: "generated"
status: "published"
generated_at: "2026-08-30 21:55:00"
frame_type: ["数据搬运税（Data Movement Over", "机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分

OpenAI 公布了首款自研芯片 Jalapeño 的实测跑分。
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。
很多人的第一反应是：OpenAI 要跟英伟达全面开战了？
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？
如果你只盯着跑分，就漏掉了底层最关键的那台机器。
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？
底下的机制叫数据搬运税。
过去大家默认英伟达的 GPU 是整个算力时代的唯一解法。
但英伟达的芯片本质上是一台通用计算怪兽。
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。
这套无所不能的通用架构，代价极其昂贵。
到了大模型推理和智能体调用的场景，物理瓶颈彻底变了。
系统缺的不是算力，而是被搬运拖死。
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。
芯片大半时间没有在全力计算。
它在等数据跨越物理距离排队送过来。
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。
这就是每一家 AI 厂商每分每秒都在交的数据搬运税。
OpenAI 的硬件主管 Richard Ho 曾参与打造谷歌的 TPU 架构。
他的解法很干脆：从一张白纸重新设计。
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。
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。
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。
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。
这意味着行业底层的算账逻辑变了。
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。
推理却是每一秒都在吞噬现金流的日常运营账单。
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。
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。
硬件从来不是独立于软件的孤岛。
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。

_Rendered by mubei-terminal._