丰富智能背后的全栈技术
内容提要
OpenAI发布首款自研推理芯片Jalapeño，在InferenceX基准测试中，其峰值吞吐量和延迟优于商业系统，并兼容多种模型。通过整合芯片、软件和硬件，OpenAI提升效率并降低成本，同时构建多元化供应商组合以优化性能与价格。效率提升带来更多使用需求，形成技术、经济与投资的良性循环，推动持续创新。
延伸解读
Jalapeño芯片的实测表现
文章首次公布了自研推理芯片Jalapeño在InferenceX基准上的实测结果。在GPT-OSS 120B模型下，其每千瓦峰值吞吐量更高，token延迟更低，优于对比的商业系统。此外，在DeepSeek R1和Kimi K2上也有强劲表现，说明其优势不限于单一模型家族。这些数据为OpenAI的芯片能力提供了初步验证，但基准测试的具体条件和对比对象未详细说明，读者需注意其适用范围。
多元化供应商组合的策略
OpenAI的供应商组合包括微软、NVIDIA、AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracle、SB Energy和SoftBank等。文章强调，不同供应商在不同维度（如云基础设施、加速计算、低延迟推理、数据中心和能源）各有优势。通过主动管理组合，OpenAI旨在保持性能与成本的平衡，并保留选择权以应对市场变化。这种策略有助于降低对单一供应商的依赖，但具体如何分配工作负载并未详述。
效率提升的经济效应
文章指出，效率提升不仅降低成本，还可能通过杰文斯悖论增加总需求。例如，GPT-5.6 Sol在编码任务中比另一领先模型少用54%的输出token，意味着更低的成本和更快的响应。这种改进使更多工作在经济上可行，如为每位客户提供定制分析或审查每份合同。然而，文章未提供具体成本数据或客户案例，读者应谨慎看待其经济影响的普遍性。
Q&A
OpenAI自研推理芯片Jalapeño在InferenceX基准测试中的表现如何？
在InferenceX基准测试中，使用GPT-OSS 120B模型，Jalapeño的峰值吞吐量（每千瓦）和token延迟均优于对比的商业系统，并且在DeepSeek R1和Kimi K2上也表现强劲。
OpenAI的芯片策略是什么？为什么既要自研芯片又要与多家供应商合作？
OpenAI的策略是“构建广度，拥有杠杆”，即通过自研芯片（如Jalapeño）获得对模型运行和成本的控制，同时与多家供应商（如微软、英伟达、AWS、AMD等）合作，以保持选择多样性，优化性能与成本，并适应不同工作负载的需求。
OpenAI如何通过全栈技术提升效率并降低成本？
OpenAI通过整合芯片、软件、硬件和模型开发，实现系统级优化，提高吞吐量、降低延迟和能耗，从而降低成本。例如，GPT-5.6 Sol在推理时使用更少的输出token，提高了效率。
什么是杰文斯悖论？OpenAI如何利用它创造经济价值？
杰文斯悖论指效率提升导致需求增加，从而创造更多经济活动。OpenAI通过提高智能的效率和降低成本，使更多应用变得经济可行，从而扩大使用量，创造新的经济价值。
OpenAI的Project Camellia是什么？它有哪些特点？
Project Camellia是OpenAI在乔治亚州的数据中心项目，旨在围绕客户工作负载设计设施，同时创造就业、支持当地企业、覆盖基础设施和能源成本、通过闭环系统节约用水，并接受年度独立审计。
OpenAI如何管理其供应商组合以优化性能和价格？
OpenAI积极管理供应商组合，根据工作负载需求选择最优系统，在能力关键时使用高端系统，在规模重要时优化效率，通过保持选择多样性来确保最佳性能价格比，并适应市场变化。
