须(xu)知，英伟(wei)达(da)在高性能GPU（HPC和AI加速器领(ling)域）就在全球吃掉了接近450亿美元的盘子，而ASIC市场2023年满打满算也只(zhi)有200亿美元，前者的高垄断性看起来暂时不用担心(xin)以博通，Marvell为代表定(ding)制化芯片对(dui)其市场份额的侵蚀(shi)。

但你要说黄仁勋不着急那肯定(ding)是假的。AI大潮的推动下，比如TPU在Google Cloud上的应用，或者亚马逊AWS的Trainium/Inferentia让不少公司在考虑ASIC方案。2023年就有风传(chuan)英伟(wei)达(da)也想进入ASIC这个(ge)领(ling)域，为美国(guo)诸多CSP（云服务(wu)商）提供定(ding)制化服务(wu)。

OpenAI也在“背(bei)刺”英伟(wei)达(da)？

据路透社近日报道，OpenAI正在通过(guo)开(kai)发其首款自家人工智能芯片，以减少其对(dui)英伟(wei)达(da)芯片的需(xu)求(qiu)。路透社还声(sheng)称称OpenAI将(jiang)在近几个(ge)月内确定(ding)其芯片的最终设计，并(bing)将(jiang)方案交由台积电进行流片测试(shi)。

多年以来，OpenAI一(yi)直是英伟(wei)达(da)的大主顾之一(yi)。他们考虑非通用性GPU方案，无异(yi)于是对(dui)英伟(wei)达(da)的一(yi)种背(bei)刺。

OpenAI 的训练和推理任务(wu)高度(du)依赖英伟(wei)达(da)的高性能 GPU（如 A100、H100）。OpenAI在2020年的论文中曾提到，GPT-3的训练使用了约1万块V100 GPU。不过(guo)，OpenAI并(bing)未公开(kai)披(pi)露其从英伟(wei)达(da)采购的GPU具体数量，这类信息通常被视为商业机密或涉(she)及(ji)合作伙伴(ban)协(xie)议，因此外(wai)界难以获得准确数据。

除了采购GPU，他们之间的合作模式还有两点需(xu)要指出：OpenAI 深度(du)依赖英伟(wei)达(da)的CUDA 并(bing)行计算平台和cuDNN加速库(ku)，以最大化GPU在深度(du)学习任务(wu)中的性能；英伟(wei)达(da)OpenAI还有间接合作，通过(guo)合作伙伴(ban)（如微软Azure、亚马逊AWS）为 OpenAI 提供云GPU资源，支持其弹性计算需(xu)求(qiu)。

英伟(wei)达(da)首个(ge)DGX H200给(gei)到OpenAI

OpenAI在思考用更专用硬(ying)件ASIC的可能，步微软Maia AI芯片和谷歌(ge)TPU的后尘(chen)，主要也是苦英伟(wei)达(da)久矣(yi)。

英伟(wei)达(da)通用高端GPU不仅价格昂贵，而且功耗(hao)极高，且有很强的定(ding)价权(quan)，损伤了OpenAI的“自尊心(xin)”和财务(wu)毛利率，而且某种程度(du)上削弱了其振臂一(yi)呼搞(gao)“星际之门”的话(hua)语权(quan)和领(ling)导(dao)权(quan)。

OpenAI敢迈出这一(yi)步，也是看到了商用实(shi)地落地的可能性——踩(cai)着谷歌(ge)TPU的辕辐前进。

TPU是谷歌(ge)专门为机器学习（尤其是神经网络训练和推理）而设计的ASIC，从硬(ying)件到软件全栈优(you)化，避免了GPU的通用计算冗(rong)余。

谷歌(ge)单芯片TPU v4的FP16性能约275 TFLOPS，而英伟(wei)达(da)H100的FP16算力(li)为400 TFLOPS，看起来差距巨大，但 TPU v4可以用“打群架”的方式避免单打独斗的劣势，而且，TPU的专用推理硬(ying)件在低延迟场景中表现更优(you)。

虽然英伟(wei)达(da)高端GPU也需(xu)要HBM，但TPU采用的HBM高带(dai)宽内存与计算单元紧密耦合，减少数据搬运开(kai)销，英伟(wei)达(da)GPU需(xu)通过(guo)显存管理优(you)化才能避免瓶颈。

另外(wai)还有很重要的一(yi)点， 就呼应到了本文开(kai)头(tou)的话(hua)题：成本。

在谷歌(ge)云平台，TPU的按(an)需(xu)计费成本可能低于同等算力(li)的GPU实(shi)例，尤其对(dui)长期训练任务(wu)或批量推理更具性价比。TPU作为托管服务(wu)，用户无需(xu)关注底层硬(ying)件运维，而自建GPU集群需(xu)投入更多运维资源。

这一(yi)切，加速了OpenAI与英伟(wei)达(da)软脱钩的念(nian)想，双方有了某种程度(du)上的离心(xin)力(li)。

尽(jin)管如此，采用ASIC方案的局限性依然十分明显，TPU绑定(ding)了特定(ding)框架（TensorFlow/JAX），而GPU支持更广泛的开(kai)源工具和私有化部署，而且，ASIC一(yi)旦流片无法修(xiu)改，而GPU可通过(guo)架构升级和软件优(you)化适应新需(xu)求(qiu)。

英伟(wei)达(da)GPU的“专用特性”

黄仁勋在业界以危机感嗅觉著称，他的名言“要时刻为企业一(yi)个(ge)月内破产做好准备”享誉全球，他不断督促自己洞(dong)察一(yi)切可能的挑战(zhan)和危机。

ASIC的冲击，他也洞(dong)若(ruo)观火。

在最近这两代（Grace Hopper和Blackwell）的AI加速器中，他其实(shi)已(yi)经用了“通用+专用”的混合架构。他明白，AI训练/推理、科学计算等场景对(dui)算力(li)需(xu)求(qiu)爆炸式增长，通用架构难以满足能效(xiao)和性能要求(qiu)。专用硬(ying)件可显著降(jiang)低大模型训练成本（如Blackwell的FP4/FP6支持稀疏计算）。

国(guo)内某知名GPU图形渲染供应商市场主管告诉心(xin)智观察所，通用芯片性能提升趋缓，通过(guo)领(ling)域专用架构（DSA）实(shi)现差异(yi)化会成为必然选择。

Grace Hopper和Blackwell正在不断增加专用硬(ying)件单元，比如针对(dui)深度(du)学习矩阵运算优(you)化（FP16/FP8精度(du)、稀疏计算）的Tensor Core专用于光线追(zhui)踪的硬(ying)件加速的RT Core，针对(dui)大规模AI集群做了通信优(you)化（如Grace Hopper的芯片间互连），Blackwell架构还直接面向大语言模型（LLM）做了硬(ying)件加速Transformer引擎(qing)。

这一(yi)切的一(yi)切都说明英伟(wei)达(da)看到了谷歌(ge)TPU、亚马逊Trainium等专用AI芯片的威胁，迫使英伟(wei)达(da)通过(guo)专用化巩(gong)固技术壁垒。

仍然需(xu)要指出的是，英伟(wei)达(da)的高端GPU确实(shi)在向领(ling)域专用架构（DSA）演进，但其本质仍是以通用性为基础、通过(guo)专用模块提升关键场景效(xiao)率的混合模式，与ASIC的完全固化设计有本质区别。

制造端，英伟(wei)达(da)的另一(yi)个(ge)隐(yin)秘的“护城(cheng)河”

业界喜(xi)欢谈英伟(wei)达(da)的护城(cheng)河，CUDA开(kai)发者平台是其中之一(yi)，老(lao)生常谈之外(wai)，还有他们和台积电的联(lian)盟属性不可不察。

OpenAI曾经和Meta展(zhan)开(kai)GPU的军备竞赛，总裁Altman不惜屈尊去游说台积电的张忠谋，让台积电大肆斥千亿美元在美国(guo)本土扩建晶圆(yuan)厂配(pei)合英伟(wei)达(da)扩建，在半导(dao)体圈(quan)曾一(yi)度(du)被传(chuan)为笑谈。这也说明，芯片光设计出来没用，需(xu)要造出来才能用——代工厂的地位不可低估，甚至他们经常扮演产业链的核心(xin)角色。

英伟(wei)达(da)的高端GPU，如Hopper架构的H100、Blackwell架构的B200长期依赖台积电的先进制程工艺（如7nm、5nm、4nm及(ji)更先进节点），以实(shi)现更高性能、更低功耗(hao)。台积电为英伟(wei)达(da)提供工艺定(ding)制服务(wu)，例如在4N工艺中优(you)化了高频(pin)性能和功耗(hao)。

台积电投桃报李，将(jiang)英伟(wei)达(da)列为关键客户，在先进制程（如4nm）和封装产能上优(you)先分配(pei)，应对(dui)AI芯片的爆发式需(xu)求(qiu)。受地缘政治影响(xiang)，双方合作扩展(zhan)至台积电美国(guo)亚利桑那工厂（Fab 21），计划未来部分生产转移至美国(guo)本土。

英伟(wei)达(da)不但在新架构设计阶段即与台积电合作，验证工艺可行性，而且双方合作定(ding)义Chiplet互联(lian)标准（如NVLink-C2C），推动异(yi)构计算生态。英伟(wei)达(da)与台积电的合作通过(guo)制程迭代、封装创新和供应链协(xie)同，共同定(ding)义了AI芯片的性能天(tian)花板。这种合作不仅推动技术进步，更重塑了全球半导(dao)体产业链的竞争格局。

这恰恰就是英伟(wei)达(da)一(yi)个(ge)隐(yin)秘的“护城(cheng)河”，那就是 他们和台积电保(bao)持着紧密的合作关系，而竞争对(dui)手(shou)则未必。

为什(shi)么 台积电这样的顶级代工厂喜(xi)欢英伟(wei)达(da)的通用GPU，而相对(dui)不那么喜(xi)欢制造ASIC？

GPU（尤其是AI/高性能计算GPU）市场需(xu)求(qiu)量大且稳定(ding)，客户如英伟(wei)达(da)、AMD等头(tou)部厂商的订单规模庞大，代工厂可通过(guo)规模效(xiao)应显著降(jiang)低成本。而ASIC通常为特定(ding)客户定(ding)制，需(xu)求(qiu)碎(sui)片化且单次(ci)订单量小(xiao)，难以形成规模经济。

GPU迭代周期较长，代工厂可长期维持同一(yi)制程的生产优(you)化；而ASIC可能因客户业务(wu)调整快速过(guo)时，导(dao)致(zhi)产能浪费。ASIC需(xu)要代工厂投入大量资源进行定(ding)制化设计、掩膜版制作和测试(shi)，但客户可能因项目失败(bai)或需(xu)求(qiu)变化取(qu)消订单，导(dao)致(zhi)NRE（非重复性工程）成本难以回(hui)收。相比之下，GPU的NRE费用由大客户承担，且订单确定(ding)性更高。

因此，代工厂通用GPU的长期稳定(ding)订单可为代工厂提供更高的毛利率（尤其是先进制程节点），而ASIC项目通常需(xu)价格谈判，利润率较低。

黄仁勋深知， 牢牢抓住台积电，就抓住了最深的那条“护城(cheng)河”。

DeepSeek崛起，英伟(wei)达(da)帝国(guo)的裂(lie)缝越来越大

DeepSeek-V3火爆之后，该公司公开(kai)论文中的更多细(xi)节逐渐被人挖掘出来。

韩国(guo)未来资产证券的分析称，V3的硬(ying)件效(xiao)率之所以能比Meta等高出10倍，可以总结为“他们从头(tou)开(kai)始重建了一(yi)切”——用英伟(wei)达(da)的PTX（Parallel Thread Execution）语言实(shi)现的，而不是CUDA。PTX在接近汇编语言的层级运行，允许进行细(xi)粒度(du)的优(you)化，如寄存器分配(pei)和Thread/Warp级别的调整。

短期内，CUDA的统治地位虽然难以被撼动，但DeepSeek的PTX可能在特定(ding)市场（如政策驱(qu)动的国(guo)产化替代、轻量级AI推理）或技术路径（如开(kai)源生态、跨硬(ying)件支持）中开(kai)辟细(xi)分赛道。

长远来看，其影响(xiang)力(li)取(qu)决于能否构建差异(yi)化价值，并(bing)突破英伟(wei)达(da)的软硬(ying)件协(xie)同壁垒。

英伟(wei)达(da)制造端的“护城(cheng)河”始于历(li)史演进，也必将(jiang)符合历(li)史进程的辩(bian)证法。

英伟(wei)达(da)和台积电这两家过(guo)去20多年是两株根系交缠(chan)的常青(qing)藤，但这不意味着那些被信任浇灌的藤蔓不会褪色，在AI模型从训练到推理应用大规模迁移的微妙时刻，裂(lie)痕像午夜窗棂的冰花，在月光下折射出锋利的棱角，契约书上的墨迹突然开(kai)始游动，每(mei)个(ge)标点都在宣纸背(bei)面长出锯齿。

裂(lie)纹在出现。

最致(zhi)命的那道裂(lie)纹往往开(kai)始于心(xin)脏背(bei)面，在硬(ying)科技行业中我们已(yi)经见证了太多，诸如格芯和IBM，英特尔和诺基亚......当猜忌的孢子乘着沉默(mo)的风，在曾经透明的默(mo)契里悄然着陆——直到某天(tian)整座瓷器轰然崩解，我们才看清每(mei)块碎(sui)片里都冻着未曾启齿的疑云。

来源|心(xin)智观察所

观察者网两部作品进入中国(guo)正能量网络精品评选

欢迎大家积极投票！