OpenAI CFO Sarah Friar 把公司算力战略拆成了五层，数据中心与芯片、前沿模型、开发者平台、消费与企业产品、AI 原生设备，一层顶一层。讲法本身不新鲜，新鲜的是她点出了串联逻辑。更好的软件让硬件更高效，更高效的硬件让模型跑得更省，更强的模型带来更多用量和反馈，信号再流回系统。五层彼此当齿轮，而不是并排摆着。

最硬的证据是 Jalapeño。这是 OpenAI 第一颗自研推理芯片，8月25日给出第一批公开测试结果。在 InferenceX 基准上，跑 GPT-OSS 120B，它的每千瓦峰值吞吐更高，token 延迟更低，对手是参与对比的商用系统。换 DeepSeek R1 和 Kimi K2 再跑，优势跨模型家族都成立。把模型、服务软件、芯片、内存、网络一起设计，吞吐、延迟、能耗、成本才能当一个系统一起改。自研给 OpenAI 一条可控的第一方路径，目的不是替代别人。

第二层算力来自一串合作伙伴。Microsoft 和 NVIDIA 是底座，AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracle、SB Energy、SoftBank 各占一块，云端、加速计算、低延迟推理、数据中心建设、能源交付。Friar 说不同负载需求不同，前沿训练、高并发推理、常驻 agent 在芯片、网络、功耗、延迟上的要求各走各的，目标是停在 Pareto 前沿上。翻译成大白话，哪个便宜哪个强就往哪个调度，能力最要紧的地方用顶配，规模和成本要紧的地方压效率。自研芯片给的是杠杆，外部组合给的是选择权。

经济账落到 GPT-5.6 Sol。在 Artificial Analysis 编码 Agent 指数上，max reasoning 模式跑出新高，输出 token 比另一个领先模型少约 54%。对客户来说，少输出 token 直接意味着更快、更省、重试更少、长任务能跑完，单次成功工作的总成本下降。这正是她说的"有用的智能除以美元"的落脚点，也是这套复利叙事里最该被检验的一环。模型变强，省下的不只是钱，是让原来算不过来的活儿变得算得过来。

她借杰文斯悖论来解释为什么效率提升不会压缩用量。煤炭效率提高后消耗反增，AI 也一样，能力变强、变便宜后，给每个客户做定制分析、审每份合同、跑实时财务推演、让工程师多试几个想法，这些原本不经济的活儿才值得做。用量是被经济性打开的，不是被效率关上的。

佐治亚州的 Project Camellia 是基础设施那层的样板。它围绕客户负载设计，闭环节水，承诺接受年度独立公开审计。造设施、雇人、覆盖能源成本、节水、被审计，全压在一座数据中心上。它说明 AI 原生算力基建不止拼功耗，还要拼选址、能耗透明度和合规口径。

读完长文，真正的赌注不在某一层，而在五层能不能真的咬合。单层玩家强在专，弱在改不动相邻层。OpenAI 押的是垂直整合能把单位智能成本压下去，再把省下的钱投回研发和安全。这条路要靠后续 Jalapeño 世代、更多基准数据和客户账单去验证，不是一篇 CFO 长文就能坐实。下一段值得盯的是第二代芯片的实测曲线，和这套组合在外部算力价格波动时还能不能维持定价纪律。