OpenAI仅用9个月设计出一颗芯片，AI芯片下半场开始了 | 5Y Research
2026年6月，OpenAI与博通一起发布了一颗名为Jalapeño的推理芯片。
Michael | 五源资本投资人
2026年6月，OpenAI与博通一起发布了一颗名为Jalapeño的推理芯片。
它的性能参数几乎没有披露。但有两件事更值得关注：
第一，这颗芯片完全按照OpenAI自己的模型架构、未来roadmap、kernel与serving体系，由OpenAI从0开始定义，博通负责把它变成硅——OpenAI不想只从货架上买通用算力了，它要一颗合自己身的芯片。
第二，这颗接近光罩尺寸上限的先进制程大芯片，从初始设计到流片只用了九个月，按两家公司的说法，这是高性能芯片有史以来最快的开发纪录。缩短周期的帮手之一，是OpenAI自己的模型。
AI芯片的上半场已经落幕，最大的赢家无疑是英伟达。上半场的剧情非常简单：为了尽早接近AGI，所有人都在不计成本地抢购这个星球上最好的AI训练机器——只有英伟达一个选项。
而Jalapeño很可能就是下半场的开场哨。它指向两件事：其一，当推理压过训练，从OpenAI开始，每一家想坐上AI时代牌桌的公司、每一个模型、每一个应用，都会想要一颗最符合自己需求、最有性价比的芯片——AI芯片不再只有GPGPU一个物种，而会迎来寒武纪式的物种大爆发。
其二，当AI开始主导芯片设计，那道把绝大多数公司挡在定制芯片门外的成本与周期之墙，第一次有了被推倒的可能，AI本身即将成为新的造物机器。
下半场，会来得比上半场更快，也更猛。
AI芯片的物种大爆发
复杂多变的任务，要一个通用平台兜住所有可能性；目标明确、边界清晰的任务，就该用专用系统把性价比压到极致。
对AI而言，训练是前者：任务重、变数多、迭代快，像造航母与战机——只有极少数玩家玩得起，要的是通用、稳定、可扩展、性能拉满，对成本的考量反而排在最后。推理是后者：模型和场景一旦固定，任务就变得窄而确定，像造家用车——够用就行，越省越好。
和CV时代不一样，LLM时代推理占AI总算力的比例，2023年约三分之一，2025年过半，2026年将达到三分之二——这还是agent大规模铺开之前的数字。黄仁勋说得更直白：因为reasoning和agent，AI需要的计算量"比我们一年前的预期，轻松高出一百倍"。等agent开始全天候地写代码、做研究、处理事务，推理需求甩开训练一个以上数量级，只是时间问题。
今天任何一个你觉得太细分、太小的推理场景，都可能在一两年内长出一两家公司，需求大到值得像当年的谷歌那样，专门为它定制一颗芯片。 而定制甚至可以极端到Taalas这样：把整个模型权重直接固化进晶体管。极端的定制也换来极端的效果——这颗芯片不带HBM，在固化的Llama 3.1 8B上，宣称能跑出单用户每秒约1.7万token的输出速度，比GPU快约两个数量级。
我们到底需要多少种、什么样的AI推理芯片？这个问题，像极了汽车取代马车的前夜——那时的人也在问：世界究竟需要多少个汽车品牌、多少种车型？
这种问题从来没有标准答案。答案是被无数具体的需求一票一票投出来的：每个模型、每个应用、每种硬件形态，都是独立的买家——就像车一样，各有各的路线、载重、时速、能耗、预算和路况。买家挑车，挑的不是最贵最强，是合身。
AI推理芯片的终局一定是高度分化的——最上游的应用对它的诉求本来就不一样，而且会越差越远；而每一类需求的规模，又大到配得上一颗专用芯片。同样叫"推理"：需要秒回的chatbot、一次思考几万token的reasoning模型、几十轮工具调用的agent、一口气吞下整个代码仓库的长上下文任务、以假乱真的视频生成、万亿参数的MoE、装进机器人身体的VLA/世界模型——瓶颈落在完全不同的地方：带宽、算力、显存、互联、功耗，各卡各的：
这张表上的每一行，今天都已经长出了对应的芯片或系统，而且彼此长得越来越不像。连英伟达都开始分叉自己的产品线。而这种分化会一直走下去，因为推动分化的核心驱动力是快速膨胀的推理市场规模。SemiAnalysis的Dylan Patel说，AI推理会是一个"比石油大得多"的市场；市场越大，细分的利基就越多，每一类需求、甚至每一个模型，都大到养得活一颗甚至一个系列的专用芯片。
此时的英伟达，正像一百年前的福特——靠一款标准化到底的Model T，一度吃下美国近六成的汽车市场，也把汽车保有量撑大了两个数量级；可正是这片它自己催熟的繁荣，最终招来一批更懂细分需求的对手，把它从"唯一的选择"挤成了"众多选择之一"。同样的剧本，很可能要在芯片上重演一遍：市场做得足够大，就再也装不进单一形态的产品里。
下一个台积电：造物机器的诞生
很快我们会遇到下一个问题：如果未来需要多出几个数量级的芯片种类，谁来设计？谁付得起高昂的前期定制成本，又等得起漫长的设计与流片周期？
这件事一个朴素的经济学公式就能算清：
AC(Q) = F / Q + VC
AC(Q)是均摊到每颗芯片上的成本——只有它足够低，为一个场景、一个客户、一个模型单独定制才划算；F是固定成本，一颗芯片的设计、IP与流片投入；Q是这颗芯片能覆盖的市场量；VC是制造每一颗的边际成本。
F到底有多高？今天，一颗相对简单、复用成熟IP的5nm芯片，仅设计成本就要1-2亿美元，更复杂的要到5亿美元甚至更多；即便是12nm、28nm成熟制程的定制芯片，设计成本也要数千万美元。
和设计成本同样致命的是时间——一颗芯片从定义到流片，普遍要一年半到三年；而模型正在以月为单位迭代，硬件的节奏完全跟不上。
绝大多数公司出不起这笔钱，也等不起这个周期。可随着AI推理市场进一步膨胀，为不同负载寻找更高性价比硬件的动机越来越强——大量的需求和创新，就这样被压在萌芽里。
这道墙拦住的需求有多真实？看看机器人。一台人形机器人上有一两千颗半导体——光是几乎相同的关节控制MCU就有二十到七十颗，全跑在成熟制程上，一套掩膜只要约十万美元。它们本该是最容易定制的芯片；但每家公司的执行器架构都不同，需求被切得七零八落，任何一个单独的设计都够不到几十万颗的回本线——于是全行业至今只能拿目录件拼装。所有人都盯着那颗3-5nm的"贵脑子"；被卡住的，还有每台机器人身上那几十颗很重要、却没人愿意为它设计、流片的小芯片。
此情此景其实特别像1987年的半导体产业。上一个做出颠覆式创新并改变了整个半导体行业的公司叫台积电。
那时的半导体业还是IDM的天下——英特尔、TI这些既设计又制造的巨头，吃下了芯片需求暴涨的第一波红利；而一座晶圆厂的天价，把大批怀揣设计创意的公司挡在门外，他们只能去乞求IDM的闲置产能。台积电作为第一家自己不做设计的第三方fab，其实没有发明什么新技术，只是把晶圆制造能力平台化，变成行业里所有人都能相对低成本、快速取用的基础设施，就激活了比IDM时代多出几个数量级的设计创新。后面的故事大家都很熟悉：fab + fabless这次分工，孕育出了今天整个半导体行业市值最大的三家公司——英伟达、台积电和博通。
如今的情况和1987年非常类似：AI和具身等海量新需求把对半导体的需求顶到新高，模型公司、应用公司、硬件公司，手里都攥着一堆定制芯片的想法和创意，只不过大家都被高昂的"F"挡在门外。人人都羡慕谷歌与博通的联手，可付得起那笔design service账单、又熬得起TPU十年试错的，目前也只有少数几家大厂。市场对下一个台积电的呼唤已经出现——它应该是一个快10倍、便宜10倍的博通，会成为继fab + fabless之后，下一次半导体产业分工的核心节点。
而大模型自己，可能正在把"10倍博通"造出来。
当硅挂上软件的时钟？
2020年前后，谷歌开始探索用强化学习解决芯片设计中的布局问题，这项工作后来发展成AlphaChip，成果已经用在几代TPU的设计上。OpenAI与博通的这次合作也明确提到，"用OpenAI的模型加速了部分芯片设计和优化工作"，结果是仅用九个月从0完成芯片设计。英伟达首席科学家Bill Dally在今年GTC上给过一个数字——把标准单元库迁移到新制程，过去要八名工程师干十个月，如今一块GPU跑一个通宵；他们用强化学习探索出的部分电路，"怪异得没有人类工程师会那么画"，面积和功耗却比人工设计好上两三成。
不止大公司看到了这个机会。AlphaChip两位主创出走创办的Ricursive，成立四个月就以40亿美元估值融资3.35亿美元；做agentic芯片设计与验证的ChipAgents累计融资7,400万美元，产品已进入约50家半导体公司；做芯片基础模型的Cognichip融资9,300万美元，英特尔CEO陈立武坐进了它的董事会；还有英伟达芯片设计AI负责人Mark Ren出走创办的Agentrys等等。
从第一性的角度看，芯片设计天生就是为LLM+强化学习准备的试验场。AI在规则清晰、反馈即时、可以无限练习的封闭世界里，一贯迭代得最快、也最早超越人类——先是围棋，然后是代码和数学。
芯片设计可能就是下一个：EDA工具链本身就是一台够好用的world simulator，RTL写完可以仿真，逻辑对错可以形式化验证，时序、功耗、面积不用流片就能拿到可靠的数值反馈。模型不必等人类专家喂大量高质量数据，反而可以像当年AlphaGo自我对弈那样，在仿真器里高速、高通量地自我探索。相比当年的谷歌，现在我们手里还多了推理能力、世界知识都强得多的LLM。
只要环境的规则够清晰、反馈够快，LLM已经能接下越来越多的设计环节；随着模型能力的高速迭代，前后端全流程的agent化，也不是遥不可及。
模型和芯片，正在走入一个互相增益、互相加速的正循环。模型越强，设计芯片的能力越强；它设计出更高效的芯片，反过来让训练与推理变得更快、更省，模型也就更快地变得更强；更强的模型，又催生更多新场景，召唤更多专用芯片——循环每转一圈，都比上一圈快。
这个循环的加速键已经被按下。为AI造芯，与用AI造芯，首尾相接。AI第一次开始设计自己赖以存在的物理基座。
我们或许正站在下一次半导体产业分工的前夜：从fabless + fab，走向designless + AI designhouse + fab。终端的模型公司、应用公司不再需要懂芯片，只要交出需求和负载特征，就能像今天调用云计算一样，快速、低成本地拿回一颗按自己需求定制的芯片；AI设计平台把定制成本摊到成百上千个设计上，芯片正在从一项以亿美元计的重资产豪赌、巨头专属的游戏，变成一次任何公司都随时可以发起的普通订购。
过去六十年，硅的节拍器是摩尔定律——两年一格。所有人都习惯了拿硬件的慢和贵做规划——产品路线图、竞争壁垒、投资周期，全都建立在"慢"和"贵"的基础上。当AI接手设计，芯片的迭代第一次挂上了软件的时钟。九个月，只是这条新曲线上的第一个测试点。
可能会有一天，造一颗芯片像发一个软件版本一样寻常，到那时，稀缺的会是想清楚"该为什么造一颗芯片"的人。
欢迎来到下半场。
