须知，英(ying)伟达在高性能GPU（HPC和AI加速器领域）就在全球吃掉(diao)了接近450亿美元的盘子，而ASIC市场2023年满打满算也只有200亿美元，前者的高垄断性看起来(lai)暂时不用担(dan)心以博通，Marvell为代(dai)表定制化芯片对其市场份额的侵蚀。

但你要说黄仁勋不着急那肯定是假的。AI大潮的推(tui)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(si)在考虑ASIC方案。2023年就有风传英(ying)伟达也想进入ASIC这个领域，为美国诸多CSP（云服(fu)务商）提(ti)供定制化服(fu)务。

OpenAI也在“背刺”英(ying)伟达？

据路透社(she)近日报(bao)道，OpenAI正(zheng)在通过开发其首款自家人工智能芯片，以减少其对英(ying)伟达芯片的需求。路透社(she)还声称称OpenAI将在近几个月内确定其芯片的最(zui)终(zhong)设计，并将方案交由台(tai)积电进行流(liu)片测试。

多年以来(lai)，OpenAI一直是英(ying)伟达的大主顾(gu)之一。他们考虑非(fei)通用性GPU方案，无异于是对英(ying)伟达的一种(zhong)背刺。

OpenAI 的训练和推(tui)理任务高度依赖英(ying)伟达的高性能 GPU（如 A100、H100）。OpenAI在2020年的论文(wen)中曾提(ti)到，GPT-3的训练使用了约1万块V100 GPU。不过，OpenAI并未公开披露其从英(ying)伟达采购的GPU具(ju)体数量(liang)，这类信息通常(chang)被(bei)视为商业机密或涉及合作伙(huo)伴协议，因此外界难以获(huo)得准确数据。

除(chu)了采购GPU，他们之间的合作模式还有两点需要指出：OpenAI 深(shen)度依赖英(ying)伟达的CUDA 并行计算平台(tai)和cuDNN加速库，以最(zui)大化GPU在深(shen)度学习(xi)任务中的性能；英(ying)伟达OpenAI还有间接合作，通过合作伙(huo)伴（如微软(ruan)Azure、亚马逊AWS）为 OpenAI 提(ti)供云GPU资源，支持其弹(dan)性计算需求。

英(ying)伟达首个DGX H200给到OpenAI

OpenAI在思考用更专用硬件ASIC的可能，步微软(ruan)Maia AI芯片和谷歌TPU的后尘(chen)，主要也是苦(ku)英(ying)伟达久矣。

英(ying)伟达通用高端GPU不仅价格昂贵，而且功耗极(ji)高，且有很强的定价权，损(sun)伤了OpenAI的“自尊心”和财务毛利率，而且某种(zhong)程度上削弱了其振臂一呼搞“星际之门(men)”的话语权和领导权。

OpenAI敢迈出这一步，也是看到了商用实地落地的可能性——踩着谷歌TPU的辕辐前进。

TPU是谷歌专门(men)为机器学习(xi)（尤其是神(shen)经网络训练和推(tui)理）而设计的ASIC，从硬件到软(ruan)件全栈优化，避免了GPU的通用计算冗余。

谷歌单芯片TPU v4的FP16性能约275 TFLOPS，而英(ying)伟达H100的FP16算力为400 TFLOPS，看起来(lai)差距巨大，但 TPU v4可以用“打群架”的方式避免单打独(du)斗的劣势，而且，TPU的专用推(tui)理硬件在低延迟场景中表现更优。

虽然英(ying)伟达高端GPU也需要HBM，但TPU采用的HBM高带宽内存与计算单元紧密耦合，减少数据搬运开销，英(ying)伟达GPU需通过显存管理优化才能避免瓶颈。

另外还有很重要的一点， 就呼应到了本文(wen)开头的话题：成本。

在谷歌云平台(tai)，TPU的按需计费成本可能低于同等算力的GPU实例(li)，尤其对长期训练任务或批量(liang)推(tui)理更具(ju)性价比。TPU作为托管服(fu)务，用户无需关注底(di)层硬件运维，而自建GPU集群需投入更多运维资源。

这一切，加速了OpenAI与英(ying)伟达软(ruan)脱钩的念想，双方有了某种(zhong)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显，TPU绑定了特定框(kuang)架（TensorFlow/JAX），而GPU支持更广泛的开源工具(ju)和私有化部署，而且，ASIC一旦流(liu)片无法修改，而GPU可通过架构升级和软(ruan)件优化适应新需求。

英(ying)伟达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(ke)为企业一个月内破(po)产做好准备”享誉全球，他不断督促自己(ji)洞察一切可能的挑战和危机。

ASIC的冲(chong)击，他也洞若观火。

在最(zui)近这两代(dai)（Grace Hopper和Blackwell）的AI加速器中，他其实已经用了“通用+专用”的混合架构。他明白，AI训练/推(tui)理、科(ke)学计算等场景对算力需求爆炸式增长，通用架构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图形渲染供应商市场主管告诉心智观察所，通用芯片性能提(ti)升趋缓，通过领域专用架构（DSA）实现差异化会成为必然选择。

Grace Hopper和Blackwell正(zheng)在不断增加专用硬件单元，比如针对深(shen)度学习(xi)矩阵运算优化（FP16/FP8精度、稀疏计算）的Tensor Core专用于光线追踪的硬件加速的RT Core，针对大规(gui)模AI集群做了通信优化（如Grace Hopper的芯片间互连），Blackwell架构还直接面向大语言模型（LLM）做了硬件加速Transformer引擎。

这一切的一切都说明英(ying)伟达看到了谷歌TPU、亚马逊Trainium等专用AI芯片的威胁，迫使英(ying)伟达通过专用化巩固技术壁(bi)垒。

仍然需要指出的是，英(ying)伟达的高端GPU确实在向领域专用架构（DSA）演进，但其本质仍是以通用性为基础、通过专用模块提(ti)升关键场景效率的混合模式，与ASIC的完全固化设计有本质区别。

制造端，英(ying)伟达的另一个隐秘的“护城河(he)”

业界喜欢谈(tan)英(ying)伟达的护城河(he)，CUDA开发者平台(tai)是其中之一，老生常(chang)谈(tan)之外，还有他们和台(tai)积电的联(lian)盟(meng)属性不可不察。

OpenAI曾经和Meta展开GPU的军备竞(jing)赛，总裁(cai)Altman不惜屈尊去游(you)说台(tai)积电的张忠谋，让台(tai)积电大肆斥千亿美元在美国本土(tu)扩建晶圆厂配合英(ying)伟达扩建，在半导体圈曾一度被(bei)传为笑谈(tan)。这也说明，芯片光设计出来(lai)没(mei)用，需要造出来(lai)才能用——代(dai)工厂的地位(wei)不可低估(gu)，甚至他们经常(chang)扮演产业链的核心角色。

英(ying)伟达的高端GPU，如Hopper架构的H100、Blackwell架构的B200长期依赖台(tai)积电的先进制程工艺（如7nm、5nm、4nm及更先进节点），以实现更高性能、更低功耗。台(tai)积电为英(ying)伟达提(ti)供工艺定制服(fu)务，例(li)如在4N工艺中优化了高频性能和功耗。

台(tai)积电投桃报(bao)李，将英(ying)伟达列为关键客户，在先进制程（如4nm）和封装产能上优先分配，应对AI芯片的爆发式需求。受地缘政治影响，双方合作扩展至台(tai)积电美国亚利桑那工厂（Fab 21），计划未来(lai)部分生产转(zhuan)移至美国本土(tu)。

英(ying)伟达不但在新架构设计阶段即(ji)与台(tai)积电合作，验证工艺可行性，而且双方合作定义(yi)Chiplet互联(lian)标准（如NVLink-C2C），推(tui)动异构计算生态。英(ying)伟达与台(tai)积电的合作通过制程迭代(dai)、封装创新和供应链协同，共同定义(yi)了AI芯片的性能天(tian)花(hua)板。这种(zhong)合作不仅推(tui)动技术进步，更重塑了全球半导体产业链的竞(jing)争格局。

这恰恰就是英(ying)伟达一个隐秘的“护城河(he)”，那就是 他们和台(tai)积电保(bao)持着紧密的合作关系，而竞(jing)争对手则未必。

为什么 台(tai)积电这样(yang)的顶级代(dai)工厂喜欢英(ying)伟达的通用GPU，而相(xiang)对不那么喜欢制造ASIC？

GPU（尤其是AI/高性能计算GPU）市场需求量(liang)大且稳定，客户如英(ying)伟达、AMD等头部厂商的订单规(gui)模庞大，代(dai)工厂可通过规(gui)模效应显著降低成本。而ASIC通常(chang)为特定客户定制，需求碎片化且单次订单量(liang)小，难以形成规(gui)模经济。

GPU迭代(dai)周(zhou)期较长，代(dai)工厂可长期维持同一制程的生产优化；而ASIC可能因客户业务调整快速过时，导致产能浪(lang)费。ASIC需要代(dai)工厂投入大量(liang)资源进行定制化设计、掩膜(mo)版制作和测试，但客户可能因项目失败或需求变化取消订单，导致NRE（非(fei)重复性工程）成本难以回收。相(xiang)比之下，GPU的NRE费用由大客户承担(dan)，且订单确定性更高。

因此，代(dai)工厂通用GPU的长期稳定订单可为代(dai)工厂提(ti)供更高的毛利率（尤其是先进制程节点），而ASIC项目通常(chang)需价格谈(tan)判，利润率较低。

黄仁勋深(shen)知， 牢牢抓住台(tai)积电，就抓住了最(zui)深(shen)的那条“护城河(he)”。

DeepSeek崛起，英(ying)伟达帝国的裂(lie)缝越来(lai)越大

DeepSeek-V3火爆之后，该(gai)公司(si)公开论文(wen)中的更多细节逐渐被(bei)人挖掘出来(lai)。

韩国未来(lai)资产证券(quan)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“他们从头开始重建了一切”——用英(ying)伟达的PTX（Parallel Thread Execution）语言实现的，而不是CUDA。PTX在接近汇编语言的层级运行，允许(xu)进行细粒度的优化，如寄存器分配和Thread/Warp级别的调整。

短期内，CUDA的统治地位(wei)虽然难以被(bei)撼动，但DeepSeek的PTX可能在特定市场（如政策驱动的国产化替代(dai)、轻量(liang)级AI推(tui)理）或技术路径（如开源生态、跨硬件支持）中开辟细分赛道。

长远来(lai)看，其影响力取决于能否构建差异化价值，并突破(po)英(ying)伟达的软(ruan)硬件协同壁(bi)垒。

英(ying)伟达制造端的“护城河(he)”始于历史演进，也必将符(fu)合历史进程的辩证法。

英(ying)伟达和台(tai)积电这两家过去20多年是两株根系交缠的常(chang)青藤，但这不意味着那些被(bei)信任浇灌的藤蔓不会褪色，在AI模型从训练到推(tui)理应用大规(gui)模迁移的微妙时刻(ke)，裂(lie)痕像午夜窗棂的冰花(hua)，在月光下折射出锋利的棱角，契(qi)约书上的墨迹(ji)突然开始游(you)动，每个标点都在宣纸背面长出锯齿。

裂(lie)纹在出现。

最(zui)致命的那道裂(lie)纹往往开始于心脏背面，在硬科(ke)技行业中我(wo)们已经见证了太多，诸如格芯和IBM，英(ying)特尔和诺基亚......当(dang)猜忌的孢子乘着沉(chen)默的风，在曾经透明的默契(qi)里悄然着陆——直到某天(tian)整座瓷器轰然崩解，我(wo)们才看清每块碎片里都冻着未曾启齿的疑云。

来(lai)源|心智观察所

观察者网两部作品进入中国正(zheng)能量(liang)网络精品评选

欢迎大家积极(ji)投票！