OpenAI新AI芯片Jalapeño:性能超英伟达,年底小批量部署!

OpenAI自研推理芯片Jalapeño挑战英伟达Blackwell,AI算力格局生变 AI芯片的发展正在从通用GPU一统天下,走向专用推理芯片与通用计算平台并存的格局。GPU凭借CUDA生态长期主导训练与推理市场,但大模型推理成本的高企,让专为Transformer优化的ASIC路线成为新变量。OpenAI用9个月流片的3nm推理芯片Jalapeño,直接对标英伟达Blackwell架构,在特定推理负载下宣称更优。这背后不仅是硬件参数之争,更是软件栈、生态护城河与成本结构的较量。对开发者而言,推理成本基线的建立、模型调用层的抽象,以及多供应商切换能力,将成为应对算力变局的关键工程实践。 阅读详情

【导语:周二OpenAI发布博客称,新AI芯片Jalapeño比其他系统更高效、响应更快,兼具低延迟和高吞吐量优势。其专为AI推理设计,与英伟达芯片对比性能优越,计划年底小批量部署。】


序号1

Jalapeño:专为AI推理定制的ASIC芯片

Jalapeño于6月首次推出,是OpenAI与博通合作制造的专用集成电路(ASIC),专为AI推理设计。AI推理是运行经过训练的AI模型以完成任务或部署智能体的过程。

序号2

性能测试:远超英伟达芯片

OpenAI使用InferenceX基准测试平台衡量Jalapeño性能,并将其与英伟达GB200或GB300超级芯片当时的最佳记录对比。结果显示,在GPT - OSS 120B、DeepSeek R1和Kimi K2.5 1T模型上,Jalapeño每瓦完成的AI工作量比对比系统多1.5至1.9倍,同时端到端延迟降低了1.7至3.6倍。

OpenAI硬件副总裁理查德·何表示,这意味着该芯片能在需求增长时为用户提供“更快的响应、更灵敏的智能体以及更可靠的访问”。

序号3

部署计划:今年小批量,2027年扩大规模

理查德·何称,OpenAI计划在今年年底前“小批量”部署Jalapeño,并将在2027年逐步“扩大部署规模”,但未透露明年计划部署的芯片数量。

序号4

计算策略:不取代现有产品线

尽管Jalapeño性能提升显著,但OpenAI并不打算用它取代整个芯片产品线,整体计算策略仍包括与英伟达等“优秀合作伙伴”的合作。同时,OpenAI还将继续研发这款新芯片的第二代和第三代产品。

编辑观点:Jalapeño芯片性能亮眼,有望改变AI芯片市场格局。不过,OpenAI仍与英伟达合作,显示其谨慎策略,未来芯片发展值得关注。

OpenAI自研推理芯片Jalapeño:700W如何挑战英伟达旗舰? 随着大模型推理负载的爆发式增长,通用GPU在成本和效率上的瓶颈日益凸显。专用集成电路(ASIC)通过在固定流水线上硬化算子,将每一瓦功耗都用于实际推理任务,从而在单位功耗吞吐和总拥有成本(TCO)上形成代差优势。自研芯片的核心价值,在于从硬件定义权出发,重构算力成本结构,让模型架构与芯片设计深度协同,同时借助Triton等软件栈实现生态兼容。这一思路正被越来越多超大规模厂商采纳,OpenAI的Jalapeño便是其中的标志性项目——一款面向超大规模推理、采用台积电先进制程、功耗约700W的定制ASIC。本文 阅读详情

相关推荐

OpenAI自研AI芯片Jalapeño深度解析:700W功耗背后的战略与挑战

AI芯片是当前算力竞争的核心,GPU作为通用计算平台在为大模型训练与推理提供基础算力的同时,也带来了高昂的硬件成本与能耗压力。为突破这一瓶颈,专用集成电路(ASIC)凭借面向特定负载的深度优化,成为提升能效比与降低推理成本的关键路径。OpenAI首颗自研AI芯片Jalapeño正是这一趋势的代表——它采用5nm/3nm先进制程与Chiplet封装,搭配HBM高带宽内存,在700W功耗下实现针对Transformer架构的高效算力。本文从芯片设计逻辑、商业战略、软件生态挑战及实际部署等多个维度,剖析Jalap

weixin_34174422的博客 291

OpenAI与博通联合推出Jalapeño AI推理芯片,成本降低50%

AI推理芯片作为专用集成电路的重要分支,通过硬件架构优化实现机器学习模型的高效运行。其技术原理在于针对特定算法进行定制化设计,相比通用GPU能显著提升能效比。在AI产业化进程中,推理芯片的技术价值体现在降低计算成本、提升响应速度,为智能客服、内容生成等实时应用场景提供硬件支撑。OpenAI与博通合作的Jalapeño芯片正是这一趋势的典型代表,该芯片采用AI辅助设计模式,开发周期仅9个月,成本较传统方案节约50%,性能媲美英伟达Blackwell架构。这种软硬协同的创新路径,为大规模语言模型部署提供了新的基

weixin_30621711的博客 419

OpenAI自研芯片Jalapeño:AI推理成本革命与开发者工程应对

在AI基础设施成本持续攀升的今天,GPU算力的稀缺与高价已成为制约模型规模化落地的核心瓶颈。训练与推理在计算特征上存在本质差异——训练追求高吞吐,而推理则对延迟与单位token成本极度敏感,这也催生了针对Transformer架构的专用加速器(AI ASIC)的兴起。与通用GPU相比,这类芯片通过软硬件协同设计,在功耗、缓存策略与算子层面深度优化,为降低推理成本提供了新的技术路径。OpenAI自研芯片Jalapeño传闻采用3nm制程、面向推理场景设计,其战略价值并非简单对标英伟达Blackwell的跑分,

weixin_33884611的博客 385

博通AI营收暴涨221%、OpenAI自研Jalapeño芯片9个月流片:定制XPU正在吃掉英伟达的推理市场

9 月第一周,AI 行业的关键词从"拼参数"“拼跑分"转向"拼定制、拼能效”。博通 2026 财年 Q3 财报披露 AI 半导体业务收入 167 亿美元、同比 +221%,CEO 陈福阳公开表态——博通的定制 XPU 在特定大模型工作负载下,“性能将超越任何 GPU,且能以 GPU一半的成本完成相同任务”;同一天 OpenAI 与博通合作的自研推理芯片 Jalapeño 在 Hot Chips 2026 披露能效——1.9 倍于英伟达 Blackwell 架构;

2402_85471119的博客 785

OpenAI自研芯片Jalapeño每瓦AI吞吐量超GB300 1.7倍?深度解析

芯片能效是AI基础设施的核心指标,而每瓦AI吞吐量将功耗与有效计算产出直接挂钩,成为衡量推理成本的重要标尺。在模型服务化与大规模部署场景中,这一指标比峰值算力更能反映真实TCO,尤其对于MoE架构、蒸馏模型等复杂推理负载,内存带宽与计算密度的平衡会显著影响单位能耗下的token产出。当DeepSeek R1这类开源模型成为主流测试基准时,不同芯片在相同负载下的每瓦表现就提供了极具参考价值的横向对比。近期曝光的OpenAI自研芯片Jalapeño,在与英伟达GB300的对比中展现出领先的推理能效数据,但其测试

weixin_27188815的博客 323

AI驱动的数据完整性:ECC到S/4HANA迁移

在SAP ECC到S/4HANA的迁移过程中,数据完整性验证是最复杂且关键的挑战之一。本文介绍了一个全面的AI驱动的端到端数据完整性框架,用于对账事务数据并验证数百万条主数据记录和事务记录的完整性。该框架结合了模式映射、自然语言提示到SQL生成、基于LLM的解决方案、大规模数据对账的数据完整性工具、基于云的测试数据管理以及实时Power BI仪表板,为开发者提供了一个可重复、可扩展的工作流程,确保ERP迁移过程中的数据质量。

简简单单Onlinezuozuo 1173

OpenAI 自研芯片 Jalapeño:为什么先做推理,能否撼动英伟达?

OpenAI 自研芯片是其与博通联合开发、面向大语言模型推理的专用 ASIC,正式名称为 Jalapeño。OpenAI 与博通在 2026 年 6 月 24 日披露,工程样片已按量产目标频率和功耗运行机器学习负载,从初始设计到流片用时 9 个月,计划在 2026 年底前启动首批部署。它的直接目标不是替代所有 GPU,而是把 ChatGPT、Codex 和 API 等高频推理负载做得更高效,并为双方此前公布的 10 吉瓦、多代加速器部署计划建立第一代硬件基础。

aidoudoulong的博客 497

车载以太网入坑指南,从小白到懂哥的进阶之路【技术分享】

各位技术大佬们好!最近公司项目涉及到车载以太网,刚开始完全懵逼,花了大半个月时间各种查资料、测试设备,总算是摸清了门道。想着互联网上卧虎藏龙,肯定有不少大佬对这个技术感兴趣,所以写个帖子分享一下,顺便求各位大佬指点。

starelink的博客 1262

OpenAI自研芯片Jalapeño vs 英伟达Blackwell:算力格局与开发者应对

AI芯片市场中,英伟达GPU凭借CUDA生态长期主导大模型训练,而OpenAI自研芯片Jalapeño的亮相,让算力供给走向多元化。理解两者的差异,需要从GPU与ASIC的原理出发:GPU是通用并行计算平台,软件生态成熟;ASIC针对特定模型和算子深度优化,能效比可能更优。在制程、训练性能、推理性能、互联扩展和软件生态五个维度上,Jalapeño在特定场景或具备潜力,但全链路生态仍待验证。对开发者而言,真正的价值在于通过PyTorch设备抽象、ONNX导出和基准测试等手段实现软硬件解耦,避免被单一芯片绑定。

weixin_30603633的博客 340

构建 Skill 的完整指南

Skill开发指南摘要 Skill是用于定制Claude AI行为的指令包,包含SKILL.md主文件及可选脚本、参考文档和资源。本文提供了完整的Skill开发指南: 核心概念 三层渐进式披露结构(元数据/主指令/参考文档) 支持独立工作流和MCP集成 跨平台兼容性(Claude.ai/ClaudeCode/API) 开发流程 规划:明确2-3个具体用例 结构要求:kebab-case命名、必备YAML元数据 编写规范:清晰触发条件、分步指令、错误处理 典型应用模式 • 文档生成(类别1) • 工作流自动化

wjianwei666的专栏 298

达梦数据库导入报错:[警告]服务器与文件内数据的 CASE_SENSITIVE 参数不匹配,成功终止导入, 但出现警告dimp V8,本地编码:PG_GBK, 导入文件编码:PG_UTF8

达梦数据库管理系统的最新版本是8.0版本,简称DM8。DM8采用全新的体系架构,在保证大型通用的基础上,针对可靠性、高性能、海量数据处理和安全性做了大量的研发和改进工作,极大提升了达梦数据库产品的性能、可靠性、可扩展性,能同时兼顾OLTP和OLAP请求,从根本上提升了DM8产品的品质。达梦数据库管理系统是达梦公司推出的具有完全自主知识产权的高性能数据库管理系统,简称DM。[警告]服务器与文件内数据的 CASE_SENSITIVE 参数不匹配,成功终止导入, 但出现警告。4.无视警告,输入y,回车。

十三月的博客 1万+

OpenAI自研芯片Jalapeño:每瓦AI吞吐量1.7倍背后的能效博弈

在AI基础设施的竞争中,算力堆叠已非唯一出路,单位功耗下的有效计算能力正成为新焦点。GPU与专用推理芯片的差异,不仅体现在峰值性能,更在于每瓦AI吞吐量——即每消耗一度电所能处理的Token数量。这一指标直接关联推理成本、服务稳定性与规模化部署的经济性。OpenAI推出3nm自研推理芯片Jalapeño,并在DeepSeek R1负载下宣称每瓦吞吐量达到英伟达GB300的1.7倍,引发行业对“能效优先”设计理念的广泛讨论。是性能碾压还是营销话术?本文将拆解其技术原理与评测方法,并结合llama.cpp等工具

weixin_30247781的博客 378

深度学习特征融合(feature fusion)操作详解

特征融合是指在深度神经网络中,将来自不同来源(如不同网络分支、不同模态、不同时间步、不同空间尺度或不同抽象层级)的特征表示进行有策略地整合,以生成更具判别性、鲁棒性和语义丰富性的联合特征表示。其核心目标是最大化信息互补性,最小化信息冗余与噪声干扰。关键问题:如何“有效”融合?——这取决于任务需求、数据特性、计算资源和融合机制的设计。✅ 是否对齐了空间/通道/模态?✅ 融合方式是否与任务匹配?(检测需定位+语义 → 多尺度融合)✅ 是否引入可学习机制提升适应性?✅ 是否控制了计算开销?

浩瀚之水的专栏 793

OpenAI 首次公布自研推理芯片 Jalapeño 实测结果:全面超越英伟达 GB300

Jalapeño 的价值不在于参数规模——它只是一个推理芯片。它的真正意义在于把 LLM 推理从通用计算变成了专用加速:架构定制、内存优化、通信优化、功耗优化,全部围绕 LLM 推理这一单一目标进行。对 AI 服务提供商,这是一个降低推理成本、提升响应速度的新选择;对芯片行业,这是一个专用 ASIC 挑战通用 GPU 的实证案例;对行业生态,这是一个关于"AI 基础设施应该如何设计"的新思路。当 Jalapeño 大规模部署时,我们不仅能看到更便宜的 AI 服务,还能看到 AI 硬件设计范式的转变。

2203_75871132的博客 560

5G/NR SSB学习总结

6.1 SSB概念 同步信号和PBCH块(Synchronization Signal and PBCH block, 简称SSB),它由主同步信号(Primary Synchronization Signals, 简称PSS)、辅同步信号(Secondary Synchronization Signals, 简称SSS)、PBCH三部分共同组成。 6.2 SSB特征 ...

欢迎来到小七的博客,这里将带你深入探索5G通信的神秘世界。无论你是通信领域的专业人士还是对这一领域充满好奇心的技术爱好者,这里都有专业协议解读、通信知识普及以及有趣的Python编程内容等你发现。 8万+

机器翻译的评价标准:BLEU、ROUGE等指标说明及代码实现

机器翻译领域常用的自动评价指标主要包括BLEU、ROUGE、METEOR和COMET四大类。BLEU基于n-gram精确率和短句惩罚,ROUGE关注召回率,METEOR结合精确率和召回率并考虑同义词,COMET则利用预训练模型计算语义相似度。这些指标各有特点:BLEU适用于机器翻译,ROUGE对长句友好,METEOR更接近人工评分,COMET无需参考译文。代码实现上,sacrebleu、rouge-score等库提供了便捷的计算方式。新兴趋势包括基于BERT等模型的语义评估和大语言模型评估器,但传统指标仍占

数据知道的博客 9420

OpenAI自研AI芯片Jalapeño vs 英伟达Blackwell:芯片评估维度解析

人工智能的计算底座正从通用GPU加速走向定制化AI芯片,芯片的算力、显存带宽与互联能力共同决定了模型训练和推理的实际效率。对于大模型开发者而言,除了关注峰值算力,更需评估软硬件协同、生态成熟度以及单位token成本等关键维度。OpenAI自研芯片Jalapeño的出现,标志着模型公司开始将算力从采购品转向自研品,其“9个月流片”与英伟达Blackwell的对比,本质上不是单一跑分的胜负,而是围绕有效算力、软件栈、横向扩展、良率与全生命周期成本的系统工程。本文从芯片评估的通用维度出发,拆解如何理性看待“超越B

weixin_30243533的博客 323

vue3+vite:引入tailwindcss不生效的原因,详细解决Tailwind配置没问题但就是不生效的情况,配置正确无报错但样式没有生效(包括tailwindcss在Vue2使用不生效解决方案)

vue3 tailwind使用教程以及tailwind不生效的问题,vue3+vite引入tailwindcss不生效的原因,tailwindcss配之后不生效怎么办,如何解决tailwinscss不生效的原因,Vue3项目使用tailwindcss在Vue2使用,不生效解决,如何解决使用 Tailwind CSS 后出现的样式不生效的问题?tailwindcss配之后不生效 tailwindcss不生效,为什么我的 Tailwind css 类没生效,解决使用 Tailwind 时样式不生效的问题,配置没

✅ 精选推荐文章 4128

OpenAI发布ChatGPT AI芯片,Jalapeño背后是模型公司的全栈野心

ChatGPT越好用,OpenAI越肉疼。不是夸张——2026年Q1,OpenAI调整后营业利润率达到-122%,每赚1美元倒亏1.22美元,全年预计现金亏损超140亿美元。产品体验越好,调用量越大,推理账单越难看。这才催生出OpenAI自研芯片Jalapeño。这颗芯片和GPT-5.5 Instant同一天发布,两件事放在一起,才是完整的战略动作。本文拆解Jalapeño背后的算力逻辑与全栈AI战略,以及对企业AI布局的4个可带走判断。

edtoplort的博客 366

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

OpenAI自研芯片Jalapeño(墨西哥辣椒):9个月流片,年底部署

OpenAI与博通联合发布首款自研AI推理芯片Jalapeño,采用台积电3nm工艺,开发周期仅9个月创纪录。该芯片专为大模型优化,初期测试显示性能媲美英伟达Blackwell,成本降低50%,但不对外销售。OpenAI正从纯软件公司向"模型-芯片"全栈转型,计划2026年启动吉瓦级部署。此举旨在降低核心推理成本,第二代芯片Serrano已在规划中。(149字)

yaoshuweilai的博客 681

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Jalapeño与Blackwell对比:推理芯片与GPU平台的真实差距

随着大模型推理需求激增,专用推理芯片与通用GPU平台的路线之争成为AI基础设施领域的热门话题。自研AI芯片的设计思路往往聚焦于特定负载优化,通过先进制程和定制架构提升每瓦性能,而通用GPU平台则凭借成熟的CUDA生态、HBM高带宽存储和NVLink多卡互联,构建了从单卡到千卡集群的完整解决方案。实际部署中,评估芯片优劣不能只看单卡算力,还需关注内存带宽、多卡扩展、软件工具链、算子兼容性及长期稳定性。在真实生产场景下,推理芯片能否替代通用GPU,取决于是否能通过同一套评估流程下的对照测试,并补齐从驱动到部署链

weixin_34239169的博客 434

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

OpenAI自研AI芯片Jalapeño:推理性能超越Blackwell,开发者影响几何?

在人工智能领域,专用芯片正成为大模型推理成本与性能的关键变量。通用GPU虽强,却难以兼顾效率与成本。OpenAI自研AI芯片Jalapeño的出现,标志着推理算力走向专用化。该芯片聚焦LLM推理场景,据评估在部分负载上超越英伟达Blackwell。这意味着开发者需关注CUDA生态之外的替代方案,如Triton与PyTorch的兼容性。对本地部署用户而言,短期内Ollama、ComfyUI等流程不受影响,但长期云端推理成本可能大幅下降。理解这一趋势,有助于在算力选择中占据先机。

weixin_32678995的博客 359

OpenAI自研芯片Jalapeño:每瓦AI吞吐量如何重塑推理成本

AI推理的算力成本正在成为模型落地的主要瓶颈,单纯比较峰值算力已无法反映真实的部署开销。每瓦AI吞吐量作为衡量单位功耗下token生成能力的核心指标,将性能与功耗绑定,成为评估推理经济性的关键依据。OpenAI自研芯片Jalapeño基于3nm工艺,在DeepSeek R1推理任务上每瓦吞吐量达到GB300方案的1.7倍,这一数字直接影响了API定价、上下文长度以及自建服务器的硬件选型。对于开发者和运维团队而言,掌握在自有环境中测量模型吞吐量与功耗的方法,有助于将厂商的宣传数据转化为可验证的基准。借助lla

weixin_34294649的博客 432

OpenAI自研Jalapeño芯片:效率与速度双提升,AI算力基建变局

AI算力是驱动大模型训练与推理的核心底座,但通用GPU在面向Transformer等集中负载时,存在大量电路闲置与功耗浪费。自研芯片通过架构裁剪、3nm工艺和软硬件协同,将晶体管预算聚焦于张量计算与低精度运算,从而在单位能耗和单位成本内榨取更高算力输出。效率提升带来集群扩容与单请求成本下降,速度提升则需区分训练吞吐与推理延迟,前者依赖多卡互联优化,后者看重内存带宽与解码流水线。对开发者而言,芯片优化最终投射为API价格、响应延迟和并发上限的改善,建立性能基线、关注端到端指标,才能真正度量硬件迭代的业务价值。

weixin_33816821的博客 402

OpenAI自研芯片Jalapeño:对比Blackwell与开发者应对

在AI算力需求持续攀升的背景下,芯片架构的演进正深刻影响模型训练与推理的成本和效率。通用GPU凭借强大算力与成熟生态成为主流,但专用ASIC加速器因其在特定负载下的能效优势逐渐获得关注。OpenAI自研AI加速器Jalapeño,作为3nm级专用芯片,目标直指英伟达Blackwell阵营,核心逻辑是降低对单一供应商依赖,并通过针对Transformer、MoE等工作负载的定制优化,实现更高的有效算力和更低的单位token成本。从工程实践角度看,开发者更应关注PyTorch等高层框架的抽象层适配、推理框架对新

weixin_29054195的博客 345
上一篇: 谷歌为Gemini Audio增添转录功能,3.5 Transcribe多语言表现重大进步!
下一篇: 阿拉巴马州总检察长向 OpenAI 发传票,调查 AI 代理逃逸攻击事件安全性
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值