OpenAI自研芯片，终于上桌了？

8月26日，OpenAI干了一件AI行业等了很久的事：把自研芯片的实测数据，直接拍在了英伟达旗舰产品脸上。

芯片业务负责人Richard Ho公开表示，新款自研芯片Jalapeno在与GB300的对比测试中，在两个指标上占据优势：单位功耗能处理的AI工作量，以及响应速度。同一天，英伟达也首次公布了下一代旗舰机柜Vera Rubin NVL72的实测数据——每兆瓦吞吐量对比GB300最高提升30倍。

一边是买家秀肌肉，一边是卖家秀新品。这不是简单的芯片竞争故事，而是AI算力市场第一次真正意义上的「推理与训练分岔口」。

🌶️ 一颗辣椒，为什么要挑GB300下手？

挑战英伟达的办法只有一个：别在它最强的战场上开打。

先说测试本身。OpenAI这次公开对比用的并不是自家旗舰闭源模型，而是自家的开源小模型GPT-OSS 120B，加上DeepSeek和月之暗面的第三方模型。有意思的是，在Moonshot的Kimi K2.5 1T上，Jalapeno的优势反而更加明显。

看几个关键参数：

• 功耗700瓦——Ho明确表示，低功耗下的强劲性能可以帮助OpenAI降低数据中心运营成本，而电力恰恰是数据中心最重要的成本之一；
• 两项胜出指标——单位功耗的AI工作量（能效），以及响应速度（低延迟）；
• 定位明确——Jalapeno不为训练设计，专攻推理，也就是模型训练完成后、根据用户提示生成响应的阶段。

Ho的原话很有信息量：「在实验室测试中，Jalapeno在高吞吐量领域展现出很强的性能，这意味着它能够以更低的成本服务大量客户；与此同时，它在低延迟领域也表现出色。」

翻译成产业语言：过去一颗芯片要么算力猛、要么响应快，各擅长一头，而Jalapeno两头都要。在速度上的优势，意味着OpenAI可以用它实现过去只有采用不同内存类型和芯片架构的处理器才能达到的效果。

当然，有两处「但是」必须写清楚：其一，Jalapeno并未与英伟达最新一代Vera Rubin芯片对比——后者刚刚开始出货；其二，它不做训练，而训练恰恰是英伟达最擅长的领域之一。

据多位接近供应链的人士观察，这颗芯片的真正意图不在跑分本身，而在成本结构：当推理负载占据OpenAI算力开支的大头时，哪怕只把其中一部分迁到自研芯片上，节省的电力和采购成本都是天文数字。OpenAI计划从今年晚些时候开始用Jalapeno为自家AI模型提供支持，并将决定哪些模型跑在它上面，让客户按需求选择低成本或高性能方案——这是很典型的「分层算力货架」打法。

⚡ 英伟达的回应：30倍吞吐与5分钟装配

你测你的GB300，我亮我的底牌。

几乎在同一时间窗口，英伟达史上首次公布了Vera Rubin NVL72的片上实测数据，而且直接拉来DeepSeek-V4-Pro跑最真实的「智能体编码」任务。结果：对比当前主力机皇GB300 NVL72，每兆瓦吞吐量最高飙升30倍，Token成本最高下降35倍。

这个数字炸出了不少业内人士的直白评价——有人惊呼「我连骗投资人的PPT都不敢这么写」。但把叙事拆开看，英伟达其实在宣布一件更重要的事：LLM时代的跑分基准全部作废，Agent时代降临。从H200到GB300，真实Agent工作负载吞吐量提升最高30倍；从GB300到Vera Rubin，再提最高30倍。算力军备竞赛的计量单位，已经从「聊天有多快」变成了「智能体跑任务有多省」。

manufacturing层面，Rubin的爬坡逻辑同样值得细看：

杰富瑞预计，英伟达7月季度营收达950亿美元，高于市场一致预期的919亿美元；10月季度指引料为1080亿美元。更关键的工程细节是：Vera Rubin NVL72沿用了GB200/GB300确立的72-GPU Oberon机箱形态，45摄氏度温水冷却可直接兼容现有液冷数据中心；计算托盘与NVLink交换机托盘改为无线缆、无软管、无风扇的模块化设计，组装时间从约2小时压缩到5分钟。供应链规模约为Grace Blackwell的两倍，覆盖30个国家、350家工厂。

还有一个容易被忽略的信号：所有前沿实验室均预计从一开始便采用Vera Rubin——这与Blackwell初期的情况截然不同。也就是说，即便OpenAI在自研推理芯片上取得突破，它依然会第一时间拥抱英伟达的下一代训练平台。

🧾 6000亿美元的算力婚约

嘴上分家，身体很诚实。

财报层面，市场焦点早已从业绩数字转向两条更深的叙事主线：Rubin的放量节奏，以及OpenAI算力承诺的财务逻辑。

看一组协议数据：英伟达8月17日宣布与SB Energy达成协议，在俄亥俄州建设PORTS-Pike算力园区，OpenAI持有20年租约，英伟达为唯一算力供应商，英伟达并向SB Energy投资15亿美元。管理层透露，OpenAI现有及规划中的承诺规模已达约12GW、可扩展至16GW的英伟达算力，对应2030年前约6000亿美元的累计营收——这是迄今披露的最大单一客户承诺。

这份协议的会计处理方式，尤其是潜在或有负债的披露，是市场最关注的风险变量之一。逻辑不难理解：6000亿美元的承诺，本质上是把未来的算力需求提前证券化成了当下的营收预期，而这些预期又建立在OpenAI自身收入高增长的前提之上。

所以回到那个问题：OpenAI一边签下12GW大单，一边自研芯片击败GB300，矛盾吗？

一点也不。这是大型云厂商走过多遍的经典路径——谷歌的TPU从来没能让英伟达出局，却实打实改变了谷歌的采购议价权和成本曲线。对OpenAI而言，Jalapeno的意义不是「替代」，而是在推理这个最烧电、最重复的环节上，给自己留一条不供应商依赖的路。训练侧继续All in英伟达最新平台，推理侧逐步切换自研——训练买确定性，推理买经济性。

🔮 推理芯片的裂隙时刻

护城河没有被攻破，但水位开始下降了。

把镜头拉远，这次事件真正值得产业记住的，是推理与训练在芯片层面的正式分野。

英伟达的主导地位建立在训练侧——CUDA生态、NVLink互联、整机架交付能力，这些短期内无人撼动。但推理是另一回事：它不需要最极致的互联带宽，却极度敏感于两件事——每瓦性能和每token成本。而这两个指标，恰恰是定制芯片（ASIC路线）最擅长优化的方向。博通为众多客户生产定制芯片，与OpenAI的合作在去年宣布，今年6月还高调宣传了这颗处理器的研发速度，称其以创纪录速度完成开发——定制芯片的设计迭代速度，正在成为对抗通用平台的关键变量。

从市场结构看，越来越多公司正在开发自研AI芯片，而这个领域目前仍由英伟达占据主导。OpenAI的示范效应在于：它证明了「推理专用+定制代工」这条路，是可以在账面上跑通的。可以推演的后续是——当OpenAI把未发布的大型先进模型也迁上Jalapeno并验证其「工作负载越大价值越高」的判断后，其他前沿实验室跟进自研推理芯片的速度会加快，博通们的定制芯片订单会持续变厚。

但也要保持冷静：这次测试的对比基准是GB300而非Rubin，测试模型是开源与第三方模型，训练侧完全未触及。Jalapeno赢得的是一条细分赛道的开球权，而不是整场比赛。

📌 小结

Jalapeno与Vera Rubin在同一时间窗口各自亮相，标志着AI算力市场从「一张卡打天下」进入「训练归训练、推理归推理」的结构化阶段。OpenAI拿到了推理侧的议价权和成本抓手，英伟达则以Agent叙事和前所未有的爬坡速度巩固训练护城河。真正的看点在接下来两年：Rubin能否如期在F1Q28实现200万片出货、Jalapeno能否承接OpenAI旗舰模型的推理负载。芯片战争的下半场，比的不是谁的峰值更高，而是谁的每token成本更低。