须知，英伟达在(zai)高性能GPU（HPC和AI加速器领域(yu)）就在(zai)全球吃掉了接近450亿美元的盘子，而ASIC市(shi)场2023年满打满算也只有200亿美元，前者的高垄断(duan)性看起来暂时不用担心以博通，Marvell为(wei)代表定制化芯片对其市(shi)场份额的侵蚀。

但你(ni)要说黄仁勋不着急(ji)那肯定是假的。AI大潮的推动(dong)下，比如TPU在(zai)Google Cloud上的应用，或(huo)者亚马逊(xun)AWS的Trainium/Inferentia让不少公司在(zai)考虑ASIC方案。2023年就有风传(chuan)英伟达也想进入ASIC这个领域(yu)，为(wei)美国诸多CSP（云服务(wu)商）提供定制化服务(wu)。

OpenAI也在(zai)“背(bei)刺”英伟达？

据路(lu)透社近日报道，OpenAI正在(zai)通过(guo)开发其首款自家人工智能芯片，以减少其对英伟达芯片的需求。路(lu)透社还声称称OpenAI将在(zai)近几(ji)个月内确(que)定其芯片的最终设计，并将方案交由台积电进行(xing)流片测试。

多年以来，OpenAI一直是英伟达的大主顾之一。他(ta)们考虑非通用性GPU方案，无异于是对英伟达的一种背(bei)刺。

OpenAI 的训练和推理任务(wu)高度依赖英伟达的高性能 GPU（如 A100、H100）。OpenAI在(zai)2020年的论(lun)文(wen)中曾提到(dao)，GPT-3的训练使用了约1万块V100 GPU。不过(guo)，OpenAI并未公开披露其从英伟达采购的GPU具体数量，这类信息(xi)通常被视为(wei)商业机密或(huo)涉及合作(zuo)伙伴协议，因此外界难以获得准确(que)数据。

除了采购GPU，他(ta)们之间的合作(zuo)模式还有两(liang)点(dian)需要指(zhi)出：OpenAI 深度依赖英伟达的CUDA 并行(xing)计算平台和cuDNN加速库，以最大化GPU在(zai)深度学习任务(wu)中的性能；英伟达OpenAI还有间接合作(zuo)，通过(guo)合作(zuo)伙伴（如微软Azure、亚马逊(xun)AWS）为(wei) OpenAI 提供云GPU资(zi)源(yuan)，支持其弹性计算需求。

英伟达首个DGX H200给到(dao)OpenAI

OpenAI在(zai)思考用更专用硬件ASIC的可能，步微软Maia AI芯片和谷(gu)歌(ge)TPU的后尘，主要也是苦英伟达久矣。

英伟达通用高端(duan)GPU不仅价格昂贵，而且功耗极高，且有很强(qiang)的定价权(quan)，损伤了OpenAI的“自尊心”和财(cai)务(wu)毛利率，而且某种程度上削弱了其振(zhen)臂一呼(hu)搞“星际之门”的话语权(quan)和领导权(quan)。

OpenAI敢迈出这一步，也是看到(dao)了商用实地(di)落地(di)的可能性——踩着谷(gu)歌(ge)TPU的辕辐前进。

TPU是谷(gu)歌(ge)专门为(wei)机器学习（尤其是神经网络(luo)训练和推理）而设计的ASIC，从硬件到(dao)软件全栈优(you)化，避(bi)免了GPU的通用计算冗余。

谷(gu)歌(ge)单芯片TPU v4的FP16性能约275 TFLOPS，而英伟达H100的FP16算力为(wei)400 TFLOPS，看起来差距巨(ju)大，但 TPU v4可以用“打群架”的方式避(bi)免单打独斗的劣势，而且，TPU的专用推理硬件在(zai)低延迟(chi)场景中表现(xian)更优(you)。

虽然英伟达高端(duan)GPU也需要HBM，但TPU采用的HBM高带宽内存(cun)与计算单元紧(jin)密耦合，减少数据搬运(yun)开销(xiao)，英伟达GPU需通过(guo)显存(cun)管理优(you)化才能避(bi)免瓶颈。

另外还有很重要的一点(dian)， 就呼(hu)应到(dao)了本文(wen)开头的话题：成本。

在(zai)谷(gu)歌(ge)云平台，TPU的按需计费成本可能低于同等算力的GPU实例，尤其对长期训练任务(wu)或(huo)批量推理更具性价比。TPU作(zuo)为(wei)托(tuo)管服务(wu)，用户无需关注底层硬件运(yun)维，而自建(jian)GPU集群需投入更多运(yun)维资(zi)源(yuan)。

这一切(qie)，加速了OpenAI与英伟达软脱钩的念想，双方有了某种程度上的离心力。

尽管如此，采用ASIC方案的局限性依然十分明(ming)显，TPU绑(bang)定了特定框(kuang)架（TensorFlow/JAX），而GPU支持更广泛的开源(yuan)工具和私有化部署，而且，ASIC一旦流片无法修改，而GPU可通过(guo)架构(gou)升级和软件优(you)化适应新(xin)需求。

英伟达GPU的“专用特性”

黄仁勋在(zai)业界以危(wei)机感嗅觉著称，他(ta)的名言“要时刻为(wei)企业一个月内破产做好准备”享誉全球，他(ta)不断(duan)督促自己洞察一切(qie)可能的挑战和危(wei)机。

ASIC的冲击，他(ta)也洞若观火(huo)。

在(zai)最近这两(liang)代（Grace Hopper和Blackwell）的AI加速器中，他(ta)其实已经用了“通用+专用”的混(hun)合架构(gou)。他(ta)明(ming)白(bai)，AI训练/推理、科学计算等场景对算力需求爆炸式增长，通用架构(gou)难以满足能效和性能要求。专用硬件可显著降低大模型训练成本（如Blackwell的FP4/FP6支持稀疏计算）。

国内某知名GPU图形渲染供应商市(shi)场主管告诉心智观察所，通用芯片性能提升趋缓，通过(guo)领域(yu)专用架构(gou)（DSA）实现(xian)差异化会(hui)成为(wei)必(bi)然选择。

Grace Hopper和Blackwell正在(zai)不断(duan)增加专用硬件单元，比如针(zhen)对深度学习矩阵运(yun)算优(you)化（FP16/FP8精(jing)度、稀疏计算）的Tensor Core专用于光线(xian)追踪的硬件加速的RT Core，针(zhen)对大规模AI集群做了通信优(you)化（如Grace Hopper的芯片间互连），Blackwell架构(gou)还直接面向大语言模型（LLM）做了硬件加速Transformer引擎。

这一切(qie)的一切(qie)都说明(ming)英伟达看到(dao)了谷(gu)歌(ge)TPU、亚马逊(xun)Trainium等专用AI芯片的威胁，迫使英伟达通过(guo)专用化巩固技术壁垒。

仍然需要指(zhi)出的是，英伟达的高端(duan)GPU确(que)实在(zai)向领域(yu)专用架构(gou)（DSA）演进，但其本质仍是以通用性为(wei)基础、通过(guo)专用模块提升关键场景效率的混(hun)合模式，与ASIC的完全固化设计有本质区别。

制造端(duan)，英伟达的另一个隐秘的“护城(cheng)河(he)”

业界喜(xi)欢谈英伟达的护城(cheng)河(he)，CUDA开发者平台是其中之一，老生常谈之外，还有他(ta)们和台积电的联(lian)盟属性不可不察。

OpenAI曾经和Meta展开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(zai)美国本土扩建(jian)晶圆厂配合英伟达扩建(jian)，在(zai)半导体圈曾一度被传(chuan)为(wei)笑谈。这也说明(ming)，芯片光设计出来没用，需要造出来才能用——代工厂的地(di)位不可低估，甚至他(ta)们经常扮演产业链(lian)的核心角色。

英伟达的高端(duan)GPU，如Hopper架构(gou)的H100、Blackwell架构(gou)的B200长期依赖台积电的先(xian)进制程工艺（如7nm、5nm、4nm及更先(xian)进节点(dian)），以实现(xian)更高性能、更低功耗。台积电为(wei)英伟达提供工艺定制服务(wu)，例如在(zai)4N工艺中优(you)化了高频(pin)性能和功耗。

台积电投桃报李，将英伟达列为(wei)关键客户，在(zai)先(xian)进制程（如4nm）和封(feng)装产能上优(you)先(xian)分配，应对AI芯片的爆发式需求。受地(di)缘(yuan)政治影响，双方合作(zuo)扩展至台积电美国亚利桑那工厂（Fab 21），计划未来部分生产转移至美国本土。

英伟达不但在(zai)新(xin)架构(gou)设计阶段即与台积电合作(zuo)，验证工艺可行(xing)性，而且双方合作(zuo)定义(yi)Chiplet互联(lian)标准（如NVLink-C2C），推动(dong)异构(gou)计算生态。英伟达与台积电的合作(zuo)通过(guo)制程迭代、封(feng)装创(chuang)新(xin)和供应链(lian)协同，共(gong)同定义(yi)了AI芯片的性能天花板。这种合作(zuo)不仅推动(dong)技术进步，更重塑了全球半导体产业链(lian)的竞争格局。

这恰恰就是英伟达一个隐秘的“护城(cheng)河(he)”，那就是 他(ta)们和台积电保持着紧(jin)密的合作(zuo)关系，而竞争对手则未必(bi)。

为(wei)什么 台积电这样的顶级代工厂喜(xi)欢英伟达的通用GPU，而相对不那么喜(xi)欢制造ASIC？

GPU（尤其是AI/高性能计算GPU）市(shi)场需求量大且稳定，客户如英伟达、AMD等头部厂商的订单规模庞大，代工厂可通过(guo)规模效应显著降低成本。而ASIC通常为(wei)特定客户定制，需求碎片化且单次订单量小，难以形成规模经济。

GPU迭代周(zhou)期较长，代工厂可长期维持同一制程的生产优(you)化；而ASIC可能因客户业务(wu)调整快(kuai)速过(guo)时，导致产能浪费。ASIC需要代工厂投入大量资(zi)源(yuan)进行(xing)定制化设计、掩膜版制作(zuo)和测试，但客户可能因项目失败或(huo)需求变化取消订单，导致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(que)定性更高。

因此，代工厂通用GPU的长期稳定订单可为(wei)代工厂提供更高的毛利率（尤其是先(xian)进制程节点(dian)），而ASIC项目通常需价格谈判，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(tiao)“护城(cheng)河(he)”。

DeepSeek崛起，英伟达帝国的裂缝(feng)越来越大

DeepSeek-V3火(huo)爆之后，该公司公开论(lun)文(wen)中的更多细节逐渐(jian)被人挖掘出来。

韩(han)国未来资(zi)产证券的分析称，V3的硬件效率之所以能比Meta等高出10倍，可以总结为(wei)“他(ta)们从头开始重建(jian)了一切(qie)”——用英伟达的PTX（Parallel Thread Execution）语言实现(xian)的，而不是CUDA。PTX在(zai)接近汇编语言的层级运(yun)行(xing)，允许进行(xing)细粒度的优(you)化，如寄存(cun)器分配和Thread/Warp级别的调整。

短期内，CUDA的统治地(di)位虽然难以被撼(han)动(dong)，但DeepSeek的PTX可能在(zai)特定市(shi)场（如政策驱(qu)动(dong)的国产化替代、轻量级AI推理）或(huo)技术路(lu)径（如开源(yuan)生态、跨(kua)硬件支持）中开辟细分赛道。

长远来看，其影响力取决于能否构(gou)建(jian)差异化价值(zhi)，并突破英伟达的软硬件协同壁垒。

英伟达制造端(duan)的“护城(cheng)河(he)”始于历史演进，也必(bi)将符合历史进程的辩证法。

英伟达和台积电这两(liang)家过(guo)去20多年是两(liang)株根系交缠的常青藤，但这不意味着那些被信任浇灌的藤蔓不会(hui)褪色，在(zai)AI模型从训练到(dao)推理应用大规模迁移的微妙时刻，裂痕像午夜窗棂的冰花，在(zai)月光下折射出锋利的棱角，契约书上的墨迹突然开始游动(dong)，每个标点(dian)都在(zai)宣纸背(bei)面长出锯齿。

裂纹在(zai)出现(xian)。

最致命的那道裂纹往往开始于心脏背(bei)面，在(zai)硬科技行(xing)业中我(wo)们已经见(jian)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的风，在(zai)曾经透明(ming)的默契里悄然着陆——直到(dao)某天整座瓷(ci)器轰(hong)然崩解(jie)，我(wo)们才看清(qing)每块碎片里都冻着未曾启齿的疑云。

来源(yuan)|心智观察所

观察者网两(liang)部作(zuo)品进入中国正能量网络(luo)精(jing)品评选

欢迎大家积极投票！