本文仅在今日头条发布，请勿转载

设计AI芯片的，居然是AI自己。

2026年8月25日，OpenAI发布了自己的首款AI加速芯片，代号Jalapeño（墨西哥辣椒）：13.4 petaflops的4-bit算力、232GB目前最先进的内存（HBM4）、每秒15.4TB的存取带宽。OpenAI自己的测试说，跑同样的大模型，这颗芯片比它现在用的英伟达GB300，端到端延迟（从输入提示词到吐出最后一个token）能压掉3.6倍，功耗还更低。

但性能只是故事的一半。另一半是：这颗芯片从第一个架构概念到第一片硅片，只用了不到20个月；从第一版RTL（描述芯片逻辑的寄存器传输级代码）到交付流片（tape-out），中间只有9个月。

在芯片界，这个速度是什么概念？同行评价："今天最好的水平。"

01 一个不到100人的团队，怎么敢设计AI加速器？

先说清一个反常识的事实：这颗旗舰级AI芯片，不是几千人团队堆出来的。

OpenAI硬件副总裁理查德·何（Richard Ho）说，设计Jalapeño的团队，全程平均不到100人——从系统设计、软件到供应链一应俱全，但不包括合作伙伴博通（Broadcom）的人马。分工是这样的：OpenAI负责端到端系统设计，包括推理加速器、内存层级和网络；博通负责"从门级开始的物理设计"，也就是把逻辑翻译成实实在在的电路版图。

OpenAI能这么快，当然有博通的功劳。芯片设计创业公司Verkor.io的联合创始人大卫·陈说，OpenAI给出的时间表"相当可信"，但前提是"有人帮你把后半程扛了"——"如果让别人从零开始，不可能这么快。"

但博通只是"加速器"，真正的引擎是另一套东西。

02 让大模型写代码：芯片设计的"软件化"革命

传统芯片设计是门"硬功夫"：工程师写硬件描述语言（Verilog），一行行描述电路逻辑，一版版仿真验证，来回迭代。一次迭代以天计，一个团队一天能跑几轮迭代，就决定了芯片上市的时间。

OpenAI的办法是：把设计流程"软件化"，然后交给AI。

他们用的工具叫XLS——谷歌开源的一套"高层次综合"（High-Level Synthesis）工具链。简单说，工程师可以用更接近写软件的语言（比如受Rust启发的DSLX或C++）来描述硬件功能，XLS自动把它翻译成Verilog。OpenAI的工程师克里斯·利里（Chris Leary）正好是XLS的发明人之一："AI在'看起来像软件'的活上特别强，而XLS看起来就像软件。"

于是流程变成：工程师用DSLX写功能描述 → 大模型帮忙写、改、查DSLX代码 → XLS编译成Verilog → 仿真验证。迭代速度从"以天计"变成"以小时计"。

答案，藏在迭代次数里。 早在2016年的一次设计自动化研讨会上，当时还在谷歌的理查德·何就说过一句被反复引用的话：芯片设计的周期，本质上是一个团队一天能完成多少次迭代的函数。十年后，他亲手验证了这句话。

03 模型也在进化：从o3到"能直接写Verilog"的下一代

OpenAI的这套流程，不是一天建成的，模型是逐步升级的。

项目早期，团队用的是o3——2025年4月才公开发布，但Jalapeño团队提前用上了。等项目收尾时，团队已经用上了GPT-6 Astra的前身模型（Astra直到2026年9月3日才公开）。新模型更猛：它能直接写Verilog，连XLS这层"翻译"都可以跳过——就像不再需要翻译，直接跟硬件说母语。

更强的模型带来一个良性循环：芯片回来得越早，AI就能越早帮它写软件、调性能，下一颗芯片就设计得越快。

第一批发回来的芯片在2026年5月到手。OpenAI立刻让自家AI模型上场，给芯片写跑分软件：在DeepSeek的多头潜注意力内核（MHA kernel）基准上，性能从理论天花板的0.31%，一路爬到88.94%——只用了大约40小时。

你品品这个数字：0.31%到88.94%，不是靠工程师熬夜调代码，是靠AI自己写代码，两天时间跑完过去几周甚至几个月的活。理查德·何说，这个过程是可复现的——"我们所有的排期假设，现在都建立在'我们有这个能力'的基础上。"

04 快，但别神化：这仍是"人与AI合谋"的工程

这么快的速度，是不是意味着"工程师要失业了"？

至少OpenAI自己不这么看。理查德·何的原话是："模型给了工程师'超能力'。工程师依然在驾驶，他们依然是最终拍板的人，但他们能干得更快、探索更多路径。"

马里兰大学半导体计划主任安库尔·斯里瓦斯塔瓦点出了本质：芯片设计自动化本身不是新东西，"自动化在芯片设计里存在几十年了"。LLM真正带来的是理解语言和代码的能力——它把芯片设计里那些"还停留在语言层面"的环节，比如功能描述、代码生成、审查纠错，全部提速。

UCSD杰出教授安德鲁·卡恩评价OpenAI的速度"可能是今天行业里最快的"，但他也提醒：Jalapeño能跑这么快，背后有博通的物理设计能力托底，有XLS这种成熟工具链，还有OpenAI自家模型的深度配合——这是一整套生态的合力，不是"AI一键设计芯片"。

05 产业意义：算力军备竞赛，开始了自我加速

Jalapeño不是一颗孤立的芯片，而是一个信号：AI巨头开始自己造芯片，而且用AI来造。

过去几年，英伟达几乎垄断了AI加速器市场。OpenAI、微软、谷歌、亚马逊纷纷下场自研——谷歌有TPU，亚马逊有Trainium，现在OpenAI有了Jalapeño。而Jalapeño的部署形态是2048颗芯片一组的pods，直接对标英伟达的集群方案，目标就是在自家推理业务里甩开对英伟达的依赖。

更深一层：当"设计芯片"本身被AI加速，芯片迭代周期会从"年"级压缩到"月"级。AI模型越强，AI硬件迭代越快；AI硬件越快，下一代AI模型训练越快。算力军备竞赛，进入了自我加速的正循环。

这对整个行业意味着什么？一方面，小团队+大模型的组合，让芯片设计的门槛在松动；另一方面，能同时拥有"顶尖模型+顶尖芯片设计能力+顶尖代工伙伴"的公司，将把差距拉得更大。

06 结尾：一根辣椒的启示

OpenAI给这颗芯片取名Jalapeño——墨西哥辣椒。够辣，也够小。

它辣在性能：13.4 petaflops，让英伟达GB300都得让三分；小在团队：不到100个人，20个月，从草图到硅片。

这大概是当下AI产业最浓缩的隐喻：当AI开始设计自己的大脑，人类工程师的角色，从"造芯片的人"，变成了"教AI造芯片的人"。 而那根辣椒，不过是这场自我加速的第一口辣味。

下一次，当你看到一个AI模型跑得飞快，不妨想想它脚下那颗芯片——它可能，也是AI自己设计出来的。