Tom's Hardware 刊出 Richard Ho 访谈：OpenAI 称 AI 辅助设计让 Jalapeño 从零到流片用了九个月

Tom's Hardware 在 10 月 3 日发布的中，把对 OpenAI 硬件负责人 Richard Ho 的访谈列为「AI Chip Design Week」专题的头条。这篇于 9 月 28 日上线，主题是 OpenAI 与 Broadcom 联合开发的推理 ASIC（专用集成电路）「Jalapeño」，以及 AI 如何参与这颗芯片的设计；该芯片今年在 Hot Chips 2026 上亮相。

访谈里有一条清晰的时间线：Jalapeño 从零开始到流片大约用了九个月，而行业此前的基线是 18 个月到两年。Ho 把这称为一条「新基线」，同时强调，团队没有用 AI 替换工程师，而是让工程师的效率大幅提高。Tom's Hardware 表示，该专题的免费开放将延续到周一（10 月 5 日）。

设计流程：Codex、签核与流片节奏

这场访谈由 Tom's Hardware 高级 CPU 分析师 Jake Roach 主持。Ho 描述的时间线是：旧基线下，一款芯片从开始到流片要 18 个月到两年，通常还伴随着已有的 IP 或更偏向传统的架构设计；Jalapeño 则是「我们是从零开始的，什么都没有，没有一行代码可以参照」。他给出的新基线是「九个月，从零开始」；Tom's Hardware 在中的表述是，这颗 ASIC 从最初的寄存器传输级（RTL）设计到流片，用了九个月。

设计流程里用到的 AI 模型来自 OpenAI 自己：团队主要使用智能体编程平台 Codex，以及 Sol、Sol 之前的模型，现在转向 Astra。Ho 说，从这项工作开始到流片，模型能力的提升非常大；到今年 5 月首批芯片到位、开始做内核优化时，团队「自己都惊讶于 Codex 变得有多好」。这次采用更像是自下而上的过程：工程师先自己试着用，然后叫其他人来看，整个团队慢慢把用法固定下来；遇到模型不顺手的地方，公司的研究团队再帮忙调整。他把结论说得很直接：「AI 就该这样用。我们没有替换工程师；他们只是变得超级高效。」AI 进入芯片设计并不是新鲜事（Cadence 和 Synopsys 的 AI 辅助工具已存在多年），但 OpenAI 把自家模型贯穿了设计、验证和内核优化的全过程。

流片前的签核（sign-off）没有被绕开。Ho 说，签核必须使用标准的电子设计自动化（EDA）流程，因为结果必须正确、可核验，「今天没有真正的替代方案」；Jalapeño 走的是标准流程，再叠加 AI 优化和优秀工程师。

Ho 也没有把这条时间线讲成通用答案。他说，如果要做一款复杂得多的芯片，比如用上 3D 堆叠、共封装光学，时间会更长：「还会是九个月吗？我不会这么说。」但会比没有 AI 模型时更快；做 Jalapeño 的衍生设计则会快得多。他还给流片设了一条自我约束：不愿为了 2% 的提升就流片新一代，因为不值得为此更换整个机队；流片节奏取决于 HBM、SerDes（高速串行接口）、光学互连等技术的成熟度。据 Tom's Hardware 报道，OpenAI 的第二代 ASIC 已接近流片，第三代也在开发中。

Tom's Hardware 还提到，Jalapeño 的 B0 步进据称比最初的 A0 步进在每瓦性能上最多提升 25%，幅度接近一次代际改进。报道认为，对一支全新的硬件团队来说，这可能意味着首版设计存在疏漏；至于问题该归于 AI 还是人，则无从判断。

效率、共设计与成本：为什么 OpenAI 要自研 ASIC

被问到自研的驱动力，Ho 说，是效率。他的逻辑是：OpenAI 会受算力限制，而算力限制的本质，是能送进数据中心的电力有限；公司要让有限的电力产出尽可能多的「智能」。把重心放在推理而不是训练，是因为训练要消耗大量算力，而用户的成本落在推理侧：ChatGPT、Codex 和 agent（智能体）的响应速度，直接构成用户对「智能」的感受。

第三方芯片给不了的是共设计（co-design）。Ho 说，OpenAI 的模型里有大量研究 IP（知识产权），无法广泛共享，「再多的 NDA（保密协议）也挡不住它泄露」；而内部团队与研究人员能看清整个技术栈，可以在软件、模型和硬件之间做取舍：一项优化到底放进编译器、放回软件栈，还是做进芯片。Jalapeño 的不少收益，就来自这种「全栈可见性」。

他并不认同「对现有芯片效率不满意」这个前提：真正的动因是抓住共设计的机会。他把 OpenAI 的「北极星」描述为尽可能低的基础设施成本：如果别的厂商能提供更好的芯片，他乐于把它们放进机队；「我们现在什么都用」，而且会持续评估，各家的配比可能变化。自研是一次押注：赌共设计能带来比外购更好的结果；「在 Jalapeño 上，这看起来开始有了回报」。

「只跑 OpenAI 模型」是误读：基准与未展示的加速能力

这颗 6 月对外公布的芯片，其架构与性能细节在 8 月的 Hot Chips 2026 上：216 GB HBM4 内存、最高 15.4 TB/s 带宽、700W 功耗，采用 64 个核心切片各自搭配 HBM 的 NUMA 式架构，可扩展到 2,048 颗芯片组成的 pod（机架集群）。

基准方面，Roach 请 Ho 澄清外界关于「为特定工作负载优化」的各种说法。Ho 说这属于误传：OpenAI 选择 SemiAnalysis 的 InferenceX 基准，恰恰是因为它用开源模型，而且各家模型不同、架构不同、规模不同。他们想消除的行业误解是：这颗自研推理芯片只能跑 OpenAI 的模型。用 Ho 的话说，它「可编程、通用，并不是为 OpenAI 模型硬编码的」。

可编程性的证据来自时间压力：芯片回来之后，团队才第一次接触 Kimi、DeepSeek 这些模型——「在拿回芯片之前，我们甚至没看过它们」——大约两个月后，这些模型就在 Jalapeño 上跑出了可公开发布的成绩。Tom's Hardware 的列出，被跑起来的模型包括 OpenAI 自家开源的 GPT-OSS、DeepSeek R1 与 Kimi K2.5；报道还指出，OpenAI 最初并不打算在 Hot Chips 上公布基准，是在拿到芯片、确认运行良好之后才做出的决定；基准固定为 8,000 个输入 token（词元）和 1,000 个输出 token。

访谈还提到一项没有出现在基准里的能力：推测解码（speculative decode）已在硬件中实现，只是没时间训练配套的草稿（draft）模型，所以未做展示；Ho 说，多 token 预测会带来 3～5 倍的性能提升，「已经在我们的口袋里」，会在自家模型进入生产时启用。

至于对比的基准对象，OpenAI 在 Hot Chips 上选了 Nvidia 的 GB200 和 GB300（Ho 说，那是当时能找到的最好公开数据），并按封装功耗归一化：Jalapeño 700W、GB200 1,200W、GB300 1,400W。OpenAI 称，在这组对比中，其峰值每瓦性能比 GB200/GB300 高出约 1.5～1.9 倍。公司内部还对更新的 Vera Rubin 以及更长的上下文做过比较，Ho 说差距甚至更大，但这些结果不会由 OpenAI 自己发布，「那要由 Nvidia 和其他有能力的一方来做」。

内部优先：Turin 宿主与 2027 年爬坡

对 Jalapeño 是否对外，Ho 的表态是先顾自己：公司内部对算力的需求太强，「光是填满我们自己的需求，就要花很长时间，而且需求还在增长」。他没有排除其他用途：这颗芯片「可以用在任何人身上」，但优先级是先满足 OpenAI 自己。

部署层面，Tom's Hardware 在中援引 SemiAnalysis 对机架级部署的描述：Jalapeño 以 AMD EPYC「Turin」作为宿主 CPU，每个 Turin 宿主配 1.5TB 内存。Ho 说这个选择是「务实」的降风险做法：作为独立 CPU，Nvidia 的 Vera 在成熟度上「稍微落后」，而 Turin 的表现足够强，做到了我们需要的事，合作伙伴对它也有经验；「我们想在对性能和成本的目标上保持进取，但不想承担不必要的风险。」

节奏上，他说，今年希望能先投放「非常小的量」，把生产环境里的验证跑通；真正的爬坡出现在 2027 年。

同一周的 Synopsys：Autopilot 瞄准 2026 年底全面可用

「AI Chip Design Week」的另一条主线是 EDA 工具厂商的动向。Synopsys 发布了 AgentEngineer 解决方案组合，以及承载它们的 Autopilot 平台；据 Tom's Hardware ，这一组合覆盖验证、系统验证、实现、模拟与混合信号（AMS）设计、制造、仿真与分析等领域，公司称有 50 多项客户合作正在进行，并向 Tom's Hardware Premium 确认计划在 2026 年底前全面可用（general availability）。此前在 7 月的设计自动化大会（DAC）上，Synopsys 展示过与 Nvidia、Microsoft 合作开发的 agentic 工作流。

Synopsys 也把「自主」的边界讲得很具体：平台按长周期 agent、任务 agent 和工具层三层划分；客户可以自带 LLM（大语言模型）、数据和基础设施；但 Synopsys 表示，护栏仍由人类设定，关键审批节点仍由人驱动，「客户需要学会信任这些自主系统」。性能数字方面，报道给出了明确的限定：最高 50 倍的验证收敛加速和 20% 的覆盖率提升来自 7 月与 Nvidia 的合作、对照自家流程测量；30% 的生产率提升落在 Fujitsu 给出的 10%～30% 区间上沿；2 倍 token 效率是客户自报的数据。已表态支持的 Intel、MediaTek、Samsung 都没有给出量化结果，目前公布的也只是产品组合与平台，还没有生产细节。

Synopsys 更早的 DSO.ai 已经跨过 100 次生产流片，而新一批 agent 仍在客户合作阶段。它能否在 2026 年底前实现全面可用、并在届时点出一家进入生产的客户，是下一个观察点；同期，Cadence 预计在 2026 年下半年开放 Level 5 的早期访问，Siemens 则承诺在后续版本中加入自验证能力。

OpenAI 想对外分享设计流程，称将「很快」公布更多

行业里来打听设计流程的人不少。Ho 说：「在公布之前我们就和他们接触过，因为结果已经在那里；公布之后，来自行业的沟通明显更多了。」他还说：「这不是那种『我们有这个东西，然后把它藏起来』的事情……我们想让整个行业的生产力更高，因为来自所有人的更好算力，对我们也有好处。」他预告「很快会看到更多」。

他提到硅谷活跃的 AI 芯片设计创业生态，说 OpenAI 有自己的一套看法，「某个时候想告诉世界」。他把 Codex 和 GPT-6 Astra 视为这件事的基础：「不会是纸上谈兵或空头承诺；我们可以指着它说：这是我们做的、我们怎么做的、我们得到了什么。」

Tom's Hardware 指出，Ho 所说的「它」究竟指什么仍是未知数；从上下文看，可能是把 AI 芯片设计工作流产品化。至于会以什么形式、面向谁、什么时候推出，Ho 只留下一句「很快」。