从Jalapeño到2030年算力计划：OpenAI的全栈布局如何连接模型研发与基础设施

【软盟资讯·新闻导读】OpenAI自研推理芯片Jalapeño进入性能验证阶段，同期2030年算力支出预测上调至7500亿美元。两条消息共同指向其全栈布局：模型、芯片、数据中心正被纳入同一战略链条，但计划金额与已落地投资仍需严格区分。

进入9月，OpenAI的算力布局再次成为市场焦点。纽约时报DealBook援引一名了解相关数据的未具名人士报道，OpenAI目前预计到2030年算力支出将达到约7500亿美元，并且公司内部仍感觉算力“非常不足”。这一数字并非突然出现。早在7月下旬，多家媒体已经报道OpenAI将截至2030年的算力支出预测从约6000亿美元上调至7500亿美元。与此同时，OpenAI与博通联合发布的首款定制推理芯片Jalapeño也进入更具体的性能验证阶段。把这两条线索放在一起看，OpenAI想做的并不是简单的“多买芯片”或“多建数据中心”，而是要把模型研发、推理芯片与算力基础设施纳入同一套全栈布局。

推理芯片：从模型需求倒推硬件设计

Jalapeño不是OpenAI第一次公开芯片计划，但它是首款定制推理芯片。公开报道显示，OpenAI与博通联合发布，从设计到流片仅用了9个月，并且用AI模型加速芯片工程本身。这本身就反映出模型公司的研发逻辑：当模型迭代速度成为竞争核心时，芯片设计也开始借用AI能力来压缩周期。8月下旬，在Hot Chips大会上，OpenAI硬件负责人Richard Ho公布了Jalapeño的首份公开跑分，媒体披露其功耗表现优于英伟达同级产品1.5至1.9倍，特定基准下速度达到英伟达方案的4.9倍。不过，跑分数字需要放在特定基准和负载下理解，不能直接等同于全面领先。

从模型到芯片的关键联系在于推理成本。大模型完成训练后，真正持续消耗算力的是用户调用、智能体任务、编程辅助和实时交互。训练可以由少数几次大规模作业完成，推理却会随着用户规模增长不断累积。对OpenAI这类把模型能力直接作为服务交付的公司来说，降低单位token成本，比单纯追求峰值算力更重要。自研推理芯片的意义，就在于针对自家模型的结构、精度和调用模式做裁剪，减少无效算力消耗，提升服务能力。

但短期边界也很清楚。已有分析提醒，不应把Jalapeño的发布等同于OpenAI摆脱了对英伟达的依赖。短期内它更像现有GPU集群的补充，而不是替代。训练侧、通用负载、互连生态和软件兼容性，仍是英伟达体系长期积累的优势。OpenAI的芯片路线要真正形成替代能力，还需要后续产品、软件栈和数据中心部署经验的持续叠加。

7500亿美元预测与已经落地的项目

9月9日最新被转述的7500亿美元，是“预计”“预测”，不是已经发生的资本开支。把它与已完成投资混淆，会严重高估OpenAI当前的资产形成速度。7月的报道称，这一预测较今年早些时候约6000亿美元的水平提高约25%，增长反映的是公司与云计算供应商达成新协议，以及星门项目推进困难之后，公司加强自有数据中心建设的努力。需要注意的是，预测可以随谈判、电力供给、供应链和融资条件变化继续调整，它更像战略目标而不是工程排期。

真正落地的部分，是山茶花项目（Project Camellia）。OpenAI已宣布在佐治亚州埃芬汉县计划投资200亿美元，建设首个由公司主导设计和开发的数据中心。OpenAI计算战略副总裁萨钦·卡蒂透露，公司已完成土地收储，并与佐治亚电力公司签订合同，将在2028至2032年间获得3.2吉瓦电力供应。至于为预留电力支付了多少费用，卡蒂没有给出具体数字，只说这是一笔“可观的费用”。这显示出电力已经和芯片、土地一样，成为算力扩张中不可回避的硬约束。

星门项目的曲折，是理解这一转向的重要背景。按照更早设想，OpenAI试图与软银、甲骨文和中东投资者共同推进规模高达5000亿美元的星门数据中心计划。随着项目推进不如预期，OpenAI才重新加强内部建设能力，并请来曾为马斯克建设数据中心的布伦特·梅奥担任数据中心建设与交付负责人。这个背景说明，OpenAI的算力战略并非一开始就走自建路线，而是在外部合作与自主可控之间反复权衡。

全栈布局的产业含义

对投资者、云计算企业和企业技术决策者来说，这三类动作不应单独估值。OpenAI的自研芯片如果只是实验室产品，价值有限；7500亿美元预测如果无法转化为电力合约、土地审批和建设进度，也只是纸面规模。真正值得关注的是它能否形成“模型定义负载—芯片匹配负载—数据中心承载负载”的闭环。模型能力越强，推理调用越多，自研芯片的规模效应越明显；自有数据中心规模越大，越有机会按统一架构部署自研芯片，降低对单一供应商和外部云资源的依赖。

这种模式也在改变云计算与芯片市场的竞争格局。其他云厂商和芯片公司已经走在类似路线上，谷歌用TPU、亚马逊用Trainium构建了自己模型与芯片的组合，英伟达的高市场份额也会被多家自研方案逐步稀释。但稀释不等于颠覆。训练侧和通用计算仍然有强大的生态壁垒，OpenAI的推理芯片放量还需要流片、量产、调试、部署和软件适配的共同成熟。更现实的影响，是头部模型公司正在把硬件采购权、数据中心设计和电力锁定从外部供应商手中逐步收回，这会推高整个行业的资本密集度。

对OpenAI自身而言，最直接的约束不是“要不要投”，而是“能不能按期建成并投入运行”。芯片、电力、土地等多环节供给瓶颈同时存在，巨额订单能否按期转化为可用算力，才是AI基础设施板块的核心考验。技术决策者可以从中观察一个趋势：未来的模型竞争，会越来越多地隐藏在数据中心选址、供电合同、芯片量产良率和单位推理成本里，而不只是模型榜单分数。

软盟观察

OpenAI的这轮算力布局，更像是从模型公司向基础设施公司的一次战略跃迁，但它带来的不只是机会，还有更重的资产负担。7500亿美元是一个具有冲击力的数字，却不应该被当作已经发生的投资。真正的判断要分成几个层次：哪些只是长期预测，哪些已经锁定合同，哪些正在建设，哪些能够在未来数年内产生算力供给。对投资者来说，把这些层次混在一起，容易把叙事误认为利润，把资本开支误认为收入。

Jalapeño芯片的跑分表现值得关注，但不应该被单点放大。推理芯片的真正价值，不在某一组基准数据里，而在它能否与OpenAI的模型更新节奏、调用场景和数据中心设计形成统一成本曲线。如果自研芯片只能小规模部署，它很难改变成本结构；如果不能与自有数据中心和电力供应协同，它仍然要回到外部基础设施的约束中。OpenAI从依赖云供应商转向自建数据中心，说明它已经认识到，算力供给不能完全寄托于外部合作。但这种转向会把公司推向一个更加重资产、长周期、高执行难度的竞争环境。

客观地说，OpenAI的全栈布局逻辑是清晰的，模型、芯片和基础设施之间的协同也有真实价值。可执行风险同样清晰：电力审批、土地建设、芯片量产和系统软件适配没有一项是短期可以解决的。供应链瓶颈不会因为预算上调而自动消失，巨额投入也可能在建设周期中遭遇利率、政策和需求波动。对于产业观察者而言，这组消息最重要的意义不是OpenAI又要花多少钱，而是它正在重新定义AI竞争的重心——从模型能力本身，扩展到芯片、电力和数据中心组成的物理底座。能把这个闭环跑通的公司，才有资格进入下一阶段的算力竞争。