一個數字震驚了所有人：每兆瓦功耗下，OpenAI 自研晶片「墨西哥辣椒」（Jalapeño）的 Token 吞吐量，直接碾壓輝達現役旗艦 Blackwell。更讓矽谷捏把冷汗的是，連輝達還沒量產的下一代 Rubin，在這顆晶片面前也得退讓三分。
黃仁勳將在 2026 年 8 月 26 日美股盤後公布財報，市場原本緊盯的是資料中心 GPU 出貨動能。誰也沒料到，就在財報前夕，知名半導體分析機構 SemiAnalysis 投出這顆震撼彈，把焦點從輝達的營收數字，硬生生拉往一場正在成形的算力權力轉移。
表象：一顆「辣椒」怎麼嗆爆輝達的旗艦晶片？
SemiAnalysis 近期取得 Jalapeño 工程樣片，並進入 OpenAI 實驗室，以自家 InferenceX 測試平台進行實測。結果不只是「贏」，而是「碾壓」。
在 DeepSeek R1 低並發測試中，Jalapeño 達到每位使用者每秒超過 700 個 Token；Kimi K2.5 與 GPT-OSS 部分測試更衝上約 1,400 Token。SemiAnalysis 特別點出：這些成績是在沒有多 Token 預測（MTP）、推測解碼及 Prefill-Decode 分離的情況下跑出來的——換句話說，這還不是這顆晶片的全力。
硬體規格同樣讓人側目。Jalapeño 採台積電 N3P 製程，B0 版本每瓦性能較早期 A0 提升約 25%，單晶片理論運算力達 13.4 PFLOPs，TDP 僅 700W，遠低於 Rubin 單一運算晶片的 900 至 1,150W。搭配 HBM4 後，每封裝記憶體頻寬更達 15.4TB/s。
「幾乎所有場景的性能／瓦特都勝過輝達 Blackwell。」——SemiAnalysis 測試報告
有趣的是，Jalapeño 並未過度專攻模型推理的某個特定環節，而是朝通用型晶片設計。這個選擇透露了 OpenAI 的野心：他們要的不是一顆專打某個市場的武器，而是一把能應付各種 AI 工作負載的瑞士刀。
真相：OpenAI 的軟硬體協同，才是真正戳破 CUDA 護城河的那根針
如果只看硬體規格，你可能會覺得這只是另一家科技巨頭跳下來做晶片。但 SemiAnalysis 的報告點出了一個更深的結構性威脅：OpenAI 從 2024 年中開始設計 Jalapeño，從招募團隊到完成流片僅約 16 個月——這種開發速度，在半導體產業幾乎是超自然現象。
怎麼做到的？答案藏在軟體裡。OpenAI 利用自家 AI 編碼工具 Codex 協助開發晶片核心與軟體，並打造了自有的 Gluon 程式語言。換句話說，AI 正在幫 OpenAI 設計能跑 AI 的晶片——這個循環一旦成熟，競爭對手將面對的不只是一個產品，而是一個會自我加速的技術生態系。
SemiAnalysis 也直言，Jalapeño 真正值得關注的對手不是 Blackwell，而是採用 HBM4 的 Rubin。測試顯示，Jalapeño 每兆瓦的單 Token 預測（STP）吞吐量甚至高於 Vera Rubin 的多 Token 預測結果，每美元產出的 Token 數則與 Rubin 大致打成平手。若未來加入推測解碼，成本效益還可能進一步提升。
「Jalapeño 每兆瓦功耗下的 Token 吞吐量擊敗其他測試晶片。」——SemiAnalysis 實測結論
話說回來，這場比賽還遠不到終點。Jalapeño 目前仍只是工程樣片，量產預計要到 2027 年逐步爬坡，且現階段測試主要集中在 8k1k 工作負載，尚未完成完整 InferenceX 及 AgentX 測試。從工程樣品到百萬級量產之間，隔著一條無數晶片新創都游不過去的海峽。
各方角力：博通、台積電與一座正在鬆動的霸權
這顆「墨西哥辣椒」的誕生，背後站著兩個關鍵角色：博通執行長陳福陽與台積電。OpenAI 執行長奧特曼（Sam Altman）與陳福陽於 2026 年 6 月 24 日共同發表了這款客製化 AI 晶片，博通提供 ASIC 設計服務，台積電則以 N3P 製程負責生產。
這不是一個普通的供應鏈組合。博通在客製化晶片領域的經驗，加上台積電的製造實力，讓 OpenAI 跳過了最燒錢的製程開發階段，把資源全部集中在架構設計與軟體優化上。這種「設計+製造」的分工模式，正在成為大型 AI 公司挑戰輝達的標準套路。
對輝達來說，真正的麻煩不在於輸掉幾項測試數據，而在於整個 AI 產業正在從「買 NVIDIA 的解決方案」轉向「自己打造解決方案」。亞馬遜有 Trainium 和 Inferentia，Google 有 TPU，微軟有 Maia，現在 OpenAI 的 Jalapeño 又補上了最後一塊拼圖——當你的大客戶一個個變成你的競爭對手，光靠硬體規格領先是不夠的。
「Jalapeño 目前仍只是工程樣片，量產預計要到 2027 年逐步爬坡。現階段更適合視為對輝達的一記警告，而非正式宣告 GPU 霸主地位易主。」——SemiAnalysis
從產業面來看，Jalapeño 真正的戰略意義不是「擊敗輝達」，而是「證明輝達可以被擊敗」。一旦市場確認 GPU 霸主並非不可動搖，資本、人才、客戶信心就會開始鬆動，而這種鬆動往往是雪崩的第一道裂縫。
深層影響：算力市場的權力重組，才剛剛開始
這顆晶片的出現，同時戳破了兩個長期被視為理所當然的假設。
第一個假設是「輝達的硬體領先優勢無可撼動」。Jalapeño 的測試成績證明了，至少在推理端，客製化 ASIC 已經具備與 GPU 旗艦產品正面對決的能力。而且 OpenAI 才花了 16 個月——如果給他們 24 個月、36 個月呢？
第二個假設是「AI 公司只能乖乖買輝達的晶片」。隨著 AI 公司苦於資料中心用電吃緊，每瓦效能變得比絕對算力更重要。Jalapeño 的 TDP 僅 700W，遠低於 Rubin 的 900 至 1,150W——這不只影響採購預算，更影響一間資料中心能塞進多少算力。對營運成本極度敏感的雲端業者來說，這個差距會直接反映在財報上。
換個角度想：如果每瓦效能持續朝 ASIC 傾斜，輝達的「效能王冠」還能戴多久？這不是一個技術問題，而是一個物理問題。
對一般人來說，這場戰爭的最終受益者可能是你的錢包。當市場不再被單一供應商壟斷，算力成本就有機會下降，而更便宜的算力意味著更便宜的 AI 服務——從訂閱制的 ChatGPT 到企業用的各種 AI 工具，都有機會反映在價格上。
未解之問：2027 年之前，輝達還有多少時間？
SemiAnalysis 也坦言，相關測試數據均由 OpenAI 提供，因此現階段更適合視為對輝達的一記警告。但這個警告的份量，取決於一個關鍵變數：2027 年量產時，Jalapeño 還能維持多少優勢？
輝達的 Rubin 預計 2026 年量產，比 Jalapeño 早了一年。這一年的時間差，是黃仁勳的緩衝期，也可能是 OpenAI 的致命傷。如果 Rubin 在實際部署後展現出測試數據無法反映的系統級優勢，Jalapeño 的威脅就會大打折扣。反過來說，如果 Rubin 的出貨延遲或效能不如預期，那 2027 年可能就是輝達霸權的轉折點。
還有一個變數：軟體生態系。輝達的 CUDA 累積了超過十五年的開發者社群與程式碼庫，這不是一顆高效能晶片就能取代的。OpenAI 的 Gluon 程式語言和 Codex 輔助開發工具，能否在兩年內建立起足夠的生態系規模？這恐怕比晶片效能更難回答。
【編輯觀點】
從產業面來看，Jalapeño 的出現與其說是輝達的末日預兆，不如說是 AI 硬體市場「正常化」的開始。過去五年，AI 算力幾乎等於輝達的形狀，這對任何一個健康發展的產業來說都不正常。OpenAI 用 16 個月端出一顆能打的晶片，證明了 ASIC 路線確實可行。但真正的考題在 2027 年——量產良率、軟體生態、客戶信任，這些都不是靠測試數據就能過關的。輝達最該擔心的不是這顆辣椒有多辣，而是「自研晶片」已經從大公司的奢侈選項，變成必要選項。當你的客戶開始習慣自己下廚，你的餐廳生意遲早會受影響。這場仗，才剛開打。
【給讀者的行動呼籲】
如果你是 AI 領域的決策者或投資人，現在該問的不是「輝達會不會跌」，而是「你的算力策略有沒有備案」。Jalapeño 的測試數據至少證明了一件事：GPU 不是唯一解，而且可能不是最佳解。建議你重新檢視未來 12 到 24 個月的算力採購規劃，把 ASIC 選項放進評估清單——不是因為它現在就能取代輝達，而是因為 2027 年可能比你預期來得更快。至於一般使用者，請密切關注未來一年內 AI 訂閱服務的定價變化，算力成本下降的第一波紅利，很可能就會反映在你的月費帳單上。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
OpenAI 自研晶片「墨西哥辣椒」什麼時候正式量產？
Jalapeño 預計在 2027 年逐步爬坡量產，目前仍處於工程樣片階段，尚未完成完整測試。
墨西哥辣椒晶片真的打敗輝達 Rubin 了嗎？
在每兆瓦單 Token 預測吞吐量上，Jalapeño 確實高於 Vera Rubin 的多 Token 預測結果，每美元產出的 Token 數則大致打成平手，但 Rubin 量產時間比 Jalapeño 早一年，最終勝負仍待觀察。
為什麼 OpenAI 要自己設計 AI 晶片？
主要為了擺脫對輝達 GPU 的依賴、降低資料中心用電成本，並透過軟硬體協同設計追求更佳的每瓦效能，長期來看也能壓縮 AI 服務的營運成本。
這顆晶片對輝達的股價會造成什麼影響？
短期內屬於市場情緒面衝擊，實際營收影響要等到 2027 年 Jalapeño 量產後才會浮現。內容僅供參考，投資人於決策時應審慎評估風險，並就投資結果自行負責。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
About the Author
