如果说过去几年 OpenAI 是靠 GPT 模型打天下，那么现在，它的野心已经远远不止做一家模型公司。

《金融时报》最新消息，OpenAI 正在和博通合作，自研一颗代号 "XPU" 的 AI 推理芯片，预计会在 2026 年量产，由台积电代工。不同于英伟达 的 GPU，这款芯片不会对外销售，而是专门满足 OpenAI 内部的训练与推理需求，用来支撑即将上线的 GPT-5 等更庞大的模型。

为什么要自己造？原因其实很直接。

首先，Nvidia 芯片不仅贵，而且还不好抢，OpenAI 每次训练新模型都要消耗成千上万张 GPU。自研芯片可以降低成本、提升效率，更关键的是，它能把命脉握在自己手里。

当然，这一举动也被外界解读为 OpenAI 从买算力走向造算力的关键一步。

据报道，博通 CEO Hock Tan 在财报中提及，公司新增一笔规模高达 100 亿美元的定制芯片订单，并将在 2026 年进入 " 强劲发货期 "。

虽然未点名客户，但业内普遍将矛头指向 OpenAI，此举将不仅让 OpenAI 成为继谷歌 TPU、亚马逊 Trainium、Meta Artemis 之后，又一家押注自研 AI 芯片的大厂，也让博通的 AI 定制芯片业务再添一名重量级客户。

OpenAI 在多线出击

这并不是 OpenAI 最近唯一的大动作，它的野心远不止在芯片上落子。今年以来 OpenAI 在硬件、应用和算力基建三条战线上几乎是在同时提速。

先说硬件。 今年 5 月，OpenAI 花了 65 亿美元收购了由苹果前设计大师 Jony Ive 创办的 AI 硬件公司 io。值得一提的是，这个硬件公司的团队成员正是当年设计 iPhone 的那群人，履历相当豪华，现在他们加入 OpenAI，意味着公司不再满足于软件服务，而是真的要把 AI 做成人人手里的消费级设备。

再看应用。 就在前几天，OpenAI 又出手收购了一家做产品测试和实验平台的公司 Statsig，交易金额在 11 亿美元左右，是 OpenAI 迄今最大规模的收购之一。而 Statsig 的强项是做 A/B 测试和功能实验，能帮助工程团队快速迭代产品。

收购之后，创始人 Vijaye Raji 直接加入 OpenAI，当上了 " 应用 CTO"，负责 ChatGPT、Codex 等核心产品的工程和架构。与此同时，OpenAI 的管理层也在调整：前 Instacart CEO Fidji Simo 负责应用业务，Kevin Weil 转去研究，Srinivas Narayanan 接管 B2B 应用。

从这里能看出，OpenAI 正在刻意把研究和应用两条线拆开，并且分别配上重量级操盘手。这种组织架构，已经更接近一家成熟大厂，而不只是单纯的研究机构了。

在算力基建上，OpenAI 也在加码。它正在推进代号 "Stargate" 的超级数据中心项目，投入规模据说可能高达数百亿美元。奥特曼甚至放话，到 2025 年底，OpenAI 拥有的 GPU 数量将突破 100 万台。

这是什么概念？放在几年前，整个行业加起来可能都没有这个量。算力扩容的背后，就是要保证未来的 GPT-5、GPT-6 能有足够的粮草去训练。雷峰网

与此同时，OpenAI 还在分散风险，一边租 Google 的 TPU，一边和 AMD 合作，避免完全受制于英伟达。

一条最难走的路

放在行业背景里看，这一步也让 OpenAI 成为继谷歌、亚马逊、Meta 之后，又一家把自研芯片提上日程的 AI 巨头。谷歌有 TPU，亚马逊有 Trainium，Meta 有 Artemis，如今 OpenAI 补上了 XPU。

目前外界披露的情况是：OpenAI 研发的芯片是专门面向推理场景的，由前谷歌 TPU 工程师 Richard Ho 带领大约 40 人的团队负责，博通提供关键设计与 IP，台积电则计划用 3nm 工艺代工。

从 AI infra 的角度去看，OpenAI 确实迈出了非常勇敢的一步。

毕竟过去的几年中，行业的优化几乎都围绕着如何让 GPU 的利用率更高，如何让每一张卡都物尽其用的节奏去走。而这次 OpenAI 选择先做推理芯片，其实也是这个逻辑。

而且推理芯片的设计门槛相对低一些，它可以在现有的 GPU 体系之外起到补位的作用。换句话说，XPU 不是要立刻取代英伟达芯片，而是要先把推理这一环牢牢掌握在自己手里。

这也足以说明 OpenAI 的野心：它已经不满足于依赖现成 GPU，而是开始尝试从底层重塑算力体系。

但问题是，这条路的好处和弊端都同样明显。

自研的好处十分直观。首先，它可以完全针对大模型的计算模式进行定制，不必像英伟达 GPU 那样兼顾各种任务。这样一来，推理效率更高、能耗更低，还能在内存带宽和互联架构等瓶颈上做专门优化。

其次，成本压力也是核心驱动力。英伟达 GPU 的价格居高不下，大模型的训练和推理往往要消耗成千上万张卡。如果自研芯片能带来哪怕 20% 的能效提升，长期节省下来的电费和算力时间，就足以抵消掉巨额的研发投入。

更重要的是，自研还能摆脱对单一供应商的依赖，把模型、软件和硬件深度绑定，形成更坚固的护城河。

但问题同样很现实。首先是资金和周期，先进制程芯片的设计与流片成本动辄数亿美元，整个周期至少要三到五年。而在这段时间里，英伟达的 GPU 还在不断迭代，等 XPU 真正上线时能否保持竞争力，还是个未知数。

其次是人才瓶颈，能设计超大规模 AI 加速器的架构师凤毛麟角，团队搭建本身就是一道难关。软件生态问题更为棘手，英伟达最大的优势不是硬件，而是 CUDA 生态，已经成为行业事实标准。

这也意味着，OpenAI 不仅要造出芯片，还要重新搭建编译器、驱动、工具链，并说服自家工程师愿意迁移，这一点比造出硬件本身还要更难。

属于 OpenAI 的下一个十年

越激进，风险越大，故事也越精彩。

芯片研发的失败率从来不低，消费级 AI 设备的市场需求依旧模糊，超级数据中心的投入更是前所未有。OpenAI 所走的，可能是整条产业链中最昂贵、最复杂、也最容易摔跤的一条路。

正因如此，它的故事才更值得关注。OpenAI 今天的选择，不只是为了应对 GPT-5 的算力问题，而是在为未来十年乃至二十年的竞争埋下伏笔。它想要的是，在下一个时代里，像苹果之于智能手机、微软之于 PC 操作系统一样，占据一个不可撼动的核心位置。

所以，当我们谈论 OpenAI 的下一个十年，真正的问题不再是 " 它还能不能造出更强的 GPT"，而是 它能不能用芯片、硬件、算力和应用，一起构筑出属于 AI 时代的基础设施。

如果它做到了，那未来科技产业的秩序，可能会因为今天的这几步棋，而彻底被改写。雷峰网