一石激起千層浪 短短9個月 OpenAI自研ASIC晶片已超越英偉達Blackwell？

作者：董靜，華爾街見聞

OpenAI首顆自研晶片Jalapeño橫空出世，以令人咋舌的速度顛覆了AI晶片行業的既有格局——這不僅是一次產品發布，更是一個信號：AI正在重塑晶片本身的設計方式。

據彭博8月25日報導，OpenAI表示，Jalapeño在單位功耗可處理的AI工作量和響應速度兩項關鍵指標上均領先英偉達GB300。該晶片由OpenAI與Broadcom合作開發，專為AI推理階段設計，最快將於今年晚些時候投入實際使用。OpenAI晶片負責人Richard Ho表示，Jalapeño在700瓦低功耗下即可實現強勁性能，有助於大幅降低數據中心電力成本。

據半導體研究機構SemiAnalysis披露，這顆晶片從設計啟動到完成流片僅歷時約16個月，而其中關鍵的CoWoS封裝流片節點完成於2025年11月，距今不過9個月，遠低於行業慣常的18至36個月周期。

SemiAnalysis研究人員親赴OpenAI實驗室，使用其自研基準測試套件InferenceX對Jalapeño進行了實測，結論直接：該晶片在每瓦性能（perf/W）指標上擊敗了他們此前測試過的所有英偉達、AMD及谷歌晶片。

更值得關注的是，這一成績是在Jalapeño尚未啟用投機解碼、未做預填充與解碼分離部署等優化手段的情況下取得的，而參與對比的其他晶片均已開啟各自最優配置。

難怪就連著名半導體分析師Dylan Patel也直言，「被掀翻的不只是Blackwell，就連英偉達Rubin晶片也被超越了」！

分析認為，這一結果對英偉達的市場地位構成直接挑戰，也令市場重新審視AI晶片競爭格局。

實測數據：Jalapeño在多項關鍵指標上碾壓Blackwell

SemiAnalysis的測試結果顯示，Jalapeño在推理效率上的優勢相當顯著。

在GPT-OSS 120B模型上，Jalapeño每秒可輸出約1459個Token，而英偉達GB200僅為535個；端到端延遲方面，Jalapeño完成一個任務僅需1.65秒，GB300則需接近6秒，差距達3.6倍。在高交互場景下，當GB300被推至其最快解碼速度（每秒169個Token）時，Jalapeño的吞吐量是其104.3倍。

在每兆瓦每秒輸出Token數這一衡量數據中心能效的核心指標上，Jalapeño在GPT-OSS模型上達到約5300萬個Token/MW/s，而GB200 NVL72僅約1000萬。

SemiAnalysis指出，這一指標本質上等同於每焦耳產出的Token數，直接決定了數據中心的收入天花板——在算力受電力約束的當下，這一維度的優勢尤為關鍵。

從系統級成本來看，據SemiAnalysis將供電、散熱、網路全部納入計算後，Jalapeño每晶片每小時總擁有成本約為1.56美元，與H100的1.55美元幾乎持平，而英偉達Vera Rubin則高達3.61美元。

值得注意的是，SemiAnalysis同時提出了若乾重要保留意見。

其一，測試所用模型並非當前最前沿的模型，英偉達和AMD已在更大規模模型（如DeepSeek V4 Pro、Kimi K3）上發布了基於AgentX套件的成績，而Jalapeño尚未完成AgentX測試——該套件更能反映多輪、長上下文等真實生產場景的性能表現。

其二，更公平的比較對象應是同樣採用HBM4的英偉達Vera Rubin，而非Blackwell；Vera Rubin的每瓦性能較GB200 NVL72提升約5.4倍，與Jalapeño相比，兩者在每Token總擁有成本（TCO）上幾乎持平。

其三，Jalapeño目前仍處於工程樣片階段，量產預計要到2027年才逐步爬坡。

AI設計晶片：GPT-Astra與Codex的"飛輪效應"

Jalapeño之所以能以如此驚人的速度完成開發，AI工具的深度介入是核心原因之一。據SemiAnalysis披露，OpenAI在晶片設計過程中大量使用了內部AI模型，其中包括被外界廣泛關注的GPT-Astra。

社交平台X用戶Andrew Curran援引OpenAI資訊指出，GPT-Astra深度參與了Jalapeño的研發全程：

"團隊藉助Codex與GPT-Astra，在兩個月內將三個原本不在Jalapeño量產計劃內的開源模型調優至高性能狀態。"

這意味著，AI不僅在加速晶片設計本身，還在快速擴展晶片所能支持的模型範圍。

SemiAnalysis的數據進一步量化了這一貢獻：

AI輔助設計使SIMD單元面積縮減8%，矩陣引擎面積縮減10%，同時在時序和功耗表現上均優於初始版本。

在軟體層面，OpenAI使用內部擴展版Codex編寫Jalapeño內核，部分內核代碼長達約3000行；在最吃性能的注意力機制和MoE模塊上，AI生成的代碼比人類頂尖工程師的實現快出1.5至1.8倍。

SemiAnalysis對此評價頗為犀利：跑在英偉達GPU上的OpenAI模型（如GPT-5.6 Sol），正被用來設計一顆對CUDA護城河構成真實威脅的晶片——"英偉達自己的GPU正在實時催生自己潛在的接班人"。

架構解析：為何"通用"反而更快？

外界普遍預設Jalapeño是一顆專為OpenAI自家模型深度定製的晶片，但SemiAnalysis的結論恰恰相反：Jalapeño是一顆面向AI推理的通用晶片，能夠運行各類模型和工作負載，甚至包括用Codex移植的《毀滅戰士》遊戲。

在架構層面，Jalapeño的核心設計哲學是"消除固定延遲"。與GPU依賴複雜內存層級不同，Jalapeño將計算核心與HBM切片直接綁定，核心間通過專用高帶寬集合網路同步，大幅降低了內存訪問延遲。

此外，Jalapeño採用亂序執行（OoO）核心搭配L1緩存，而非其他加速器普遍使用的軟體管理暫存器，這使其在小批量、低延遲場景下能夠更接近硬體理論峰值。

在內存帶寬方面，Jalapeño採用HBM4，實現了15.4TB/s的單封裝內存帶寬，每瓦HBM帶寬達22，而英偉達Rubin為11.1，GB300僅為5.71。

SemiAnalysis指出，Jalapeño的HBM4引腳速度達10Gbps，略高於英偉達Rubin的9.6Gbps，HBM供應商可能為三星。

值得一提的是，Jalapeño選擇不做預填充與解碼分離部署（PDD）。SemiAnalysis對此給出了詳細解釋：

在真實生產環境中，輸入輸出比例、並發量、緩存命中率等參數持續變化，固定分池會導致全局利用率下降；而同構資源池可以靈活響應流量變化，在延遲敏感型請求和高吞吐批處理之間動態調配。

CUDA護城河：裂縫已現？

SemiAnalysis在報告中拋出了一個頗具分量的判斷：CUDA的護城河可能已經死了。

其依據在於軟體起步速度的對比。英偉達Rubin的CoWoS流片比Jalapeño早一個月完成，但迄今為止，外界能看到的Rubin公開基準數據僅來自CoreWeave的工程樣片，英偉達並未像OpenAI那樣開放第三方進入實驗室自由測試。SemiAnalysis認為，這反映的不是硬體本身的差距，而是軟體成熟度的差距。

從零開始構建軟體棧，反而讓OpenAI得以擺脫歷史包袱，做出更乾淨的架構決策。OpenAI使用自研內核編程語言Gluon（基於Triton構建）以及內部推理引擎"Teacup"，並藉助Codex快速完成內核調優。SemiAnalysis觀察到，在不到兩周的時間內，Jalapeño在特定交互速度下的吞吐量提升超過2倍；在8天內，團隊將張量並行從TP8擴展至TP32，實現了跨機架的全機櫃規模部署。

不過，SemiAnalysis也明確指出，目前的測試僅覆蓋8k1k這一相對簡單的工作負載，尚未完成AgentX多輪長上下文測試。在更複雜的智能體工作負載下，路由器、前綴緩存等組件的表現將成為新的考驗。

下一步：B0已入廠，10GW版圖徐徐展開

Jalapeño的故事遠未結束。

據SemiAnalysis披露，目前公開測試所用的均為A0步進樣片，而B0步進已進入晶圓廠，預計在每瓦性能上較A0再提升約25%——B0單顆計算die的MXFP4算力將達13.4 PFLOPs，TDP維持在700W。

在系統層面，OpenAI與Celestica合作設計了完整的機架方案：每個ASIC機櫃包含128顆Jalapeño晶片，雙機櫃系統總功耗約160kW，與英偉達GB300雙寬機櫃相當。

規模化部署方面，單一擴展網路域最多可連接2048顆Jalapeño XPU，覆蓋16個機架。量產方面，SemiAnalysis預計將於2027年逐步爬坡，下一個里程碑目標是100MW部署規模。

更大的戰略圖景是，OpenAI與Broadcom已簽署10GW定製加速器合作協議，這一量級大致相當於十座核電機組的滿發功率。

OpenAI晶片負責人Richard Ho表示，公司已達到能夠切實降低基礎設施成本的功耗和成本水平，"這只是第一步"。他同時強調，英偉達仍是重要合作夥伴，OpenAI對算力的需求極為龐大，短期內不會放棄現有供應商。

分析人士指出，Jalapeño的意義或許不在於它今天能替代多少英偉達晶片，而在於它證明了一件此前被普遍質疑的事：一家AI公司，用AI工具，在創紀錄的時間內，造出了一顆真正具備競爭力的晶片。這個飛輪，已經開始轉動。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。