须(xu)知(zhi)，英伟达在高性能GPU（HPC和AI加速器领域(yu)）就在全球吃掉(diao)了接近450亿美元的盘(pan)子，而(er)ASIC市场2023年满(man)打(da)满(man)算也只有(you)200亿美元，前者(zhe)的高垄断性看起(qi)来暂时不(bu)用担心以博通，Marvell为代(dai)表定制化芯片对其市场份额的侵(qin)蚀。

但(dan)你(ni)要说黄仁勋不(bu)着急那肯定是假的。AI大潮的推动下，比如TPU在Google Cloud上(shang)的应用，或者(zhe)亚马逊(xun)AWS的Trainium/Inferentia让(rang)不(bu)少公司在考虑ASIC方案。2023年就有(you)风传英伟达也想进入ASIC这个领域(yu)，为美国诸多CSP（云(yun)服务商）提供定制化服务。

OpenAI也在“背刺”英伟达？

据(ju)路透(tou)社近日报道，OpenAI正在通过开发其首款自家人工智(zhi)能芯片，以减(jian)少其对英伟达芯片的需求。路透(tou)社还声称称OpenAI将(jiang)在近几个月内确定其芯片的最终设计，并将(jiang)方案交由台积电进行流片测试。

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

OpenAI 的训(xun)练和推理任务高度依赖英伟达的高性能 GPU（如 A100、H100）。OpenAI在2020年的论文中曾提到，GPT-3的训(xun)练使用了约1万块V100 GPU。不(bu)过，OpenAI并未公开披(pi)露其从英伟达采购的GPU具体数量，这类(lei)信息通常被视为商业机密或涉及合作伙伴协议，因此外界难以获(huo)得准确数据(ju)。

除了采购GPU，他们之间的合作模式还有(you)两点需要指出：OpenAI 深度依赖英伟达的CUDA 并行计算平台和cuDNN加速库，以最大化GPU在深度学习(xi)任务中的性能；英伟达OpenAI还有(you)间接合作，通过合作伙伴（如微软Azure、亚马逊(xun)AWS）为 OpenAI 提供云(yun)GPU资源(yuan)，支(zhi)持其弹性计算需求。

英伟达首个DGX H200给(gei)到OpenAI

OpenAI在思考用更专用硬件(jian)ASIC的可能，步微软Maia AI芯片和谷歌TPU的后尘，主要也是苦英伟达久矣(yi)。

英伟达通用高端GPU不(bu)仅价格昂贵，而(er)且功耗极高，且有(you)很强的定价权，损伤了OpenAI的“自尊心”和财务毛(mao)利率，而(er)且某种程度上(shang)削弱了其振臂(bi)一呼搞“星际之门(men)”的话语权和领导权。

OpenAI敢(gan)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)（尤其是神经网络训(xun)练和推理）而(er)设计的ASIC，从硬件(jian)到软件(jian)全栈(zhan)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(er)英伟达H100的FP16算力为400 TFLOPS，看起(qi)来差距巨大，但(dan) TPU v4可以用“打(da)群架”的方式避免单打(da)独斗的劣势，而(er)且，TPU的专用推理硬件(jian)在低延迟场景中表现更优。

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

另外还有(you)很重(zhong)要的一点， 就呼应到了本文开头的话题：成(cheng)本。

在谷歌云(yun)平台，TPU的按需计费成(cheng)本可能低于同等算力的GPU实例(li)，尤其对长期训(xun)练任务或批(pi)量推理更具性价比。TPU作为托管服务，用户(hu)无需关(guan)注底层(ceng)硬件(jian)运维，而(er)自建GPU集群需投入更多运维资源(yuan)。

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

尽管如此，采用ASIC方案的局限性依然十分明显，TPU绑定了特定框架（TensorFlow/JAX），而(er)GPU支(zhi)持更广泛的开源(yuan)工具和私(si)有(you)化部署，而(er)且，ASIC一旦流片无法修改，而(er)GPU可通过架构升级(ji)和软件(jian)优化适应新需求。

英伟达GPU的“专用特性”

黄仁勋在业界以危机感嗅觉著称，他的名言(yan)“要时刻为企业一个月内破产做好(hao)准备”享誉(yu)全球，他不(bu)断督促自己(ji)洞察(cha)一切可能的挑战(zhan)和危机。

ASIC的冲(chong)击，他也洞若观火。

在最近这两代(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(bai)，AI训(xun)练/推理、科学计算等场景对算力需求爆炸式增长，通用架构难以满(man)足(zu)能效和性能要求。专用硬件(jian)可显著降低大模型训(xun)练成(cheng)本（如Blackwell的FP4/FP6支(zhi)持稀疏计算）。

国内某知(zhi)名GPU图形(xing)渲(xuan)染供应商市场主管告诉心智(zhi)观察(cha)所，通用芯片性能提升趋缓，通过领域(yu)专用架构（DSA）实现差异化会成(cheng)为必然选择。

Grace Hopper和Blackwell正在不(bu)断增加专用硬件(jian)单元，比如针对深度学习(xi)矩阵运算优化（FP16/FP8精度、稀疏计算）的Tensor Core专用于光线追(zhui)踪的硬件(jian)加速的RT Core，针对大规模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(yan)模型（LLM）做了硬件(jian)加速Transformer引擎。

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

仍(reng)然需要指出的是，英伟达的高端GPU确实在向领域(yu)专用架构（DSA）演进，但(dan)其本质仍(reng)是以通用性为基(ji)础、通过专用模块提升关(guan)键场景效率的混合模式，与ASIC的完全固化设计有(you)本质区别。

制造端，英伟达的另一个隐秘的“护城河”

业界喜欢谈英伟达的护城河，CUDA开发者(zhe)平台是其中之一，老生(sheng)常谈之外，还有(you)他们和台积电的联盟(meng)属性不(bu)可不(bu)察(cha)。

OpenAI曾经和Meta展开GPU的军备竞(jing)赛，总裁Altman不(bu)惜屈尊去游(you)说台积电的张忠谋(mou)，让(rang)台积电大肆斥千亿美元在美国本土扩建晶圆厂配合英伟达扩建，在半导体圈曾一度被传为笑谈。这也说明，芯片光设计出来没用，需要造出来才能用——代(dai)工厂的地位不(bu)可低估，甚至他们经常扮演产业链的核心角色。

英伟达的高端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及更先进节点），以实现更高性能、更低功耗。台积电为英伟达提供工艺定制服务，例(li)如在4N工艺中优化了高频性能和功耗。

台积电投桃(tao)报李，将(jiang)英伟达列为关(guan)键客户(hu)，在先进制程（如4nm）和封装产能上(shang)优先分配，应对AI芯片的爆发式需求。受地缘政治影响(xiang)，双方合作扩展至台积电美国亚利桑那工厂（Fab 21），计划(hua)未来部分生(sheng)产转移至美国本土。

英伟达不(bu)但(dan)在新架构设计阶(jie)段(duan)即与台积电合作，验证工艺可行性，而(er)且双方合作定义(yi)Chiplet互联标准（如NVLink-C2C），推动异构计算生(sheng)态。英伟达与台积电的合作通过制程迭代(dai)、封装创新和供应链协同，共(gong)同定义(yi)了AI芯片的性能天花(hua)板(ban)。这种合作不(bu)仅推动技术进步，更重(zhong)塑了全球半导体产业链的竞(jing)争格局。

这恰恰就是英伟达一个隐秘的“护城河”，那就是 他们和台积电保(bao)持着紧密的合作关(guan)系，而(er)竞(jing)争对手则未必。

为什么 台积电这样的顶级(ji)代(dai)工厂喜欢英伟达的通用GPU，而(er)相对不(bu)那么喜欢制造ASIC？

GPU（尤其是AI/高性能计算GPU）市场需求量大且稳定，客户(hu)如英伟达、AMD等头部厂商的订单规模庞大，代(dai)工厂可通过规模效应显著降低成(cheng)本。而(er)ASIC通常为特定客户(hu)定制，需求碎片化且单次订单量小(xiao)，难以形(xing)成(cheng)规模经济。

GPU迭代(dai)周期较长，代(dai)工厂可长期维持同一制程的生(sheng)产优化；而(er)ASIC可能因客户(hu)业务调整快速过时，导致产能浪费。ASIC需要代(dai)工厂投入大量资源(yuan)进行定制化设计、掩膜(mo)版制作和测试，但(dan)客户(hu)可能因项(xiang)目失败(bai)或需求变化取(qu)消订单，导致NRE（非(fei)重(zhong)复性工程）成(cheng)本难以回收。相比之下，GPU的NRE费用由大客户(hu)承(cheng)担，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)工厂提供更高的毛(mao)利率（尤其是先进制程节点），而(er)ASIC项(xiang)目通常需价格谈判(pan)，利润率较低。

黄仁勋深知(zhi)， 牢牢抓住台积电，就抓住了最深的那条“护城河”。

DeepSeek崛(jue)起(qi)，英伟达帝国的裂缝(feng)越来越大

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

韩(han)国未来资产证券的分析称，V3的硬件(jian)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(zhong)建了一切”——用英伟达的PTX（Parallel Thread Execution）语言(yan)实现的，而(er)不(bu)是CUDA。PTX在接近汇编语言(yan)的层(ceng)级(ji)运行，允许进行细粒度的优化，如寄存器分配和Thread/Warp级(ji)别的调整。

短期内，CUDA的统(tong)治地位虽然难以被撼动，但(dan)DeepSeek的PTX可能在特定市场（如政策驱动的国产化替代(dai)、轻量级(ji)AI推理）或技术路径（如开源(yuan)生(sheng)态、跨硬件(jian)支(zhi)持）中开辟(pi)细分赛道。

长远来看，其影响(xiang)力取(qu)决于能否构建差异化价值，并突破英伟达的软硬件(jian)协同壁垒(lei)。

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

英伟达和台积电这两家过去20多年是两株根系交缠(chan)的常青藤，但(dan)这不(bu)意味(wei)着那些被信任浇灌(guan)的藤蔓不(bu)会褪色，在AI模型从训(xun)练到推理应用大规模迁(qian)移的微妙时刻，裂痕像午夜(ye)窗(chuang)棂的冰(bing)花(hua)，在月光下折射出锋利的棱角，契约书上(shang)的墨迹突然开始游(you)动，每个标点都在宣纸(zhi)背面长出锯(ju)齿。

裂纹在出现。

最致命的那道裂纹往往开始于心脏背面，在硬科技行业中我们已经见证了太多，诸如格芯和IBM，英特尔和诺基(ji)亚......当(dang)猜(cai)忌的孢子乘着沉默的风，在曾经透(tou)明的默契里悄然着陆——直到某天整座瓷器轰然崩解(jie)，我们才看清每块碎片里都冻着未曾启齿的疑云(yun)。

来源(yuan)|心智(zhi)观察(cha)所

观察(cha)者(zhe)网两部作品进入中国正能量网络精品评选

欢迎大家积极投票！