你可以把造芯想成设计一座极其复杂的工厂：工程师不仅要决定机器怎样协作，还要把每根线路安排到位。OpenAI这次做的，是让大模型帮工程师写代码、试方案、优化机器的“操作配方”。它没有让AI独自造出芯片，却展示了一条更现实的路线：把任务改写成模型熟悉的软件问题，再由专业工具和人类工程师接手。
8月25日，OpenAI正式发布首款AI加速器Jalapeño。AI加速器是为矩阵运算等AI任务专门设计的芯片，更强调并行计算和快速搬运数据。大型模型公司自研这类硬件，一方面是为了贴合自己的工作负载，另一方面也能减少对通用GPU供应和定价的依赖。
本文数据均来自IEEE Spectrum的单篇报道及其转述的OpenAI材料，尚无独立复测。
先把问题改写成AI擅长的样子
芯片行业早已使用EDA——也就是辅助电路描述、验证和布局布线的自动化工具。Jalapeño的新意不在于用软件造芯，而在于怎样把大语言模型接入已有工具链。
OpenAI采用了XLS，一套最初由Google开发的开源高级综合工具链。工程师可以先用DSLX或C++这类更像普通软件的语言描述功能，再让XLS把它转换成Verilog——用于描述硬件电路的语言。负责这套方法的OpenAI工程师Chris Leary，恰好也是当年在Google发起XLS项目的人。
这个选择很关键。大模型更熟悉语言和软件代码，团队便没有强迫它直接处理全部芯片设计，而是给它一个更容易发挥的入口。OpenAI硬件副总裁Richard Ho也强调，工程师仍然负责决策和最终审核；模型的作用是加快工作，并让团队同时探索更多路径。
从首个架构概念到首批硅片，Jalapeño用时不足20个月；从首版RTL到tape-out只有9个月。RTL是描述芯片逻辑怎样运转的代码，tape-out则意味着设计定稿并送交制造。
不过，这不是OpenAI单独完成的。OpenAI负责端到端系统设计，包括推理加速器、内存层级和网络；Broadcom从门级电路之后接手物理设计。Verkor.io两位联合创始人认为，Broadcom的参与对这一研发速度至关重要。
AI也在教芯片怎样跑得更快
模型的另一项工作发生在芯片制造回来之后。芯片有了，还要编写kernel——可以理解为直接调动硬件完成某项计算的底层操作配方。
据IEEE Spectrum报道，首批芯片在2026年5月返回后，团队让内部模型优化DeepSeek的多头潜在注意力kernel。在约40小时内，该程序的性能从芯片理论上限的0.31%升至88.94%。这里的理论上限由计算能力和内存带宽共同决定；内存带宽就是芯片与高带宽内存每秒能交换多少数据。大模型推理常常卡在数据搬运上，所以它可能和峰值算力同样重要。Ho称这一结果可以复现，并认为它能缩短首批芯片到量产部署之间的调优时间。
它卖的不只是性能
按OpenAI引用的数据，Jalapeño最高可提供13.4 petaflops的4-bit算力，配备232 GB内存，内存带宽为15.4 TB/s。4-bit属于低精度计算，即用更少位数表示数字，以节省内存和计算成本；实际收益仍要连同模型精度、功耗和具体任务评估。
OpenAI的基准测试还称，Jalapeño相较其目前使用的Nvidia GB300，端到端延迟最高可改善至3.6倍，同时功耗更低。端到端延迟指从提交提示词到最后一个token生成完毕所需的时间。
真正值得关注的，是软硬件研发可能形成闭环：OpenAI用自己的模型辅助设计芯片，再用模型为成品芯片优化软件，而芯片最终又服务于模型推理。项目期间，OpenAI硬件团队平均少于100人，目前约100人，但这一数字涵盖系统、软件和供应链岗位，也不包括Broadcom人员，不能理解为“不到100人独立造完整颗芯片”。
局限与未知
- 13.4 petaflops、232 GB、15.4 TB/s及最高3.6倍延迟改善都缺少完整测试方法、负载和精度口径，也没有第三方复测；“最高”代表最佳情形，不等于普遍表现。
- 报道没有披露所用模型、各设计环节的量化提效、人工返工比例或具体功耗数字，因此不能据此断言芯片主要由AI自动设计。
- Jalapeño进入OpenAI大规模推理集群后，纸面指标和内部基准能否转化为稳定的真实收益，仍待验证。