须知，英伟达在高性能GPU（HPC和AI加速器领域）就在全球吃掉了接近450亿美(mei)元的盘(pan)子，而ASIC市场2023年满打(da)满算也只有200亿美(mei)元，前者的高垄断性看起来暂时不(bu)用担心以博(bo)通(tong)，Marvell为代表定制(zhi)化芯片对其市场份额的侵蚀。

但你(ni)要说黄仁勋不(bu)着急那肯定是(shi)假的。AI大潮的推动下，比如TPU在Google Cloud上的应用，或(huo)者亚(ya)马逊(xun)AWS的Trainium/Inferentia让不(bu)少公司(si)在考(kao)虑ASIC方案。2023年就有风传(chuan)英伟达也想(xiang)进入(ru)ASIC这个领域，为美(mei)国(guo)诸(zhu)多CSP（云服务商）提供定制(zhi)化服务。

OpenAI也在“背刺”英伟达？

据路(lu)透社近日报(bao)道(dao)，OpenAI正在通(tong)过开发其首款自家人工智(zhi)能芯片，以减少其对英伟达芯片的需求。路(lu)透社还声称(cheng)称(cheng)OpenAI将在近几(ji)个月内确定其芯片的最终设计，并将方案交由台积电进行流片测试。

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

OpenAI 的训练和推理(li)任务高度依赖英伟达的高性能 GPU（如 A100、H100）。OpenAI在2020年的论(lun)文中(zhong)曾提到，GPT-3的训练使用了约1万(wan)块V100 GPU。不(bu)过，OpenAI并未(wei)公开披露其从英伟达采购的GPU具体数(shu)量，这类信(xin)息(xi)通(tong)常被视为商业机密或(huo)涉及合作伙伴协议，因此(ci)外界难以获得准确数(shu)据。

除了采购GPU，他们之间的合作模式还有两(liang)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在深度学习任务中(zhong)的性能；英伟达OpenAI还有间接合作，通(tong)过合作伙伴（如微软Azure、亚(ya)马逊(xun)AWS）为 OpenAI 提供云GPU资源，支持其弹(dan)性计算需求。

英伟达首个DGX H200给到OpenAI

OpenAI在思考(kao)用更专用硬件ASIC的可(ke)能，步微软Maia AI芯片和谷歌TPU的后尘，主要也是(shi)苦英伟达久矣。

英伟达通(tong)用高端GPU不(bu)仅价格昂贵，而且功耗极高，且有很强的定价权，损伤了OpenAI的“自尊心”和财务毛利率，而且某种程度上削弱了其振臂一呼搞“星际之门”的话语权和领导权。

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

TPU是(shi)谷歌专门为机器学习（尤其是(shi)神经网络训练和推理(li)）而设计的ASIC，从硬件到软件全栈优化，避免了GPU的通(tong)用计算冗余。

谷歌单芯片TPU v4的FP16性能约275 TFLOPS，而英伟达H100的FP16算力为400 TFLOPS，看起来差距巨(ju)大，但 TPU v4可(ke)以用“打(da)群架”的方式避免单打(da)独斗的劣势，而且，TPU的专用推理(li)硬件在低延迟场景中(zhong)表现更优。

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

另外还有很重要的一点， 就呼应到了本文开头的话题：成本。

在谷歌云平台，TPU的按需计费成本可(ke)能低于同等算力的GPU实例，尤其对长期训练任务或(huo)批量推理(li)更具性价比。TPU作为托管服务，用户无需关注底层硬件运维(wei)，而自建GPU集群需投(tou)入(ru)更多运维(wei)资源。

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

尽管如此(ci)，采用ASIC方案的局限性依然十分明显，TPU绑(bang)定了特定框架（TensorFlow/JAX），而GPU支持更广泛的开源工具和私有化部署(shu)，而且，ASIC一旦流片无法(fa)修改，而GPU可(ke)通(tong)过架构升级和软件优化适(shi)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(cheng)，他的名言“要时刻为企业一个月内破产做好准备”享誉全球，他不(bu)断督促(cu)自己洞察一切(qie)可(ke)能的挑战和危机。

ASIC的冲击，他也洞若观火。

在最近这两(liang)代（Grace Hopper和Blackwell）的AI加速器中(zhong)，他其实已经用了“通(tong)用+专用”的混合架构。他明白，AI训练/推理(li)、科学计算等场景对算力需求爆(bao)炸式增长，通(tong)用架构难以满足能效和性能要求。专用硬件可(ke)显著降低大模型(xing)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智(zhi)观察所，通(tong)用芯片性能提升趋缓，通(tong)过领域专用架构（DSA）实现差异化会成为必然选择。

Grace Hopper和Blackwell正在不(bu)断增加专用硬件单元，比如针对深度学习矩阵运算优化（FP16/FP8精度、稀疏计算）的Tensor Core专用于光线追(zhui)踪的硬件加速的RT Core，针对大规模AI集群做了通(tong)信(xin)优化（如Grace Hopper的芯片间互连），Blackwell架构还直接面向(xiang)大语言模型(xing)（LLM）做了硬件加速Transformer引擎。

这一切(qie)的一切(qie)都说明英伟达看到了谷歌TPU、亚(ya)马逊(xun)Trainium等专用AI芯片的威胁，迫使英伟达通(tong)过专用化巩固(gu)技术壁垒。

仍(reng)然需要指出的是(shi)，英伟达的高端GPU确实在向(xiang)领域专用架构（DSA）演进，但其本质仍(reng)是(shi)以通(tong)用性为基础、通(tong)过专用模块提升关键场景效率的混合模式，与ASIC的完全固(gu)化设计有本质区别。

制(zhi)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开发者平台是(shi)其中(zhong)之一，老(lao)生常谈之外，还有他们和台积电的联盟属性不(bu)可(ke)不(bu)察。

OpenAI曾经和Meta展开GPU的军备竞赛，总裁Altman不(bu)惜屈尊去游说台积电的张忠谋，让台积电大肆斥千亿美(mei)元在美(mei)国(guo)本土扩(kuo)建晶圆(yuan)厂配(pei)合英伟达扩(kuo)建，在半(ban)导体圈曾一度被传(chuan)为笑谈。这也说明，芯片光设计出来没用，需要造出来才能用——代工厂的地位不(bu)可(ke)低估，甚(shen)至他们经常扮演产业链(lian)的核(he)心角(jiao)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(zhi)程工艺（如7nm、5nm、4nm及更先进节(jie)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(zhi)服务，例如在4N工艺中(zhong)优化了高频性能和功耗。

台积电投(tou)桃报(bao)李，将英伟达列为关键客(ke)户，在先进制(zhi)程（如4nm）和封(feng)装产能上优先分配(pei)，应对AI芯片的爆(bao)发式需求。受(shou)地缘政(zheng)治影响，双方合作扩(kuo)展至台积电美(mei)国(guo)亚(ya)利桑那工厂（Fab 21），计划未(wei)来部分生产转移至美(mei)国(guo)本土。

英伟达不(bu)但在新架构设计阶段即与台积电合作，验证工艺可(ke)行性，而且双方合作定义(yi)Chiplet互联标准（如NVLink-C2C），推动异构计算生态。英伟达与台积电的合作通(tong)过制(zhi)程迭代、封(feng)装创新和供应链(lian)协同，共(gong)同定义(yi)了AI芯片的性能天花板。这种合作不(bu)仅推动技术进步，更重塑了全球半(ban)导体产业链(lian)的竞争格局。

这恰恰就是(shi)英伟达一个隐秘的“护城河”，那就是(shi) 他们和台积电保持着紧(jin)密的合作关系，而竞争对手则未(wei)必。

为什(shi)么 台积电这样的顶级代工厂喜欢英伟达的通(tong)用GPU，而相对不(bu)那么喜欢制(zhi)造ASIC？

GPU（尤其是(shi)AI/高性能计算GPU）市场需求量大且稳(wen)定，客(ke)户如英伟达、AMD等头部厂商的订单规模庞(pang)大，代工厂可(ke)通(tong)过规模效应显著降低成本。而ASIC通(tong)常为特定客(ke)户定制(zhi)，需求碎片化且单次订单量小，难以形成规模经济。

GPU迭代周期较长，代工厂可(ke)长期维(wei)持同一制(zhi)程的生产优化；而ASIC可(ke)能因客(ke)户业务调整快速过时，导致产能浪费。ASIC需要代工厂投(tou)入(ru)大量资源进行定制(zhi)化设计、掩(yan)膜版制(zhi)作和测试，但客(ke)户可(ke)能因项目失败或(huo)需求变化取消订单，导致NRE（非(fei)重复(fu)性工程）成本难以回收。相比之下，GPU的NRE费用由大客(ke)户承担，且订单确定性更高。

因此(ci)，代工厂通(tong)用GPU的长期稳(wen)定订单可(ke)为代工厂提供更高的毛利率（尤其是(shi)先进制(zhi)程节(jie)点），而ASIC项目通(tong)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“护城河”。

DeepSeek崛起，英伟达帝国(guo)的裂缝越来越大

DeepSeek-V3火爆(bao)之后，该公司(si)公开论(lun)文中(zhong)的更多细节(jie)逐渐被人挖掘出来。

韩国(guo)未(wei)来资产证券的分析称(cheng)，V3的硬件效率之所以能比Meta等高出10倍，可(ke)以总结为“他们从头开始重建了一切(qie)”——用英伟达的PTX（Parallel Thread Execution）语言实现的，而不(bu)是(shi)CUDA。PTX在接近汇(hui)编语言的层级运行，允许进行细粒度的优化，如寄(ji)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(ke)能在特定市场（如政(zheng)策驱(qu)动的国(guo)产化替(ti)代、轻量级AI推理(li)）或(huo)技术路(lu)径（如开源生态、跨硬件支持）中(zhong)开辟细分赛道(dao)。

长远来看，其影响力取决于能否构建差异化价值，并突破英伟达的软硬件协同壁垒。

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

英伟达和台积电这两(liang)家过去20多年是(shi)两(liang)株根系交缠的常青(qing)藤，但这不(bu)意味着那些被信(xin)任浇灌的藤蔓不(bu)会褪色，在AI模型(xing)从训练到推理(li)应用大规模迁移的微妙时刻，裂痕像(xiang)午夜窗棂的冰花，在月光下折射(she)出锋利的棱角(jiao)，契约书上的墨迹突然开始游动，每(mei)个标点都在宣纸背面长出锯齿。

裂纹在出现。

最致命的那道(dao)裂纹往往开始于心脏背面，在硬科技行业中(zhong)我们已经见证了太多，诸(zhu)如格芯和IBM，英特尔和诺(nuo)基亚(ya)......当(dang)猜忌(ji)的孢子乘着沉默的风，在曾经透明的默契里悄然着陆——直到某天整座瓷器轰然崩解，我们才看清每(mei)块碎片里都冻着未(wei)曾启齿的疑云。

来源|心智(zhi)观察所

观察者网两(liang)部作品进入(ru)中(zhong)国(guo)正能量网络精品评选

欢迎大家积极投(tou)票(piao)！