OpenAI自研晶片Jalapeño實測數據流出！GPT-6操刀設計、每秒1459 Token狂暴輸出，輝達GB300也不是對手

不再只是算力買家！生成式 AI 領頭羊 OpenAI 首款自研 AI 加速晶片「Jalapeño」（墨西哥辣椒）實測數據震撼曝光，以每秒輸出 1459 個 Token 的狂暴速度，直接顛覆了由輝達（NVIDIA）長年壟斷的高階 AI 硬體市場。

根據知名半導體研究機構 SemiAnalysis 深入實驗室取得的第一手實測數據，Jalapeño 不僅全面超越輝達現役旗艦 GB200 與 GB300，就連尚未正式鋪貨的次世代架構 Vera Rubin 也被拉下神壇。

更具劃時代意義的是，這顆逼近極紫外光（EUV）光罩物理極限的頂級 ASIC 晶片，從概念設計到成功流片僅耗時 9 個月，背後正是由代號「GPT-Astra」（外界盛傳之 GPT-6）大模型親自操刀設計，正式揭開「AI 自主設計晶片、晶片反哺加速 AI」的自我演進新紀元。

1459 Token/s 狂暴輸出：出詞延遲僅 0.69 毫秒，極限情境壓倒 GB300 逾百倍

SemiAnalysis 首席分析師 Dylan Patel 在最新發布的權威評測中指出，Jalapeño 擊敗了實驗室過往測試過的每一款輝達、AMD 與 Google 晶片。

在開放權重模型 GPT-OSS 120B 的嚴格基準測試下，Jalapeño 跑出每秒 1459 個 Token 的驚人輸出吞吐量，換算兩個 Token 之間的出詞間隔延遲僅有 0.69 毫秒，遠遠突破人類視覺感知與螢幕更新率的極限。相較之下，輝達現役主力 GB200 的產出僅有 535 Token/s，效能連 Jalapeño 的一半都不到。

在端到端任務執行時間上，Jalapeño 處理完單一完整複雜任務僅需 1.65 秒，而輝達 GB300 卻需耗費 5.99 秒（近 6 秒），兩者存在高達 3.6 倍的顯著延遲差距。這種延遲落差若套用在需連續執行數十步推理的自主智慧體（AI Agent）多步驟工作流中，兩者的工作效率差距將呈現幾何級數放大。

最極端的差距出現在高互動解碼情境：當把 GB300 推向其自身的極限解碼速度（每秒 169 個 Token）時，Jalapeño 在該工作點上的吞吐量高達 GB300 的 104.3 倍。即便在 GPT-OSS 120B、670B 與萬億參數（1T）MoE 架構模型的最優峰值點比較，Jalapeño 的每瓦 AI 工作負載依然提升了 1.5 至 1.9 倍，端到端延遲降低 1.7 至 3.6 倍，高度互動式工作負載效能更提升了 2.1 至 4.1 倍。

Patel 對此直言：「被掀翻的不只是 Blackwell 架構，就連輝達次世代旗艦 Rubin 晶片也被無情超越了！」

700W 功耗壓制：每瓦 HBM 頻寬翻倍、TCO 營運成本看齊前代 H100

除了純算力爆發，Jalapeño 在能源效率與總體擁有成本（TCO）上的表現更令半導體業界震驚。Jalapeño 的標稱功耗僅有 700W，而輝達 GB300 高達 1400W，次世代 Vera Rubin 更飆破 1800W 以上；換言之，單單一顆 Rubin 所消耗的電量，就足以供應將近三顆 Jalapeño 同步全速運轉。

在納入供電、冷卻散熱與網路交換設備的整機資料中心維度評估下：

單晶片整體功耗：Jalapeño 為 1.125 kW，GB200 為 1.87 kW，Vera Rubin 則高達 3.3 kW。
兆瓦能源產出效率：在 GPT-OSS 負載下，Jalapeño 每兆瓦每秒可產出約 5300 萬個 Token，而輝達 GB200 NVL72 僅約 1000 萬個。
晶片小時 TCO 成本：Jalapeño 每小時總擁有成本僅 1.56 美元，與上一代 H100 的 1.55 美元幾乎完全持平，遠低於 Vera Rubin 的 3.61 美元。

在硬體底層架構上，Jalapeño 採用計算裸晶（Compute Die）居中、兩側各配置三顆 HBM4 高頻寬記憶體、上方搭配 I/O Chiplet 的先進小晶片架構。其主計算 Die 面積高達約 840 平方毫米，距離 ASML 極紫外光微影機台的 858 平方毫米光罩物理極限僅差 18 平方毫米，幾乎將光罩可用空間全數榨乾。其每瓦 HBM 頻寬指標高達 22，是第二名 Rubin（11.1）的整整兩倍、GB300（5.71）的近四倍；在每瓦 FLOPs 運算效率上以 19.1 與 Rubin（19.4）旗鼓相當，但整體功耗僅需對方的四成。

更關鍵的是，當前半導體實測僅基於未開啟「投機解碼」（Speculative Decoding）與 Token 預測的 A0 步進版本；目前已在晶圓廠投產的 B0 步進預計每瓦效能將再提升 25%，若導入投機解碼技術，每 Token 推論成本可望再砍掉三分之二以上。

GPT-Astra 模型親自操刀：9 個月光速完成 ASIC 流片物理奇蹟

傳統頂級 ASIC 晶片的研發與驗證週期通常需要 18 至 36 個月，其中最耗時的瓶頸在於反覆的邏輯仿真、架構探索與時序修復。然而 OpenAI 僅耗時短短 9 個月便完成 Jalapeño 的設計並送交流片，其最大功臣正是 OpenAI 內部最強前沿模型「GPT-Astra」（外界稱 GPT-6）。

GPT-Astra 深度介入了晶片架構的探索、測量與閉環驗證，甚至直接對算術邏輯電路進行微米級最佳化。SemiAnalysis 揭露的數據顯示，透過 AI 輔助硬體設計，Jalapeño 的 SIMD 單元面積縮減了 8%，矩陣運算引擎面積縮減了 10%，同時在時序收斂與功耗表現上全面超越人類資深晶片工程師的初版設計。

在軟體演算法層面，透過 Codex 與 GPT-Astra 的深度協同，OpenAI 在短短兩個月內將三個主流開源大模型爆改至頂級硬體適配狀態。在最消耗算力的 Attention 注意力機制與 MoE 路由模組上，AI 自動生成的底層機器碼執行效率，比人類頂尖編譯專家的手寫程式碼快了 1.5 到 1.8 倍。

瓦解 CUDA 二十年護城河：博通 10GW 大單啟動，專屬編譯器逆襲 GPU 生態

長期以來，輝達最堅不可摧的競爭壁壘在於深耕近二十年的 CUDA 軟體生態系統，全球數百萬工程師的開發習慣構成了極高的轉移門檻。然而 SemiAnalysis 在報告中給出重磅論斷：「CUDA 的壟斷護城河可能已經正式開始瓦解。」

核心原因在於 AI 生成式編譯棧的成形速度已徹底超越傳統手動適配。輝達 Rubin 晶片雖然比 Jalapeño 早一個月完成 CoWoS 封裝流片，但受限於龐大的歷史相容性包袱與封閉驗證體系，進度反而落後；而 OpenAI 毫無歷史包袱，直接以純白紙架構打造專屬的高效推論軟體棧。正如產業分析師所言，原本運行在輝達 GPU 上的 OpenAI 前沿模型，如今正在親手催生出埋葬 CUDA 獨占優勢的次世代接班人。

Jalapeño 的誕生僅是 OpenAI 全球算力擴張版圖的第一步。OpenAI 日前已與網通晶片巨頭博通（Broadcom）簽署高達 10GW（相當於十座核電機組總發電量）的客製化加速器大單。機房部署架構以單機櫃 128 顆晶片、雙機櫃 160kW 進行模組化建置，伺服器托盤更幽默地以「Katsu 日式炸豬排」（CPU 托盤）、「Vindaloo 印度咖哩」（ASIC 晶片托盤）與「Chana 鷹嘴豆」（交換機）命名。

目前 Jalapeño 第二代（Gen2）與第三代（Gen3）晶片已進入深度研發階段，預計 2027 年全面量產爬坡。雖然近期傳出負責「星際之門」（Stargate）資料中心計畫的關鍵主管 Chris Malone 離職，為團隊組織帶來些許變數，但 OpenAI 將「模型演算法、硬體晶片、編譯軟體」緊密扣合的自研飛輪已經全面轉動。

輝達依然穩坐當前 AI 王座，但最強大的競爭者已不再只是排隊購買晶片的客戶，而是直接走進晶圓廠與機房，開始親自打造屬於自己的 AI 算力帝國。