OpenAI 发布了一篇关于算力战略的说明，核心观点是：AI 进步最快的路径不是单点突破，而是整个系统一起变强。芯片、模型、serving 软件、开发者平台、产品和设备彼此咬合，每个环节的提升都会放大其他环节的价值。

文章公布了首颗自研推理芯片 Jalapeño 的实测结果。在 InferenceX 基准上，用 GPT-OSS 120B 模型测试，Jalapeño 每千瓦的峰值吞吐更高，token 延迟也更低，表现优于对照的商业系统。在 DeepSeek R1 和 Kimi K2 上成绩同样不错，说明收益不限于单一模型家族。原文没有给出具体百分比或绝对数字，只给出了相对结论。

Jalapeño 的意义在于第一方路径。模型、服务软件、芯片、内存、网络一起设计，把吞吐、延迟、能效和成本当作一个整体来优化。这和 OpenAI 此前完全依赖外部加速器的策略不同。他们明确表示，这不是替代，而是补充：继续使用 NVIDIA 等伙伴的芯片，同时保留自研选项，让每种工作负载都能在价格和性能之间找到最佳组合。

为了维持这种灵活性，OpenAI 把供应链摊得很开。文章点名了 AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracle、SB Energy 和 SoftBank，加上微软的计算和 NVIDIA 的芯片。逻辑是：不同供应商在不同维度各有优势，主动管理这个组合，保持多方可选，才能把需求导向每美元性能最强的地方，也才能在价格波动时稳住定价。

数据中心也是杠杆。文章介绍了 Project Camellia，位于佐治亚州，设计上围绕客户工作负载展开，并承诺闭环水系统、覆盖基建与能源成本、年度独立公共审计。这部分更像在回应外界对数据中心能耗和社区影响的质疑。

效率如何变成经济价值？文章举了一个具体例子：GPT-5.6 Sol 在 Artificial Analysis Coding Agent Index 上，以 max reasoning 模式达到新高，同时比另一款领先模型少用 54% 的输出 token。对用户来说，这意味着更少的重试、更快的响应、更长的 agent 工作流，以及更低的单次成功成本。

随后是 Jevons paradox 的逻辑：效率提高让更多任务变得经济上划算，于是用量反而增长，催生更多经济活动。OpenAI 把这描述为复利优势——好技术带来好经济，好经济反哺研究和基建。通篇没有提及局限或风险，毕竟是官方口径，可以当作战略声明来读。

关键信息基本都在：首颗自研芯片已有实测、供应链多元化、效率数据（54% 输出 token 减少）。但所有结论都来自 OpenAI 自己的测量，没有第三方验证，数字也相对模糊，读的时候需要保留这个前提。