OpenAI自研晶片Jalapeño（下稱“小辣椒”）從初始設計到流片僅用9個月，這是OpenAI官方披露的數字。前端設計驗證工程師穆洋估算，相比沒有AI輔助的傳統流程，這一速度大約快了半年。但多位產業鏈從業者提醒，9個月只覆蓋了晶片設計全流程的部分環節，若把前期的需求定義、架構規劃以及後續的製造、除錯與部署全鏈路算進去，一顆定製ASIC從立項到真正落地依然需要以年為單位。

OpenAI的造芯野心至少可以追溯到2023年，當時執行長奧爾特曼一度想推動30多座晶圓廠的建設。但高昂的成本和漫長的週期讓這家連Fabless都不是的模型公司調整了策略。到2024年，OpenAI把重心放在自己更有優勢的部分——圍繞自家模型和推理服務來定義晶片需要什麼。

AI在“小辣椒”專案中的參與程度，比外界想象的更深。據OpenAI披露，AI已經介入實現方案探索、“設計—測量—驗證”迴圈以及部分算術電路最佳化，並繼續參與晶片回片後的除錯和程式設計。但拆解這9個月的速度會發現，博通成熟的工程能力同樣是不可缺少的一塊拼圖。多位產業鏈從業者指出，博通的矽實現能力、網路互連能力、介面IP以及多年積累的工程體系，為OpenAI省去了大量從頭搭建底層能力的時間。這些私有知識體系並不會隨著通用大模型能力變強就自動轉化為OpenAI自身的能力。

不過，這並不意味著博通的加持削弱了AI的價值。某晶片企業產品總監陸吉年強調，對第一代晶片而言，更重要的意義在於從頭跑通了一套AI參與晶片設計的工作流。一旦這套流程能夠複用，下一代就不用再重新摸索同樣的路徑，人工介入還有繼續減少的空間。基於“小辣椒”結構的複雜程度，陸吉年認為9個月已經“很不錯”，但OpenAI完全有能力實現6個月的設計週期。

目前OpenAI披露得最明確的，是AI已經進入RTL（暫存器傳輸級）這一晶片設計的核心環節。簡單來說，就是晶片架構確定以後，AI開始參與把這些想法寫成描述數位電路程式碼的過程。從未接觸過這一領域的穆洋也曾靠AI完成首戰——在給出效能目標、設計約束和測試要求後，她成功利用AI生成和修改某一RISC-V CPU開發專案裡的RTL。

把RTL寫出來只是其中一環，AI對晶片開發的另一加持在於解決了最耗費工程師時間的驗證設計環節。據穆洋表述，同一專案裡一項過去需要兩名有經驗工程師花費約4個月完成的UT（單元測試）驗證任務，如今在AI加持下，她一人就能在3周左右跑完從測試點拆解到最終結果確認的整個閉環，按天數計算節省超100天，效率提升80%。

這種變化已經進入成熟晶片公司的真實開發流程。輝達今年公開披露，已將Cadence的AI Agent用於RTL驗證，使得一項過去需要5周才能完成的工作，如今只需不到一天。Cadence方面的人員透露，包括老牌FPGA企業Altera、高通、Tenstorrent在內的多家晶片公司也已開始部署類似Agent，其中Altera稱部分驗證工作量已壓縮至約原來的十分之一。

模型能力本身的變化，也在繼續拓寬AI可處理的資訊形式。陸吉年提到，最新一代模型GPT-6已經具有完整的能力去讀波形，對圖形、空間關係等資訊的理解能力進一步增強。這意味著AI能夠介入的晶片設計範圍，正逐漸從“怎麼把電路寫出來”延伸至“電路怎麼在晶片上擺放和連線”。

但即使區域性環節提效，晶片的完整開發週期與模型迭代速度之間仍存在難以跨越的時間鴻溝。以初代“小辣椒”為例，僅從2024年10月底專案被公開報道，到OpenAI計劃於2026年底前初步部署晶片，中間就橫跨約26個月。大模型從業者Jim認為，只有當AI Agent將整條開發鏈條進一步壓縮至18個月左右，自研ASIC才具備真正的商業吸引力。

好在模型更新並不意味著硬體也得推倒重來。Jim解釋，如果只是同個模型換了一套權重、部分計算方式發生調整，或者矩陣的大小和排列發生變化，通常還能通過Kernel（計算核心）、編譯器和排程方式進行適配。真正讓晶片設計者頭疼的，是原本按某種比例匹配好的算力、記憶體和通訊能力，可能不再適合下一代模型。

MoE（混合專家模型）就是一個典型例子。模型從稠密結構轉向MoE以後，晶片要做的基礎計算並沒有完全改變，但資料需要在不同專家、不同晶片之間流動，通訊和儲存壓力可能一下子變大。此外，Attention運算元結構怎麼變、Token未來更多是序列還是並行生成，同樣可能重新改變儲存、頻寬和算力之間的比例。

針對“哪些能力值得固化進硬體，哪些變化可以由軟體調控”，Jim認為企業最重要的是算三筆賬：為了保留靈活性願意額外付出多少面積、功耗和開發成本；這項能力未來能覆蓋多少種模型和場景；專用化帶來的效能和成本收益是否足以覆蓋押錯方向的風險。

“小辣椒”本身已經在處理這樣的不確定性。OpenAI透露，專案早期曾考慮過更加偏向Decode（解碼）的設計，但最終還是選擇讓同一塊晶片同時支援Prefill和Decode兩個階段，將調整空間留給軟體。在Jim看來，這恰恰也是AI正在發揮作用的另一面：AI不只是讓專用晶片更快被設計出來，也在讓留給軟體的那部分適配變得更快、更便宜。

不過，無論軟硬體如何被AI加速，最終的決策仍離不開人類的智慧。AI設計晶片企業Novasilicon創始人李林陽指出，目前AI表現優異的仍是RTL程式碼實現等邊界清晰的任務，越往頂層的架構與規格定義走，Agent越難介入，因為連人類架構師自身都難以在這個龐大的探索空間中界定清晰的邊界。結果驗收同樣如此——穆洋認為當前仍需要有10-15年經驗的工程師來完成判斷，只有等AI自身的驗證和判斷能力進一步成熟，才可能真正走到“小白也能做晶片”的階段。