OpenAI 在其最新的技術分享中揭露了其追求「豐富智能」（Abundant Intelligence）的核心路徑：建立一個從數據中心、自研晶片、前沿模型，到開發者平台與終端產品的完整全棧（Full Stack）集成系統。這種策略的核心邏輯在於，AI 的進步並非單一環節的突破，而是整個系統同步進化的結果。當軟體能讓硬體更高效，而專為特定工作負載設計的硬體能提升速度與能效，隨之而來的是更強大的模型能創造更好的產品，進而產生更多用戶需求與學習數據，這些信號再次回饋到系統底層，形成一個正向循環的強化過程。
自研晶片的戰略佈局與 Jalapeño 的表現
為了掌握模型運行方式並優化服務成本，OpenAI 推出了首款自研的推理晶片 Jalapeño。推理（Inference）是指模型在訓練完成後，接收輸入並產生輸出結果的過程，這是 AI 產品商業化中最關鍵的成本與效能瓶頸。在 InferenceX 這一公開基準測試中，使用 GPT-OSS 120B 模型的 Jalapeño 在每千瓦電力的峰值吞吐量（Peak Throughput）以及 Token 延遲（Token Latency，指生成每個字元所需的時間）方面，均優於目前的商業化系統。
值得注意的是，Jalapeño 的效能提升不僅限於 OpenAI 自家模型，在 DeepSeek R1 與 Kimi K2 等不同模型家族中同樣表現強勁。透過將模型設計、服務軟體、晶片、記憶體與網路設備進行共同設計（Co-design），OpenAI 能在單一系統內同時優化吞吐量、延遲、能效與成本。這讓 OpenAI 在依賴外部加速器（如 NVIDIA GPU）的同時，擁有了第一方的硬體路徑，能夠根據不同工作負載的經濟效益，靈活選擇最適合的運算系統。
多元化供應鏈與帕累托前沿的平衡
面對不同的 AI 任務，系統的需求截然不同。例如，前沿模型的訓練（Training）需要極高的運算強度，而高流量的推理或全天候運行的 AI Agent 則更看重低延遲與能效。OpenAI 的目標是維持在帕累托前沿（Pareto Frontier），意即在能力、速度、可靠性、效率與成本之間尋找最優的組合。
因此，OpenAI 並非完全依賴自研，而是採取「廣度建設，深度掌控」的策略。除了自研晶片，他們持續與微軟（Microsoft）、NVIDIA 合作，並將供應鏈擴展至 AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracle 以及提供能源支持的 SB Energy 與 SoftBank。這種多元組合讓 OpenAI 能在最重視能力的場景使用頂級系統，而在重視規模與成本的場景優化效率。透過維持對不同供應商與部署模型的選擇權，OpenAI 能在市場價格波動時保持定價紀律，並隨技術前沿的移動迅速切換硬體方案。
從運算效率到經濟價值的轉化
運算系統的最終價值在於每單位運算能產出多少「有用智能」。OpenAI 透過更聰明的路由（Routing）與上下文管理（Context Management）來減少無效運算，讓模型能以更少的嘗試達到正確答案。例如在 Artificial Analysis 的 Coding Agent Index 測試中，GPT-5.6 Sol 在最高推理模式下，比其他領先模型減少了 54% 的輸出 Token，卻達到了更高的性能指標。
這種效率提升將導致一個經濟學現象，即傑文斯悖論（Jevons Paradox）：當資源利用效率提高，導致成本下降時，該資源的需求反而會增加，進而創造更多新的經濟活動。當有用智能變得更便宜且強大，許多原本不具經濟效益的任務將變得可行，例如為每位客戶提供量身定制的分析、審閱所有合約或執行即時金融模擬，這將極大地擴展 AI 的應用場景。
基礎設施的永續與複利效應
在硬體層面，OpenAI 透過 Project Camellia 等數據中心計畫，探索如何圍繞客戶工作負載設計設施。該計畫不僅關注運算，還整合了閉環水冷系統以節約用水，並承諾接受年度獨立公開審計，將基礎設施與當地就業及能源成本掛鉤。
整體而言，OpenAI 正在建構一種複利優勢（Compounding Advantage）：更高效的運算降低成本，降低的成本讓更多用戶受益並帶來增長，而增長產生的資金再次投入到研究、基礎設施與安全領域。這種從底層晶片到上層應用、從能源供應到模型推理的全鏈路整合，旨在將技術突破轉化為經濟優勢，進而驅動下一波 AI 進化的浪潮。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。