OpenAI在8月25日完整公开了其首款AI加速芯片Jalapeño。该芯片提供最高13.4千万亿次的4位算力，可访问232GB的先进内存，内存带宽达到15.4TB/s。OpenAI引用的基准测试显示，与公司目前依赖的英伟达GB300相比，Jalapeño可将端到端延迟——即从输入提示到生成最后一个token的时间——最多降低3.6倍，同时功耗更低。这些数字能否在Jalapeño大规模部署到OpenAI推理集群后转化为实际收益，仍有待观察。

性能只是故事的一半。另一半是设计过程：OpenAI的大语言模型在其中扮演了加速角色。Jalapeño从首个架构概念到首次流片用时不到20个月；从定义芯片逻辑的RTL代码到交付制造，仅隔9个月。这一节奏已相当快，但专家认为，随着LLM能力提升并更深入集成到芯片设计工具中，未来可能显得慢。

OpenAI硬件副总裁Richard Ho表示，模型正在赋予工程师超能力，工程师仍是工作的主导者和最终裁决者，但能更快行动、探索更多路径。据Ho介绍，设计Jalapeño的团队在项目期间平均不到100人，目前仍保持约100人规模，正推进第二代和第三代设计。这一人数涵盖硬件团队从系统设计到软件和供应链的广泛角色，但不包括合作方博通的人员。

OpenAI与博通的分工大致按设计与实现划分：OpenAI团队负责端到端系统设计，包括推理加速器、内存层级和网络；博通负责“从门级开始的物理设计”。这一合作也影响了一些外部评价。芯片设计初创公司Verkor.io联合创始人David Chin认为，OpenAI给出的时间表相当可信，但博通的帮助对快速推进至关重要，若从零开始则不可能实现。同为公司联合创始人的Ravi Krishna称OpenAI的速度是相对令人印象深刻的结果，并认为若今天启动项目，LLM能力的提升可能带来更短周期。加州大学圣迭戈分校杰出教授Andrew Kahng也认为这一速度突出，可能是当前同类最佳。

Kahng回忆，2016年他参与共同组织的IEEE设计自动化未来研讨会曾邀请当时在谷歌任职的Richard Ho做主题演讲，Ho当时强调设计自动化，并将芯片设计所需时间视为团队每天能完成迭代次数的函数。

马里兰大学半导体创新项目主任Ankur Srivastava指出，自动化在芯片设计领域已存在数十年，并非新问题。LLM与以往自动化工具的不同在于理解语言和代码的能力，这使其特别适合仍处于语言域的设计任务。OpenAI团队据此构建了工作流：前端流程围绕加速硬件综合（XLS）展开，这是一套最初由谷歌开发的开源高级综合工具链。高级综合允许工程师用更熟悉的编程环境设计芯片，例如用受Rust启发的领域特定语言DSLX和C++编写，再由XLS转换为硬件描述语言Verilog。OpenAI技术团队成员Chris Leary表示，团队思考如何利用AI加速项目，而AI更擅长看起来像软件的东西，XLS在某种程度上就像软件，因此受益。Leary在谷歌期间启动了XLS，对其应有功能非常熟悉。Kahng也认同用AI加速XLS这类高级综合是合理选择，因为对LLM来说更自然，且能快速迭代，他认为这是一种普遍有用的工作流，未来有生命力。

同样的逻辑让Jalapeño团队聚焦软件优化。当首批芯片于5月从代工厂返回后，团队让内部AI模型设计软件来运行SemiAnalysis的InferenceX等基准测试。在DeepSeek的多头潜在注意力内核基准上，性能从理论峰值的0.31%提升到88.94%，耗时约40小时。Ho表示这一结果可重复，因此从代工厂交付首批芯片到量产爬坡之间的时间可以缩短，所有进度假设都将基于现在拥有这一能力。

Jalapeño设计用于包含2048颗芯片的集群部署。OpenAI团队AI辅助工作流的整体轮廓由Ho和Leary等人勾勒，但更广泛的影响在于：LLM正从辅助工具变为芯片设计流程中的加速器，这可能压缩从概念到量产的周期，并改变芯片设计团队的人员构成与工具链竞争。对AI产业而言，若自研芯片能降低推理成本并减少对单一供应商的依赖，将牵动算力供应链的议价结构与资本开支方向。