一句话看懂：OpenAI 硬件负责人 Richard Ho 首次详细披露其自研推理芯片 Jalapeño 的制造过程——AI 模型确实参与了芯片设计，并在一处优化中节省了超过 13% 的芯片面积，但团队至今无法完全解释其中一些改动为何有效。这揭示了 AI 辅助芯片设计的真实进展与信任边界。
事件核心：发生了什么
据 The Next Web 报道，OpenAI 硬件团队负责人 Richard Ho 在 9 月 30 日接受 More Than Moore 的 Ian Cutress 采访时透露，OpenAI 在 6 月公布的推理芯片 Jalapeño 由 Broadcom 协助制造，用于运行模型而非训练。团队在早期发现预估算的芯片逻辑容量出现偏差，于是将部分源码优化工作交给内部 AI 模型处理。这些模型当时并未针对芯片设计微调，能力仅略高于公开可用版本。它们主要操作的是 XLS 语言——一种将高层代码转化为芯片逻辑的工具，由现团队成员 Chris Leary 在 Google 时期开源，风格接近 Rust 而非传统芯片语言 Verilog。Ho 表示，模型对 XLS 的处理效果优于 Verilog。
其中一个案例中，模型对源码的改动直接节省了超过 13% 的芯片裸片面积（die area）。但团队跑得太快，没有停下来分析原因。Ho 说：“我们在概念上并不完全理解它在做什么。”因此每一处改动仍需走完整验证流程，由标准设计工具签字确认。
Ho 明确表示，他“仍然不能 100% 信任”这些模型。一颗芯片可能包含数亿个逻辑门，一个 99.99% 准确的模型仍不够格。他认为只要团队保持谨慎，这个风险值得承担，并且不会因此裁员，而是用模型做更多、更快的事。
Jalapeño 另一个争议性设计是：业界通常将推理拆分为 prefill（读取提示）和 decode（生成回答）两个阶段，用不同硬件处理，OpenAI 却用同一部分硬件完成全部工作。Ho 认为锁定固定比例的数据中心容量在任务组合不断变化时风险很高，但也承认这种设计在真实部署中可能暴露成本，超长上下文场景也可能触及上限。该芯片将高带宽内存直接连接到核心，以减少数据搬运，Ho 预计包括 GPU 厂商在内的竞争对手会跟进这一思路。OpenAI 选择公开此设计，尽管它是 Nvidia 最大的客户之一。“因为我们仍然需要 GPU，我们希望 GPU 变得更好，”Ho 说。
为什么重要
这条新闻的价值不在于“AI 设计了芯片”这个口号，而在于它披露了具体环节和可信度边界。AI 已经在实际商业芯片项目中产生了可量化的面积节省，但工程团队仍无法完全理解部分改动的作用，必须依赖传统验证工具兜底。这为“AI 辅助 EDA（电子设计自动化）”划出了一条现实基线：有效，但不透明，尚不能取代验证流程。另外，OpenAI 公开 Jalapeño 的内存直连设计，可能推动推理芯片架构向减少数据搬运的方向演进，这对算力密集的大模型推理成本结构有潜在影响。
对用户/开发者/创作者的影响
普通用户短期内不会直接感知 Jalapeño，但推理芯片的效率提升若转化为单位算力成本下降，可能间接影响 API 价格和响应速度。对开发者而言，XLS 作为开源工具值得关注——如果 AI 模型在 XLS 上的表现确实优于 Verilog，未来芯片设计工具链可能向更接近软件工程的方向迁移，这会影响底层开发者的技能组合。对企业采购和基础设施决策者来说，OpenAI 采用单一硬件处理 prefill 和 decode 的做法，若被证明可规模化，可能改变数据中心内推理硬件的配比策略。目前公开信息显示，Jalapeño 第二版已在实验室进行认证，OpenAI 正推向量产。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Jalapeño 第二版能否通过认证并进入量产，以及量产版本是否仍保留 AI 参与的优化改动。第二，Nvidia 及其他 GPU 厂商是否跟进内存直连核心的设计思路，这会影响下一代推理硬件的架构竞争。第三，OpenAI 是否会公开更多关于 AI 模型参与芯片设计的具体方法或工具链，若开源，可能降低 AI 芯片设计的门槛。
来源：The Next Web
