AREX Feed Article
OpenAI 披露首款自研推理芯片 Jalapeño：称每瓦峰值吞吐为商用系统 1.5～1.9 倍，拟年底起部署
2026 年 9 月 8 日（约 13:15 UTC），OpenAI CFO Sarah Friar 署名在 OpenAI 官网发布博客《The Work Now Within Reach》，披露公司战略与运营指标。其中的一项核心进展，是公司首款自研推理芯片 Jalapeño 的测试数据与部署计划：OpenAI 称，在 InferenceX 测试中，Jalapeño 的每瓦峰值 token（词元）吞吐达到所测商用系统的 1.5～1.9 倍，端到端延迟低 1.7～3.6 倍，公司计划自今年年底起将其投入部署（）。
同一篇博客披露的其他指标包括：产品每周活跃用户超过 10 亿，企业客户达 250 万家；研究组织每 1 个人类工作日对应 3.1 个 agent-工作日（agent，即智能体）；GPT-5.6 Sol 使端到端服务成本降低 20%、token 生成效率提升 15% 以上。上述数字均来自 OpenAI 自报，博客未附第三方审计。
Jalapeño：三个公开模型上测出的两个倍数
博客将 Jalapeño 称为 OpenAI 的首款自研推理芯片。OpenAI 称，在 InferenceX 测试中，跨三个公开模型，Jalapeño 以额定芯片功率做归一化后，每瓦峰值 token 吞吐达到所测商用系统的 1.5～1.9 倍；端到端延迟则低 1.7～3.6 倍。部署计划方面，博客写明 OpenAI 计划自年底起部署 Jalapeño，与 NVIDIA、AMD 及其他合作伙伴的加速器并列使用。
这组数字的参照系需要一并读。OpenAI 没有在博客中点名被对比的商用系统，只说明对比对象是 InferenceX 测试中所涵盖的商用系统，并以额定芯片功率做归一化。1.5～1.9 倍与 1.7～3.6 倍都是特定测试集、特定归一化口径下的峰值结果，能否在生产环境中复现，要等年底部署之后的实际运行数据。
Friar 在博客中把 Jalapeño 放进 OpenAI 的全栈算力战略（full stack compute strategy）里解释：该战略覆盖数据中心、芯片、软件、模型和产品，OpenAI 把这些选择放在一起管理，在能力、速度、可靠性、效率和成本之间为每种工作负载寻找最强的组合；在自研能带来性能或成本改善的地方自研部件，在合作伙伴提供最优方案的地方继续采用合作方式。训练前沿模型和运行快速交互 agent，对基础设施的要求并不相同。
消费与企业业务如何互相带动
博客披露的另一组核心指标是规模：OpenAI 的产品触达超过 10 亿周活跃用户和 250 万家企业，研究进展通过 ChatGPT、ChatGPT Work、Codex 以及基于其 API 构建的应用传导给用户，一次模型研究投入可以支撑多个产品及其多元化收入流。
Friar 用一个循环来解释消费端与企业端的关系：在家里用过 ChatGPT 的人会把这份熟悉感带到工作中，企业部署又给员工提供适配复杂工作与组织要求的工具，工作场景的使用体验反过来改变他们对个人场景中 AI 的期待。博客还引用了 OpenAI 自己的研究：在针对个人版 ChatGPT 用户的调研中，用户注册六个月后的每日消息量比第一个月高出约 50%，尝试过的不同任务种类约为最初的两倍。
商业模式上，博客写明的路径是：免费访问由广告支持，帮助用户发现 AI 在哪里有用；订阅和按用量计费则让客户在发现更多价值后增加支出。开发者进一步扩大触达范围，为 OpenAI 自己未必会识别的需求构建应用。
OpenAI 研究组织怎样给 agent 派活
博客为「更多工作变得值得做」给出的内部例证，来自 OpenAI 自己的研究组织。博客引用研究团队近期的更新称，研究人员借助 agent 更快地贡献代码、运行更多实验，并把越来越复杂的任务委托给 agent；团队用 agent 解决过去需要专家支持的基础设施问题。OpenAI 给出的量化口径是：研究组织现在每 1 个人类工作日的人力投入，对应 3.1 个 agent-工作日。
博客同时写明了人的位置：研究优先级仍由人设定，结果也由人判断，agent 给研究人员腾出的是追逐有前景想法的余量。对客户故事，博客列举了波士顿儿童医院（Boston Children's Hospital）的案例：借助 AI 辅助研究，专家在此前未解决的罕见病病例中找到了答案，涉及超过 40 个诊断。
GPT-5.6 Sol 先在软件层压低服务成本
在 Jalapeño 之前，成本优化已经先发生在软件和模型层面。博客披露，GPT-5.6 Sol 帮助改进了 OpenAI 的生产服务软件，使端到端服务成本降低 20%；额外的改进让 token 生成效率提升 15% 以上，使系统在同样的算力下产出更多结果。
Friar 把客户真正在意的结果归纳为「完成的任务」：更好的模型可以用更少的尝试完成任务，更好的软硬件能让每一次尝试更快、更便宜，两头同时改进，OpenAI 就能用自建和采购的容量服务更多工作。博客写明，Jalapeño 正是把这项工作延伸到硬件层面的那一步。
一套自报数据的读法
全部关键数字都出自 OpenAI 单方面的自报：芯片对比结果出自 InferenceX 测试，参照的商用系统未被点名，博客未附第三方审计。Friar 称 GPT-6 Astra 是「世界最智能且对齐的模型」，并在计算机使用、浏览、软件工程、网络安全、科学和专业工作等领域达到最优水平（state-of-the-art），这同样属于 OpenAI 的自评，博客未附第三方基准佐证。
这篇博客延续了 Friar 的署名博客系列，此前已有《The full stack behind abundant intelligence》《What building an AI-native finance function taught me》《A scorecard for the AI age》《A business that scales with the value of intelligence》四篇，本篇是最新一篇。博客把前面的安排收进一个复利逻辑：消费与企业触达让每次模型进步直达客户，全栈算力战略让智能以更好的性能和经济性交付，增长的使用带来收入，收入再投入下一代研究与基础设施。
资金纪律是博客给这套逻辑设置的检验标准。博客写明，OpenAI 用三条标准判断每一笔投资：它能服务多少需求、多快形成生产力、回报是否能覆盖投入的资本。年底 Jalapeño 是否如期部署、部署后生产环境中的每瓦吞吐和延迟能否接近测试数据，将是这三条标准遇到的第一份公开答卷。