推理成本是当前 AI 商业竞争中最敏感的变量之一。OpenAI 与 Broadcom 合作开发 Jalapeño 推理芯片，意味着这场成本战已经从算法优化、框架调优推进到硬件定制这一层。 Google 有 TPU，Apple 有 Neural Engine，SpaceX 在开发星链专用处理器，现在 OpenAI 也正式加入这个俱乐部。它们的共同逻辑是：通用 GPU 的价格和供货都由 Nvidia 掌控，一旦推理规模足够大，定制芯片的摊销成本就会低于购买 GPU 的边际成本。 Broadcom 在这里的角色是 ASIC 设计合作方，而非独立芯片厂。它已经为 Google 的 TPU 和 Meta 的 MTIA 提供过类似服务。Jalapeño 的技术细节尚未公开，但推理专用芯片通常会针对批量矩阵运算和内存带宽进行深度优化，牺牲训练场景的灵活性换取推理场景的效率。 对 OpenAI 而言，自研芯片的收益不只在于直接省钱。首先，它减少了对 Nvidia 供货节奏和定价策略的依赖；其次，专用芯片可以针对 GPT 系列模型的特定架构做协同优化；第三，一旦芯片内化为 OpenAI 的基础设施，其推理成本曲线将与竞争对手分叉，形成结构性优势。 然而，自研芯片并非没有风险。从设计到流片再到大规模部署，周期通常在两到三年，且首版芯片的性能难以保证。Google 在 TPU 上投入多年才形成竞争优势，OpenAI 起步较晚，短期内仍会依赖 Nvidia。更关键的问题是：Jalapeño 的目标是全面替代 Nvidia 还是只承担部分推理工作负载，目前这一点尚不明确。 对于 Nvidia 来说，头部客户转向自研是既定趋势。但短期内这些自研芯片的产能和成熟度都难以与 H100/H200 竞争，Nvidia 的营收影响相对有限。真正的冲击可能在三到五年后才会显现。