只有整个系统协同改进，AI 的进步才能以最快速度累积。这正是我理解 OpenAI 算力战略的方式：打造一个覆盖数据中心与芯片、前沿模型、开发者平台、消费级和企业级产品以及 AI 原生设备的一体化系统，让每一层都为下一层赋能。
更好的软件能让硬件发挥更高效能。针对我们的工作负载设计的硬件可提升速度和效率。能力更强的模型能够催生更好的产品，进而带来更多需求、使用量和学习机会。这些信号会反馈到系统中，帮助我们再次改进系统。
今天，我们公布了 OpenAI 首款自研推理芯片 Jalapeño 的首批实测性能结果。在采用 GPT‑OSS 120B 的公开基准测试 InferenceX 中，Jalapeño 的每千瓦峰值吞吐量高于对比的商用系统，Token 延迟也更低。它在 DeepSeek R1 和 Kimi K2 上同样表现强劲，表明其性能提升适用于不同模型系列。
Jalapeño 让我们能更自主地控制模型的运行方式及其服务成本。通过协同开发模型、服务软件、芯片、内存和网络，我们可以从系统整体出发，提升吞吐量、降低延迟、提高能效并优化成本。除了采用其他合作伙伴的加速器外，它还为我们提供了一条可靠的自研路径，使我们更有能力为每种工作负载匹配性能最强且经济性最优的系统。如今，我们已经拥有经实测验证、可正常运行的自研芯片，后续代际产品也已在开发中。
不同的工作负载对系统有不同的要求。前沿训练、大规模推理和全天候智能体对芯片、软件、网络、电力和延迟的要求各不相同。
我们的目标是始终处于帕累托前沿：不断为每种工作负载寻求能力、速度、可靠性、效率和成本的最佳组合。不同芯片和供应商各有所长，技术前沿也在不断演进。
我们的多元化组合使我们能够满足这些需求。Microsoft 的算力和 NVIDIA 的芯片一直是 OpenAI 增长的重要基石。如今，我们的合作伙伴组合还包括 AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracle、SB Energy 和 SoftBank。它们分别在云基础设施、加速计算、低延迟推理、数据中心建设和能源供应等领域拥有不同优势。
我们积极管理这一组合，同时兼顾能力与经济性。在能力最为关键的场景采用高端系统，在规模和成本更重要的场景则着重优化效率。在供应商、硬件和部署模式之间保留可靠的选择空间，使我们能够将需求导向单位成本性能最强的方案，在市场环境变化时保持价格纪律，并随着更强技术的涌现持续跟进技术前沿。在深度集成能够改善整个系统的环节，直接掌控可以带来更大优势。在生态系统能够帮助我们加快进展的领域，我们选择合作；在协同设计能带来显著优势的领域，我们选择自研。
数据中心是另一个可以发挥优势的关键环节。位于佐治亚州的 Project Camellia 展示了我们如何围绕客户工作负载设计设施，同时创造就业、支持当地企业、承担项目基础设施和能源成本、通过闭环系统节约用水，并让相关承诺接受年度独立公开审计。
这一系统的价值以其产出来衡量：让每一单位算力创造更多有用的智能。
更好的模型能用更少的尝试得出正确答案。更智能的路由和上下文管理可以减少无效工作。经过优化的软件和专用硬件能够提升速度和能效。
在 Artificial Analysis 编程智能体指数中，采用 Max 推理的 GPT‑5.6 Sol 创下新高，同时输出 Token 数量比另一款领先模型少 54%。对客户而言，这些改进意味着更快获得结果、产品更加可靠、重试次数更少、智能体能够完成更长的工作流，以及成功完成工作的总成本更低。最佳经济效益来自每一美元所能获得的有用智能。
随着有用智能的能力不断增强、价格日益亲民，越来越多的工作在经济上变得切实可行。企业可以为每位客户提供定制分析、审查每一份合同、实时运行财务情景分析，并帮助工程师测试更多构想。这就是杰文斯悖论：效率提高会让更多应用变得值得投入，从而扩大消费并催生新的经济活动，包括完成更多工作、做出更好的决策、推出更多产品以及创造更多收入。
更高效的算力和更具竞争力的供应体系有助于我们以更低成本服务更多客户，并将这些效率收益传递给用户。增长为持续投资研究、基础设施和安全提供资金。这就是 OpenAI 持续累积的优势：更好的技术带来更优的经济效益，更优的经济效益为下一轮进步提供资金，而每一次提升都会让整个系统更加强大。
