深度拆解
OpenAI近期公开首颗自主设计的推理芯片Jalapeño，并披露其单位功耗吞吐性能达到英伟达GB200的约1.5倍、GB300的约1.9倍（来源：OpenAI官方披露，A级）。
我们认为，Jalapeño的产业意义并不主要在于单芯片性能，而在于模型厂商开始实质性向芯片设计及基础设施环节延伸，AI算力产业链原有的价值分配结构正在发生变化。
过去三年，生成式AI产业高速发展形成了较为稳定的价值链：模型厂商承担主要算力采购需求，GPU供应商通过高性能通用加速器及CUDA软件生态获取较高的产业链价值，晶圆代工、HBM及先进封装等环节则进一步受益于算力资本开支增长。
随着OpenAI、Google、Amazon、Anthropic、Meta等大型模型及云厂商持续推进ASIC和专用加速器研发，部分推理工作负载有望从通用GPU向专用芯片迁移。
这一趋势并不意味着全球AI算力需求下降。相反，专用芯片的效率提升可能进一步降低单位token推理成本，从而刺激推理需求和数据中心资本开支增长——但这一传导是否成立，取决于模型调用量、token价格、用户增长与推理弹性，不能从"单位成本下降"直接推导"总算力需求一定增加"。
因此，我们判断：
OpenAI公布的Jalapeño性能指标具有较强吸引力：单位功耗吞吐达到GB200的约1.5倍、GB300的约1.9倍（来源：OpenAI官方披露，A级）。
从芯片竞争角度看，专用ASIC相较通用GPU具备天然的结构性效率优势。由于ASIC可以围绕特定模型、算子和工作负载进行定制，其计算资源、存储层级及数据传输路径均能够针对特定场景进行优化。
因此，单纯实现更高的单位功耗性能，并不足以改变GPU产业格局。
英伟达真正的竞争优势并不只是GPU本身，而是围绕CUDA形成的软件生态、开发工具链和开发者资产。
全球AI应用已经积累了大量基于CUDA开发的软件、框架和内核。对于模型厂商而言，将现有工作负载从CUDA迁移至新的ASIC平台，需要承担显著的软件开发、调试和适配成本。
因此，传统意义上的ASIC竞争存在一个核心矛盾：
> 硬件性能可以通过专用化获得提升，但软件生态很难在短期内复制。
Jalapeño真正值得关注的地方，是OpenAI同时推进了硬件、模型和软件内核的协同优化。
这意味着其目标并非简单制造一颗"更快的芯片"，而是尝试建立一套针对自身模型工作负载进行优化的完整推理基础设施。
过去三年，AI基础设施的价值链呈现较为明确的分工。
模型公司负责模型研发及应用落地，云厂商负责数据中心基础设施建设，而GPU供应商提供核心算力硬件。
在这一模式下，英伟达处于产业链的关键位置。
模型厂商不断增加算力采购，云厂商扩大数据中心资本开支，而英伟达通过GPU销售及软件生态获得较高的产业链价值。
这一模式成立的重要原因之一，是模型厂商自研芯片的时间成本和工程成本较高。
然而，随着AI推理需求快速增长，推理已经逐渐成为模型公司的主要成本项目之一。
对于大型模型厂商而言，当算力规模达到一定程度之后，自研ASIC的经济性开始发生变化：
前期研发投入可以被巨大的芯片采购规模摊薄，而芯片效率提升则能够直接作用于长期推理成本。
因此，模型厂商自研芯片的核心目的并非完全替代GPU，而是将部分工作负载迁移至成本更低、效率更高的专用芯片。
从产业链角度看，这意味着英伟达面临的不是"AI算力需求消失"，而是：
目前，Google已经建立成熟的TPU体系，Amazon持续推进Trainium等自研芯片，Anthropic与博通推进专用芯片合作，Meta、xAI等公司也持续提高自研芯片投入（来源：各公司公开披露与行业报道，A/C级）。
关于模型厂商自研芯片的渗透节奏，市场上常见"每家模型公司将30%—50%的推理算力迁移至自研芯片"等表述。需要明确：该30%—50%属于情景测算假设，而非公司公开目标或行业共识。若无公开来源证明具体比例，我们采用条件式表述：
> 若大型模型厂商未来能够将一定比例的推理工作负载迁移至自研ASIC，则GPU在部分推理场景中的份额可能出现下降。
但这一变化需要与"AI总算力需求"区分开来。
专用芯片提高的是单位电力、单位面积及单位资本开支对应的有效算力。
若单位token成本下降，模型服务商可能进一步扩大推理规模——但这一"需求创造效应"能否抵消"替代效应"（部分GPU工作负载转移至ASIC），取决于模型调用量、token价格、用户增长与推理弹性，目前无法给出确定结论。
因此，AI芯片市场可能出现一种结构性变化：
> GPU在部分推理场景中的份额可能下降，但AI总算力需求是否继续增长取决于多种因素，不能从"单位成本下降"直接推导。
这意味着英伟达真正面临的是部分推理场景中的市场份额和定价权压力，而非AI基础设施需求本身出现趋势性下降；且该判断目前主要对应推理芯片市场，不应无条件外推至训练芯片与英伟达整体数据中心业务。
| 维度 | GPU（通用加速器） | ASIC（专用芯片） |
|---|---|---|
| 通用性 | 高（训练+推理通用） | 低（围绕特定模型/负载定制） |
| 单位功耗效率 | 较低（通用架构存在冗余） | 潜在较高（针对特定负载优化） |
| 软件生态 | 强（CUDA及多年开发者积累） | 弱 / 建设中 |
| 开发成本 | 高（但生态成熟可摊薄） | 高（需自研或联合设计服务） |
| 工作负载适配 | 广 | 窄但深（特定推理） |
| 适合场景 | 训练 + 通用推理 | 特定推理工作负载 |
| 供应链依赖 | 高（先进制程 / HBM / 封装） | 同样依赖先进制程 / HBM / 封装 |
> 结论：ASIC并非GPU的全面替代，而更可能首先在特定推理工作负载中形成补充与分流。Jalapeño的意义在于验证了模型厂商进入芯片设计环节的可行性，而非证明ASIC已在综合竞争力上超越GPU。
模型厂商自研ASIC并不会切断AI芯片产业链。
相反，专用芯片仍然需要依赖成熟的半导体供应链。
典型链条包括：
模型厂商架构设计 → ASIC设计服务 → 晶圆制造 → HBM → 先进封装 → 数据中心部署
其中，晶圆制造和HBM仍然是专用AI芯片不可绕开的关键环节。
因此，模型厂商从GPU转向ASIC，并不意味着整个半导体产业链受到负面影响。
从上游供应链看，ASIC与GPU并行发展并不改变先进制程、HBM及先进封装的需求逻辑。若AI总算力需求持续增长，专用芯片的增加反而可能扩大部分上游环节的需求来源。
需要避免将这一判断表述为"更稳"或"确定受益"——上游环节的受益程度最终取决于AI总算力需求是否实际增长，以及GPU与ASIC的此消彼长节奏，目前属于有条件判断，而非确定性结论。
从这一角度看，Jalapeño更准确的产业定位并不是"英伟达的替代者"，而是：
OpenAI推进自研芯片的第一驱动力，是经济性。
随着模型能力提升和用户规模增长，推理成本正在成为模型公司的核心经营变量。
根据公开数据，OpenAI在2025年投入约340亿美元，营收约130亿美元，净亏损约209亿美元；2025年上半年推理相关支出约为50.2亿美元（来源：公司财报及公开报道，A/C级，具体科目以公司披露为准）。
在这种情况下，如果模型调用量持续增长，而单位推理成本无法同步下降，模型公司的商业化空间将受到明显限制。
而推理成本的本质之一，是单位电力能够产生多少有效token。
因此，单位功耗性能提升具有直接的经济价值。
如果在相同电力供应条件下，专用芯片能够产生更多有效token，那么模型厂商可以在不同比例增加电力投入的情况下扩大服务规模。
因此，Jalapeño的核心经济逻辑可以概括为：
单位功耗效率提升 → 单token成本下降 → 推理规模扩大 → 算力需求进一步增长。
这一链条的前两段（效率提升→成本下降）属于较直接的工程逻辑；后两段（成本下降→规模扩大→需求增长）属于产业推演，其成立依赖模型调用量、token定价与用户增长等外部条件，不能视为必然结果。这也解释了为什么自研芯片并不必然导致AI基础设施资本开支下降。
除成本因素之外，自研芯片还有更深层的战略意义：
Google TPU、Amazon Trainium以及其他大型云厂商自研芯片的发展，本质上都具有类似逻辑。
当核心基础设施完全依赖单一供应商时，模型及云厂商在价格、供货、产品路线等方面缺乏足够议价能力。
自研芯片则能够形成第二供应来源。
因此，模型厂商并不需要完全替代英伟达。
只要能够掌握一部分算力供应能力，就可以改变自身在产业链中的议价地位。
这意味着未来AI芯片市场可能从：
逐渐走向：
对英伟达而言，其最大的变化将是部分推理场景中的定价权和产业链利润率面临长期约束——但这一约束的强度，取决于自研ASIC的实际部署规模与渗透率，目前仍属推演。
传统高性能芯片从架构设计到流片通常需要较长周期，而Jalapeño据公开报道约用了9个月完成相关开发（来源：行业媒体与产业链信息，C级；具体周期以公司披露为准）。
这一速度背后至少包含三个重要因素。
OpenAI与博通合作，可以直接利用成熟的ASIC设计能力及既有供应链体系。
相比从零建立完整芯片设计团队，这种模式能够显著缩短开发周期。
传统芯片设计往往需要根据大量通用工作负载确定硬件架构。
模型厂商则可以直接利用自身真实生产环境中的工作负载进行优化。
OpenAI可以向芯片设计团队提供模型算子、attention模式、Serving行为等内部数据，从而针对自身模型进行PPA优化。
ASIC最大的优势来自定制化，但最大的困难也来自定制化。
如果硬件针对特定模型进行设计，而模型和Serving架构快速变化，那么芯片可能很快失去效率优势。
因此，模型厂商同时掌握模型、软件栈和芯片设计能力，可以形成更紧密的软硬件协同。
Jalapeño的一些架构选择体现了其针对实际推理场景的优化思路。
传统推理架构往往倾向于对prefill和decode进行拆分，因为两者具有不同的计算和内存特征。
OpenAI则选择统一芯片池。
其核心逻辑在于，实际生产环境中的prefill/decode负载比例并不是静态的。
序列长度、并发量、KV Cache命中率以及延迟要求都会持续变化。
如果两个阶段完全使用独立芯片池，则可能出现一侧拥塞、另一侧闲置的问题。
统一芯片池则能够提高整体资源利用率。
Jalapeño采用更强调局部性和低延迟的内存架构，使计算核心能够更直接地访问对应的HBM资源。
这种设计能够减少部分数据移动开销，但同时提高了对预取机制的要求。
通过无序执行核心和L1缓存，可以减少部分软件管理带来的固定开销。
但这一设计同样意味着，预取和调度机制需要更加成熟。
因此，这些架构选择的共同特点是：
我们认为，Jalapeño最值得关注的长期变量并不是硬件性能，而是软件。
长期以来，ASIC难以大规模替代GPU的主要原因之一，就是软件生态。
CUDA生态最大的优势并非某一代GPU的性能，而是开发者已经围绕CUDA积累了大量软件资产。
过去，开发ASIC意味着需要投入大量工程师重新开发、调试和优化kernel。
这一成本限制了专用芯片的普及。
但生成式AI正在改变这一约束。
OpenAI已经使用基于Triton的Gluon体系进行内核开发，并通过AI辅助编程工具提高kernel开发效率。
如果未来AI系统能够自动完成：
那么ASIC最重要的劣势——软件适配成本——可能被显著降低。
需要明确区分的是：CUDA的竞争壁垒至少包括开发者生态、成熟软件库、编译工具链、GPU硬件迭代、网络互联（如NVLink）与系统级解决方案等多个层面。单纯kernel自动生成能力的提升，不能直接等同于CUDA生态被替代。
因此，更准确的判断是：
> AI辅助编程可能降低ASIC的软件适配成本，从而削弱CUDA在部分专用推理场景中的迁移壁垒，但目前尚不足以证明CUDA整体生态护城河已发生实质性逆转。
若这一趋势持续，CUDA的"不可替代性"可能面临长期侵蚀，但仍是重要的竞争壁垒——将"结构性崩塌"改为"潜在削弱"或"长期存在侵蚀可能"更为严谨。
据公开报道，2023年以来英伟达持续通过投资、供应协议和长期合作等方式加强与AI公司的绑定（来源：行业媒体与公开信息，C级）。
其核心策略并不是阻止客户开发ASIC——这在技术上和商业上都很难实现。
真正有效的策略是：
因此，未来GPU与ASIC更可能形成长期共存关系。
对于英伟达而言，真正需要守住的是多层壁垒：
持续保持通用计算和AI加速能力领先。
保持开发者、软件和工具链优势。
从单芯片竞争进一步向NVLink、网络、整机、数据中心系统竞争延伸。
这也是为什么单纯比较"Jalapeño每瓦性能"和"Blackwell每瓦性能"，不足以判断两家公司真正的竞争关系。
Jalapeño进一步推进后，OpenAI与微软之间的经济关系也可能发生变化。
过去，OpenAI主要依赖微软提供云计算和基础设施能力，并通过微软生态获取算力。
如果OpenAI逐步掌握：
完整链条中的更多环节，那么OpenAI的基础设施独立性将明显提高。
如果微软进一步采购OpenAI自研芯片产生的推理能力，那么双方关系将从单向的基础设施供应关系，逐渐转向更加复杂的相互依赖关系。
这意味着双方未来的商业谈判，不再只是围绕云计算租金展开，而可能进一步涉及：
AI基础设施的价值分配，因此可能进一步向模型公司倾斜。
> 关系性质说明：本节对OpenAI、微软与英伟达之间关系的讨论，属于产业链经济关系示意，区分于实际资金逐笔流向。若无公开合同或财务披露证明具体资金金额与路径，不应将其解读为确定的会计关系或产业链采购关系；其作用是呈现产业机制的传导方向，而非核算真实现金流。
综合来看，我们认为市场在分析AI芯片自研趋势时，需要避免一个容易出现的误区：
> ASIC增长 ≠ AI算力需求下降。
两者实际上可能同时发生，但也并非必然同时发生。
模型厂商通过ASIC降低单位token成本后，可能进一步扩大推理规模，从而推动：
因此，未来AI芯片产业可能出现以下结构：
| 环节 | 潜在变化 | 判断性质 |
|---|---|---|
| GPU | 部分推理场景份额与定价权面临压力 | 推演（主要对应推理市场） |
| ASIC | 渗透率持续提升 | 推演（比例属情景假设） |
| HBM | GPU与ASIC双重需求驱动 | 推演（取决于总算力需求） |
| 先进制程 | AI芯片多元化继续支撑需求 | 推演 |
| 先进封装 | GPU与ASIC均需要高端封装 | 推演 |
| 数据中心 | 单位token成本下降可能刺激总需求 | 推演（非必然） |
| CUDA | 仍具强大壁垒，但面临软件适配成本下降的长期挑战 | 推演（非实质性逆转） |
因此，从产业链角度看，真正需要重新评估的并不是"AI芯片需求是否见顶"，而是"AI芯片产业利润将如何重新分配"——且这一重新分配目前主要发生在推理场景，程度取决于自研ASIC的实际渗透率。
我们认为，Jalapeño的战略意义可以归纳为三个层面。
专用芯片能够针对模型推理进行深度优化，提高单位功耗吞吐并降低单位token成本。
模型厂商开始向芯片设计环节延伸，意味着AI产业链原本由GPU供应商占据的部分价值空间开始向下游迁移——但这一迁移目前主要对应推理场景，不应无条件外推至英伟达整体业务。
AI辅助编程正在降低ASIC的软件适配成本。如果未来AI能够自动完成大量kernel开发和优化，那么专用芯片大规模应用的最大障碍之一将被削弱——但CUDA生态是否因此被实质性替代，目前仍属推演，需后续验证。
因此，Jalapeño真正值得关注的问题在于：
> 当模型公司同时拥有模型、芯片和AI编程能力之后，英伟达过去依靠"硬件性能 + CUDA生态 + 软件迁移成本"建立起来的产业链壁垒，是否仍然足以维持原有的利润分配结构？
我们的判断是：
AI算力需求是否持续增长仍待观察，但算力产业链的价值分配正在发生变化这一方向具备合理性。
GPU不会因为ASIC出现而失去市场，英伟达也不会因为单颗芯片的性能差异而失去竞争优势。
但随着大型模型厂商逐步掌握专用芯片设计能力，GPU供应商在部分推理场景中的高溢价和高集中度可能面临长期稀释——这一稀释的程度与节奏，取决于自研ASIC的实际部署规模，目前无法给出确定结论。
与此同时，HBM、先进制程、先进封装和数据中心基础设施的需求，最终取决于AI总算力需求是否实际增长，而非单纯由ASIC渗透率决定。
因此，从产业研究的角度看，Jalapeño真正释放的信号不是"OpenAI追上英伟达"，而是AI算力产业正在从"单一通用GPU主导"逐渐走向"GPU+ASIC并行"的多元化供应结构——这一结构的演进速度，是下一阶段最值得跟踪的变量。
*免责声明：本文为产业研究分析，仅代表作者观点，不构成任何投资建议。市场有风险，决策需谨慎。*