OpenAI造芯仅用9个月：AI重构芯片研发全流程

“量产一代、研发一代、预研一代”，传统芯片巨头习以为常的研发节奏，正在被大模型公司强行提速。OpenAI第一代自研芯片Jalapeño（代号“小辣椒”）计划于年底前启动部署，第二代已进入深入开发，第三代芯片也已成形。

最受行业瞩目的是其速度：第一代芯片从初始设计到流片仅耗时9个月。这一周期比无AI辅助的设计缩短了约半年。不过，芯片设计周期的极限究竟在哪里？大模型架构剧烈的演进，又该如何与动辄以年为周期的硬件开发相匹配？

从9个月到6个月：工作流复用释放造芯潜力

OpenAI自研芯片的探索始于2023年。在放弃了重资产自建晶圆厂的念头后，OpenAI将重心聚焦于自身最擅长的环节——围绕模型特性和推理服务定制芯片规格。

在“小辣椒”的开发中，AI全面参与了方案探索、“设计—测量—验证”循环及算术电路优化，并持续用于回片后的调试与编程。但“9个月流片”并不完全归功于算法。博通（Broadcom）成熟的硅实现能力、高速互联架构、接口IP以及工程积累，为OpenAI补齐了最为关键的基础底座。

行业技术专家指出，第一代芯片的核心价值在于跑通了“AI深度介入芯片设计”的标准化工作流。一旦这套协同流程实现工程化复用，后续芯片迭代对人工干预的依赖将进一步降低。从当前架构复杂度推算，OpenAI下一代芯片的研发周期完全有希望压至6个月以内。

验证提效80%，AI全面介入RTL核心腹地

目前AI应用最深、提效最明显的环节是RTL（寄存器传输级）代码生成与功能验证。

芯片设计中，根据架构规格编写电路代码和进行完备性验证极其耗费人力。实际工程案例显示，在AI辅助下，原本需要两名资深工程师耗时4个月的单元测试（UT）验证任务，单人仅用3周即可跑完从测试点拆解到结果比对的全闭环，节省验证周期超100天，综合效率提升80%。

芯片巨头也在加速推进这一变革：

• NVIDIA已在内部生产流程中部署Cadence的AI Agent，将部分耗时5周的RTL验证任务缩减至单日以内；
• 包括Altera、高通和Tenstorrent在内的半导体厂商，已借助验证Agent将特定工作量压缩至原先的十分之一；
• 随着前沿大模型对波形图、空间几何等非文本信息理解能力的增强，AI正从“代码逻辑编写”延伸至“底层版图摆放与物理布线”。

软硬件鸿沟难跨，架构决策仍需人类破局

尽管局部工具链效率飞跃，芯片开发与算法演进之间仍存在天然的时间错位。

从架构立项到量产部署，定制ASIC往往需要18至26个月。而在此期间，大模型可能已经历数次范式转移。例如，模型从Dense（稠密结构）转向MoE（混合专家模型），底层算力需求虽然未变，但跨芯片通信与片上显存的压力成倍攀升；Attention算子结构的改动，也会颠覆既定的算力带宽比。

面对这种不确定性，软硬件协同的权衡变得尤为苛刻：

1. 灵活性代价：为支持未来未知架构留出的芯片面积与功耗开销；
2. 通用性边界：专用加速电路能否覆盖足够多的模型生命周期；
3. 架构试错成本：押注特定加速逻辑是否会导致硬件提早过时。

在“小辣椒”项目中，OpenAI最终放弃了激进的纯Decode加速设计，选择兼顾Prefill与Decode阶段，把动态调优空间留给编译栈与调度算法。AI正在降低底层软件栈适配新型硬件的成本。

但在最顶层的系统架构、芯片规格定义与最终结果验收环节，行业依然高度依赖经验丰富的顶级芯片架构师。在探索空间过于辽阔的定义初期，人类专家的直觉与工程决断，短期内仍是AI无法逾越的护城河。