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450亿美元的盘子，而ASIC市场(chang)2023年满打满算也只(zhi)有200亿美元，前者(zhe)的高垄(long)断性看起(qi)来暂(zan)时不用担(dan)心以博通，Marvell为(wei)代表定制化芯片对其市场(chang)份额的侵蚀。

但你要说黄(huang)仁(ren)勋不着急那肯定是假(jia)的。AI大潮的推动(dong)下，比如TPU在Google Cloud上的应用，或者(zhe)亚马逊AWS的Trainium/Inferentia让(rang)不少公司在考虑ASIC方(fang)案。2023年就有风传英伟达也想进入ASIC这个(ge)领域，为(wei)美国诸多CSP（云服务(wu)商）提供定制化服务(wu)。

OpenAI也在“背刺”英伟达？

据路透社近日报道，OpenAI正在通过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(qiu)。路透社还声称称OpenAI将在近几个(ge)月内确(que)定其芯片的最终设(she)计，并将方(fang)案交由台积(ji)电进行流片测试。

多年以来，OpenAI一直是英伟达的大主顾之(zhi)一。他(ta)们(men)考虑非(fei)通用性GPU方(fang)案，无异(yi)于是对英伟达的一种背刺。

OpenAI 的训练和推理任(ren)务(wu)高度依(yi)赖英伟达的高性能 GPU（如 A100、H100）。OpenAI在2020年的论文中曾(ceng)提到，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伟达采购的GPU具体数量，这类信息通常被视为(wei)商业机密或涉及合作伙伴协议(yi)，因此外界难以获得准确(que)数据。

除了采购GPU，他(ta)们(men)之(zhi)间的合作模(mo)式还有两点需要指出(chu)：OpenAI 深度依(yi)赖英伟达的CUDA 并行计算平台和cuDNN加速库(ku)，以最大化GPU在深度学习任(ren)务(wu)中的性能；英伟达OpenAI还有间接合作，通过合作伙伴（如微软Azure、亚马逊AWS）为(wei) OpenAI 提供云GPU资(zi)源，支持其弹性计算需求(qiu)。

英伟达首个(ge)DGX H200给到OpenAI

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

英伟达通用高端GPU不仅价格昂(ang)贵，而且功耗极(ji)高，且有很强的定价权(quan)，损(sun)伤了OpenAI的“自尊心”和财务(wu)毛利率，而且某种程度上削弱了其振臂一呼搞“星际之(zhi)门”的话语权(quan)和领导权(quan)。

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

TPU是谷歌(ge)专门为(wei)机器学习（尤其是神经网络(luo)训练和推理）而设(she)计的ASIC，从硬件到软件全栈优化，避免了GPU的通用计算冗余。

谷歌(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(qi)来差(cha)距巨(ju)大，但 TPU v4可以用“打群架”的方(fang)式避免单打独斗的劣势，而且，TPU的专用推理硬件在低延迟(chi)场(chang)景中表现更优。

虽(sui)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密耦合，减少数据搬运开销，英伟达GPU需通过显(xian)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(ben)文开头的话题：成本(ben)。

在谷歌(ge)云平台，TPU的按(an)需计费成本(ben)可能低于同等算力的GPU实例，尤其对长期(qi)训练任(ren)务(wu)或批量推理更具性价比。TPU作为(wei)托管服务(wu)，用户无需关注底层硬件运维(wei)，而自建GPU集群需投入更多运维(wei)资(zi)源。

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

尽管如此，采用ASIC方(fang)案的局(ju)限性依(yi)然十分(fen)明(ming)显(xian)，TPU绑定了特定框架（TensorFlow/JAX），而GPU支持更广泛(fan)的开源工具和私有化部署，而且，ASIC一旦流片无法修(xiu)改，而GPU可通过架构升级和软件优化适应新需求(qiu)。

英伟达GPU的“专用特性”

黄(huang)仁(ren)勋在业界以危机感嗅觉著称，他(ta)的名言“要时刻为(wei)企业一个(ge)月内破产做好准备”享誉全球，他(ta)不断督(du)促自己洞察一切可能的挑战和危机。

ASIC的冲(chong)击，他(ta)也洞若观火。

在最近这两代（Grace Hopper和Blackwell）的AI加速器中，他(ta)其实已(yi)经用了“通用+专用”的混合架构。他(ta)明(ming)白，AI训练/推理、科学计算等场(chang)景对算力需求(qiu)爆炸式增长，通用架构难以满足能效和性能要求(qiu)。专用硬件可显(xian)著降(jiang)低大模(mo)型训练成本(ben)（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(chang)主管告诉心智观察所，通用芯片性能提升趋缓，通过领域专用架构（DSA）实现差(cha)异(yi)化会成为(wei)必然选择(ze)。

Grace Hopper和Blackwell正在不断增加专用硬件单元，比如针对深度学习矩(ju)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，针对大规模(mo)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(mo)型（LLM）做了硬件加速Transformer引擎。

这一切的一切都说明(ming)英伟达看到了谷歌(ge)TPU、亚马逊Trainium等专用AI芯片的威(wei)胁(xie)，迫使英伟达通过专用化巩(gong)固技术壁垒。

仍然需要指出(chu)的是，英伟达的高端GPU确(que)实在向领域专用架构（DSA）演(yan)进，但其本(ben)质仍是以通用性为(wei)基础、通过专用模(mo)块提升关键场(chang)景效率的混合模(mo)式，与ASIC的完全固化设(she)计有本(ben)质区别(bie)。

制造端，英伟达的另一个(ge)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(zhi)一，老生常谈之(zhi)外，还有他(ta)们(men)和台积(ji)电的联盟属性不可不察。

OpenAI曾(ceng)经和Meta展开GPU的军备竞赛，总裁Altman不惜屈尊去游说台积(ji)电的张忠谋，让(rang)台积(ji)电大肆斥千亿美元在美国本(ben)土扩建晶圆厂配(pei)合英伟达扩建，在半导体圈曾(ceng)一度被传为(wei)笑谈。这也说明(ming)，芯片光设(she)计出(chu)来没用，需要造出(chu)来才能用——代工厂的地(di)位不可低估，甚至他(ta)们(men)经常扮演(yan)产业链的核心角(jiao)色。

英伟达的高端GPU，如Hopper架构的H100、Blackwell架构的B200长期(qi)依(yi)赖台积(ji)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(ji)电为(wei)英伟达提供工艺定制服务(wu)，例如在4N工艺中优化了高频性能和功耗。

台积(ji)电投桃报李，将英伟达列为(wei)关键客户，在先进制程（如4nm）和封装产能上优先分(fen)配(pei)，应对AI芯片的爆发式需求(qiu)。受地(di)缘政治影响，双方(fang)合作扩展至台积(ji)电美国亚利桑那工厂（Fab 21），计划(hua)未来部分(fen)生产转移至美国本(ben)土。

英伟达不但在新架构设(she)计阶段即与台积(ji)电合作，验证工艺可行性，而且双方(fang)合作定义Chiplet互联标准（如NVLink-C2C），推动(dong)异(yi)构计算生态。英伟达与台积(ji)电的合作通过制程迭代、封装创新和供应链协同，共同定义了AI芯片的性能天花板。这种合作不仅推动(dong)技术进步，更重塑了全球半导体产业链的竞争格局(ju)。

这恰恰就是英伟达一个(ge)隐秘的“护城河”，那就是 他(ta)们(men)和台积(ji)电保持着紧密的合作关系，而竞争对手则未必。

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

GPU（尤其是AI/高性能计算GPU）市场(chang)需求(qiu)量大且稳(wen)定，客户如英伟达、AMD等头部厂商的订(ding)单规模(mo)庞大，代工厂可通过规模(mo)效应显(xian)著降(jiang)低成本(ben)。而ASIC通常为(wei)特定客户定制，需求(qiu)碎片化且单次订(ding)单量小，难以形成规模(mo)经济(ji)。

GPU迭代周期(qi)较(jiao)长，代工厂可长期(qi)维(wei)持同一制程的生产优化；而ASIC可能因客户业务(wu)调整(zheng)快速过时，导致产能浪费。ASIC需要代工厂投入大量资(zi)源进行定制化设(she)计、掩膜版制作和测试，但客户可能因项目失败或需求(qiu)变(bian)化取消(xiao)订(ding)单，导致NRE（非(fei)重复性工程）成本(ben)难以回收(shou)。相比之(zhi)下，GPU的NRE费用由大客户承担(dan)，且订(ding)单确(que)定性更高。

因此，代工厂通用GPU的长期(qi)稳(wen)定订(ding)单可为(wei)代工厂提供更高的毛利率（尤其是先进制程节点），而ASIC项目通常需价格谈判(pan)，利润率较(jiao)低。

黄(huang)仁(ren)勋深知， 牢牢抓住(zhu)台积(ji)电，就抓住(zhu)了最深的那条(tiao)“护城河”。

DeepSeek崛起(qi)，英伟达帝国的裂缝越来越大

DeepSeek-V3火爆之(zhi)后，该公司公开论文中的更多细节逐渐被人挖(wa)掘出(chu)来。

韩国未来资(zi)产证券的分(fen)析称，V3的硬件效率之(zhi)所以能比Meta等高出(chu)10倍，可以总结为(wei)“他(ta)们(men)从头开始(shi)重建了一切”——用英伟达的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，允许进行细粒度的优化，如寄存器分(fen)配(pei)和Thread/Warp级别(bie)的调整(zheng)。

短期(qi)内，CUDA的统治地(di)位虽(sui)然难以被撼动(dong)，但DeepSeek的PTX可能在特定市场(chang)（如政策驱动(dong)的国产化替代、轻量级AI推理）或技术路径（如开源生态、跨(kua)硬件支持）中开辟细分(fen)赛道。

长远来看，其影响力取决于能否(fou)构建差(cha)异(yi)化价值，并突破英伟达的软硬件协同壁垒。

英伟达制造端的“护城河”始(shi)于历(li)史(shi)演(yan)进，也必将符合历(li)史(shi)进程的辩(bian)证法。

英伟达和台积(ji)电这两家过去20多年是两株根(gen)系交缠的常青藤，但这不意味着那些被信任(ren)浇灌的藤蔓不会褪色，在AI模(mo)型从训练到推理应用大规模(mo)迁移的微妙时刻，裂痕像午夜窗棂的冰花，在月光下折射(she)出(chu)锋利的棱角(jiao)，契约书上的墨迹(ji)突然开始(shi)游动(dong)，每个(ge)标点都在宣纸背面长出(chu)锯齿。

裂纹在出(chu)现。

最致命的那道裂纹往往开始(shi)于心脏背面，在硬科技行业中我们(men)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的风，在曾(ceng)经透明(ming)的默契里悄然着陆——直到某天整(zheng)座(zuo)瓷器轰然崩解，我们(men)才看清每块碎片里都冻着未曾(ceng)启齿的疑云。

来源|心智观察所

观察者(zhe)网两部作品进入中国正能量网络(luo)精品评选

欢迎大家积(ji)极(ji)投票！