8 月 25 日，OpenAI 正式公布其首款自研推理芯片"Jalapeño"的性能测试结果。该芯片专为运行大语言模型设计，从初始架构到交付制造仅耗时 9 个月。值得注意的是，OpenAI 在研发全周期中深度集成了自家 AI 模型，不仅用于加速代码生成与测试优化，更引发了关于“未来芯片是否应专为 AI 编程而设计”的行业思考。
AI 重构芯片设计流程：从辅助编码到逻辑抽象
Jalapeño 项目的核心突破在于将 AI 引入芯片设计的反馈闭环。传统芯片设计中，工程师需反复编写代码、测试并权衡速度、功耗与面积（PPA）。而在 Jalapeño 项目中，AI 承担了部分迭代工作：工程师提出需求与约束，模型生成多种实现方案，再通过工具验证反馈，最终由人工决策。这种模式大幅缩短了探索周期，使团队能在相同时间内尝试更多架构方案。
为实现这一目标，团队采用了谷歌开发的 XLS 工具链。XLS 允许工程师使用高层次代码描述计算逻辑，再自动转换为底层硬件代码。Chris Leary（前谷歌 XLS 项目发起人，现 OpenAI 芯片团队成员）指出，这种“软件化”的硬件描述方式，恰好契合了当前 AI 模型擅长处理的任务类型，从而降低了 AI 参与芯片设计的门槛。
软硬协同新范式：让芯片“听得懂”AI 的指令
芯片制造完成后，AI 的作用并未停止。今年 5 月首批硅片回厂后，OpenAI 利用内部模型对运行在 Jalapeño 上的程序进行自动化优化。在一项注意力机制计算任务中，性能利用率从理论上限的 0.31% 提升至 88.94%，全程仅需约 40 小时。此外，团队在两个月内成功将三个未列入初期计划的开放权重模型适配至高性能状态。
这一成果揭示了专用 AI 芯片面临的长期痛点：硬件一旦流片即固定，但上层模型迭代迅速。若每次新模型上线都依赖人工进行底层 Kernel 编写与调优，高昂的软件适配成本将抵消硬件优势。Jalapeño 的设计哲学因此发生转变：不仅在制造阶段利用 AI，更在架构层面追求“可被 AI 理解”。通过保持任务分配、数据通信及同步机制的清晰性与可预测性，芯片能够更容易地被 AI 模型解析并自主优化程序。
行业启示：从“为 AI 造芯”到“让 AI 造芯”
Jalapeño 的实践表明，评估芯片价值的维度正在扩展。除了传统的性能、功耗、面积和带宽指标外，“是否易于被 AI 编程”正成为新的关键考量。即便某项硬件特性理论性能更强，若其导致软件适配周期过长，实际落地价值也将大打折扣。相反，架构清晰、行为可预测且支持 AI 持续优化的芯片，更能适应大模型快速迭代的节奏。
目前，Jalapeño 仍待规模部署的最终检验。OpenAI 计划于年底前启动部署，并持续完善软件生态。无论最终成效如何，该项目已提出一个前瞻性命题：过去我们制造 AI 芯片是为了更好地运行 AI；而当 AI 逐渐胜任程序员角色时，芯片设计本身也需反向适配，思考如何让 AI 更高效地为其编写程序。
参考链接：
https://spectrum.ieee.org/llms-for-chip-design
https://openai.com/index/jalapeno-first-results/
https://google.github.io/xls/