OpenAI 9個月自研「超越Blackwell晶片」，NVIDIA還有護城河嗎？

OpenAI聯合博通推出的自研推理晶片Jalapeño首次公布實測數據，性能指標顯著超越現有英偉達級別系統，引發市場對AI晶片格局重構的廣泛討論。

據高盛交易部門負責人Rich Privorotsky的最新分析，Jalapeño並非所謂的"英偉達終結者"，但其問世標誌著AI硬體市場正從高度集中走向多元分化。這一判斷直接關係到英偉達的長期估值邏輯——不是今年的出貨量，而是未來數年的利潤結構。

對市場而言，此次事件的核心影響有兩個維度：其一，英偉達在訓練晶片和CUDA生態上的護城河短期內不受威脅；其二，推理端這一高頻、高量的日常工作負載，正在成為客製化晶片的主戰場，英偉達的"年金式"收入來源面臨漸進式侵蝕。

Jalapeño的實測數據：推理效能領先，但定位明確

OpenAI與博通聯合設計的Jalapeño晶片近期公布了首批公開基準測試數據。測試結果顯示，該晶片每瓦可完成的AI運算量是同類英偉達系統的1.5至1.9倍，回應速度則快1.7至3.6倍。

從硬體規格來看，單顆Jalapeño晶片額定功耗約700瓦，實際運作功耗通常更低。一個完整機架可容納128顆晶片，搭載約27.5TB的HBM4高頻寬記憶體，每顆晶片的記憶體頻寬達15.4TB/秒。

值得注意的是，OpenAI並未在記憶體配置上妥協——這是一顆刻意追求頻寬密集型設計的晶片，而非通過削減記憶體來壓低成本。

Jalapeño的部署計劃是今年晚些時候小規模啟動，2027年進入量產爬坡階段。OpenAI方面已明確表示，該晶片是英偉達等合作夥伴的補充，而非替代。

訓練與推理的本質分野：英偉達的護城河在哪裡

理解此次事件的關鍵，在於區分AI晶片的兩類核心工作負載。

訓練是"上學"——將海量資料餵給模型並更新權重，任務複雜、規模龐大、耗時漫長，仍然高度依賴英偉達式的通用GPU。推理是"工作"——用戶向ChatGPT提問、智能體預訂機票、程式工具生成函數，模型已經訓練完畢，需要的是以最低成本、最快速度輸出結果。

Jalapeño是一顆推理專用ASIC（客製化晶片），而非訓練晶片。用Privorotsky的比喻：GPU是瑞士軍刀，ASIC是主廚刀——後者在特定任務上更出色，但無法替代前者的通用性。

這意味著，OpenAI在可預見的未來仍需採購英偉達GPU用於模型訓練和研究工作。Privorotsky明確指出，Jalapeño不會造成"英偉達需求的懸崖式下滑"，但"AI硬體的討論邊界正在持續擴大"。

混合轉移，而非行業消亡

Privorotsky在分析中提出三個核心論點。

第一，客製化推理晶片已不再是實驗室項目。一家沒有半導體歷史的軟體公司，能在極短周期內與博通聯合推出性能可觀的晶片，證明進入這一領域的門檻已大幅降低。

第二，這不代表英偉達今年需求下滑。訓練、研究以及大量非標準化工作負載仍需通用GPU，而第一代客製化晶片出貨量有限、交付周期偏長。

第三，從更長週期來看，AI推理業務中越來越多的工作負載將遷移至專用晶片。這是一種"混合轉移"——改變的是利潤的歸屬，而非行業的規模。

高盛同時指出，此次事件對記憶體行業並不構成利空。一個搭載27.5TB HBM4的128晶片機架，意味著OpenAI將向SK海力士、三星、美光等記憶體供應商支付更高的單位有效瓦特費用。推理遷移至客製化晶片，不會減少對高頻寬記憶體的需求，反而可能加劇稀缺性。

AI輔助晶片設計：真正被低估的敘事

Privorotsky在分析末尾提出了一個被市場普遍忽視的問題：一家沒有晶片設計歷史的公司，為何能在創紀錄的時間內完成這顆晶片？

高盛的答案是：強化學習與AI輔助設計循環——用模型探索電路方案、壓縮設計-測量-驗證週期，再用AI生成運行在新晶片上的軟體程式碼。

這一"遞迴"邏輯意味著，AI正在參與設計運行AI的機器本身。如果這一設計循環持續有效，通用GPU圍繞軟體生態構建的護城河，在穩定推理場景下將逐漸變薄。

對整個行業而言，編譯器、核心生成器以及"為晶片寫程式的模型"，正在從邊緣工具演變為戰略基礎建設。

生態系統的重新分層：誰受益，誰承壓

英偉達：短期無虞，長期面臨結構性壓力。訓練叢集、CUDA生態、網路互聯以及"週二就能跑新模型"的靈活性，仍構成真實護城河。但若推理這一高頻日常工作負載持續向ASIC遷移，英偉達將保住"淘金熱"，但逐步失去部分"年金"。這是一個關乎估值倍數的多年期問題，而非2026年的出貨量危機。

博通及客製化晶片代工廠：成為每一家想要自研晶片、但不想成為台積電的公司的"軍火商"。客製化推理是一門服務與網路業務，更多的Jalapeño意味著更多的封裝、SerDes及機架級製造需求。

模型實驗室：Jalapeño是一件利潤武器和產品武器。擁有自研推理晶片的實驗室可以降價、提高速率上限，或允許智能體在帳單失控前執行更多步驟。只租用GPU的實驗室，租的是別人的成本結構；擁有推理晶片的實驗室，可以重新定義產品本身。Google為此建了TPU，亞馬遜為此建了Trainium，OpenAI剛剛帶著公開成績單加入了這場競賽。

用戶與定價：推理成本下降通常帶來兩個同步結果——基礎層價格下降，前沿層因模型更大、更具智能體特性而更貴。每token總擁有成本的下降，是同時實現"20美元聊天機器人"和"每月2000美元智能體服務"的數字基礎。