OpenAI 硬件副总裁 Richard Ho 近日进一步披露了公司首款自研推理芯片 Jalapeño 的设计理念与落地路线。他强调，这款芯片的出发点并非追逐极致的峰值性能，而是针对数据中心当前最现实的约束——算力与供电受限。通过提升推理效率，OpenAI 希望压低每次运算的成本，并直接改善 ChatGPT、Codex 以及各类 AI 代理服务的响应速度与延迟。
Ho 将 Jalapeño 的诞生归因于 OpenAI 内部的「全端协同设计」。在这一机制下，研究人员与硬件团队可以密切配合，在模型、软件与硬件架构之间做出取舍，这是传统第三方芯片供应商较难复制的优势。他同时澄清，OpenAI 走向自研并非对市售芯片不满，而是希望把内部最前沿的研究与硬件设计结合起来，为推理工作负载量身打造方案。
针对外界关于 Jalapeño 是「只为 OpenAI 自家模型服务」的猜测，Ho 予以反驳。他表示，团队特意选用 SemiAnalysis 的 InferenceX 基准测试，正是为了证明这款芯片在运行各类开源模型与 Transformer 架构时仍能保持顶尖性能。此外，芯片具备较高的可编程弹性，团队在拿到实体芯片后，仅用约两个月就完成了各项测试与公开展示。
在技术细节上，Ho 透露 Jalapeño 的硬件其实已经内置投机解码功能。此前测试数据中未见披露，只是因为准备时间仓促，来不及为基准测试训练专用的草稿模型。他进一步预告，未来将逐步导入多 Token 预测技术，预计可为 OpenAI 内部模型带来高达 3 到 5 倍的性能飞跃。
量产与上线节奏方面，Jalapeño 会先以小规模投入实际生产环境进行验证，真正的大规模部署则锁定在 2027 年。Ho 也坦言，由于 OpenAI 自身的算力需求正处于爆发性增长，短期内这款芯片将全部用于支撑内部生态，暂时没有余裕向外部客户供货。
供应链层面，Ho 表示 OpenAI 已提前与晶圆代工厂及零组件供应商展开布局。尽管当前整体供应链产能吃紧，但相关准备仍在预期之内。他最后强调，OpenAI 的最终目标是「降低整体基础设施成本」，因此未来仍会持续评估市面上所有优质芯片方案；只要能用更低成本换取更好性能，OpenAI 依然会采取多元硬件平台并行的策略，灵活采用外部供应商的产品。
从产业视角看，Jalapeño 的定位折射出 AI 推理需求正在成为数据中心成本结构的核心变量。训练侧的高峰需求之外，推理侧的持续算力消耗与电力约束，正推动头部模型公司从「买芯片」转向「定义芯片」。OpenAI 选择以推理专用、可编程、兼容开源模型为卖点，既是对自身工作负载的优化，也是在为未来与外部芯片供应商的谈判保留筹码。
值得注意的是，OpenAI 并未把自研芯片描述为对现有供应商的替代。Ho 明确表示会继续评估外部方案、维持多平台并行，这意味着短期内 Jalapeño 更多是补充而非颠覆。其真正的考验在于 2027 年规模部署时，能否在真实生产环境中兑现效率与成本承诺，以及供应链能否跟上产能节奏。对关注 AI 产业链的读者而言，这条路线图的推进速度，将影响推理芯片市场的竞争格局与代工产能的分配走向。