须知，英伟达在高性能(neng)GPU（HPC和(he)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2023年满打满算也只有200亿美元，前者的高垄(long)断(duan)性看起来(lai)暂时不用担心以博通，Marvell为代表定制化芯片对(dui)其市场份额的侵蚀。

但你要说黄(huang)仁勋不着急那(na)肯定是假的。AI大(da)潮的推动下，比如TPU在Google Cloud上的应用，或者亚马逊(xun)AWS的Trainium/Inferentia让不少公司在考虑ASIC方案。2023年就有风传英伟达也想进入ASIC这个领域，为美国诸(zhu)多CSP（云服(fu)务商）提供定制化服(fu)务。

OpenAI也在“背刺”英伟达？

据路透社近日报(bao)道，OpenAI正在通过开发其首(shou)款(kuan)自家人工智能(neng)芯片，以减少其对(dui)英伟达芯片的需求。路透社还声称称OpenAI将在近几个月内确定其芯片的最终设计，并将方案交由台积(ji)电进行(xing)流片测试。

多年以来(lai)，OpenAI一直是英伟达的大(da)主(zhu)顾之一。他们考虑非通用性GPU方案，无(wu)异于是对(dui)英伟达的一种背刺。

OpenAI 的训练和(he)推理(li)任务高度依(yi)赖英伟达的高性能(neng) GPU（如 A100、H100）。OpenAI在2020年的论文中曾提到，GPT-3的训练使用了约1万块(kuai)V100 GPU。不过，OpenAI并未公开披(pi)露其从英伟达采购的GPU具体数量，这类信息通常(chang)被(bei)视为商业机密或涉及合作伙伴协议，因此外界难(nan)以获得(de)准确数据。

除了采购GPU，他们之间的合作模式还有两点需要指出：OpenAI 深度依(yi)赖英伟达的CUDA 并行(xing)计算平台和(he)cuDNN加速库，以最大(da)化GPU在深度学习任务中的性能(neng)；英伟达OpenAI还有间接合作，通过合作伙伴（如微软Azure、亚马逊(xun)AWS）为 OpenAI 提供云GPU资源，支持其弹性计算需求。

英伟达首(shou)个DGX H200给到OpenAI

OpenAI在思考用更专用硬件ASIC的可能(neng)，步微软Maia AI芯片和(he)谷(gu)歌TPU的后尘，主(zhu)要也是苦英伟达久矣。

英伟达通用高端GPU不仅价格昂贵，而且功耗极高，且有很(hen)强的定价权，损伤了OpenAI的“自尊(zun)心”和(he)财(cai)务毛利率，而且某种程度上削弱了其振臂一呼搞“星际(ji)之门”的话语权和(he)领导权。

OpenAI敢迈出这一步，也是看到了商用实地落地的可能(neng)性——踩(cai)着谷(gu)歌TPU的辕辐前进。

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

谷(gu)歌单芯片TPU v4的FP16性能(neng)约275 TFLOPS，而英伟达H100的FP16算力为400 TFLOPS，看起来(lai)差距巨大(da)，但 TPU v4可以用“打群架”的方式避免单打独斗的劣势，而且，TPU的专用推理(li)硬件在低延(yan)迟场景中表现更优。

虽然(ran)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(xiao)，英伟达GPU需通过显存管理(li)优化才能(neng)避免瓶颈。

另外还有很(hen)重要的一点， 就呼应到了本文开头的话题(ti)：成本。

在谷(gu)歌云平台，TPU的按需计费成本可能(neng)低于同等算力的GPU实例，尤其对(dui)长期训练任务或批量推理(li)更具性价比。TPU作为托管服(fu)务，用户(hu)无(wu)需关(guan)注底层硬件运维，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(yi)然(ran)十分明显，TPU绑定了特定框架（TensorFlow/JAX），而GPU支持更广泛的开源工具和(he)私有化部署，而且，ASIC一旦流片无(wu)法修(xiu)改，而GPU可通过架构升级和(he)软件优化适应新需求。

英伟达GPU的“专用特性”

黄(huang)仁勋在业界以危机感(gan)嗅觉(jue)著称，他的名言(yan)“要时刻为企业一个月内破产做好准备”享誉全球，他不断(duan)督促自己(ji)洞(dong)察一切可能(neng)的挑战(zhan)和(he)危机。

ASIC的冲击，他也洞(dong)若观火(huo)。

在最近这两代（Grace Hopper和(he)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/推理(li)、科(ke)学计算等场景对(dui)算力需求爆炸式增长，通用架构难(nan)以满足能(neng)效和(he)性能(neng)要求。专用硬件可显著降低大(da)模型(xing)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(zhu)管告诉心智观察所，通用芯片性能(neng)提升趋缓，通过领域专用架构（DSA）实现差异化会成为必然(ran)选择(ze)。

Grace Hopper和(he)Blackwell正在不断(duan)增加专用硬件单元，比如针(zhen)对(dui)深度学习矩阵运算优化（FP16/FP8精度、稀疏计算）的Tensor Core专用于光线追踪的硬件加速的RT Core，针(zhen)对(dui)大(da)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(da)语言(yan)模型(xing)（LLM）做了硬件加速Transformer引擎。

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

仍然(ran)需要指出的是，英伟达的高端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(kuai)提升关(guan)键场景效率的混合模式，与ASIC的完(wan)全固化设计有本质区别。

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开发者平台是其中之一，老生(sheng)常(chang)谈之外，还有他们和(he)台积(ji)电的联盟属性不可不察。

OpenAI曾经和(he)Meta展(zhan)开GPU的军备竞赛，总(zong)裁Altman不惜屈尊(zun)去游说台积(ji)电的张(zhang)忠谋，让台积(ji)电大(da)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(quan)曾一度被(bei)传为笑谈。这也说明，芯片光设计出来(lai)没(mei)用，需要造出来(lai)才能(neng)用——代工厂的地位(wei)不可低估，甚至他们经常(chang)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(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(neng)、更低功耗。台积(ji)电为英伟达提供工艺定制服(fu)务，例如在4N工艺中优化了高频性能(neng)和(he)功耗。

台积(ji)电投桃报(bao)李，将英伟达列为关(guan)键客户(hu)，在先进制程（如4nm）和(he)封装产能(neng)上优先分配，应对(dui)AI芯片的爆发式需求。受地缘政治影响，双方合作扩展(zhan)至台积(ji)电美国亚利桑那(na)工厂（Fab 21），计划未来(lai)部分生(sheng)产转移至美国本土。

英伟达不但在新架构设计阶段即与台积(ji)电合作，验证工艺可行(xing)性，而且双方合作定义Chiplet互联标准（如NVLink-C2C），推动异构计算生(sheng)态。英伟达与台积(ji)电的合作通过制程迭代、封装创新和(he)供应链协同，共同定义了AI芯片的性能(neng)天花板(ban)。这种合作不仅推动技术进步，更重塑了全球半导体产业链的竞争(zheng)格局。

这恰恰就是英伟达一个隐秘的“护城河”，那(na)就是 他们和(he)台积(ji)电保(bao)持着紧密的合作关(guan)系(xi)，而竞争(zheng)对(dui)手(shou)则未必。

为什么 台积(ji)电这样的顶级代工厂喜欢英伟达的通用GPU，而相对(dui)不那(na)么喜欢制造ASIC？

GPU（尤其是AI/高性能(neng)计算GPU）市场需求量大(da)且稳定，客户(hu)如英伟达、AMD等头部厂商的订单规模庞大(da)，代工厂可通过规模效应显著降低成本。而ASIC通常(chang)为特定客户(hu)定制，需求碎片化且单次订单量小，难(nan)以形成规模经济。

GPU迭代周期较长，代工厂可长期维持同一制程的生(sheng)产优化；而ASIC可能(neng)因客户(hu)业务调(diao)整快速过时，导致产能(neng)浪费。ASIC需要代工厂投入大(da)量资源进行(xing)定制化设计、掩膜版制作和(he)测试，但客户(hu)可能(neng)因项(xiang)目失败或需求变化取消订单，导致NRE（非重复性工程）成本难(nan)以回收。相比之下，GPU的NRE费用由大(da)客户(hu)承担，且订单确定性更高。

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

黄(huang)仁勋深知， 牢牢抓住台积(ji)电，就抓住了最深的那(na)条“护城河”。

DeepSeek崛起，英伟达帝(di)国的裂缝越来(lai)越大(da)

DeepSeek-V3火(huo)爆之后，该公司公开论文中的更多细节逐渐被(bei)人挖掘出来(lai)。

韩国未来(lai)资产证券的分析称，V3的硬件效率之所以能(neng)比Meta等高出10倍，可以总(zong)结为“他们从头开始重建了一切”——用英伟达的PTX（Parallel Thread Execution）语言(yan)实现的，而不是CUDA。PTX在接近汇编语言(yan)的层级运行(xing)，允许进行(xing)细粒度的优化，如寄存器分配和(he)Thread/Warp级别的调(diao)整。

短期内，CUDA的统治地位(wei)虽然(ran)难(nan)以被(bei)撼动，但DeepSeek的PTX可能(neng)在特定市场（如政策驱动的国产化替代、轻量级AI推理(li)）或技术路径（如开源生(sheng)态、跨(kua)硬件支持）中开辟细分赛道。

长远来(lai)看，其影响力取决于能(neng)否构建差异化价值，并突破英伟达的软硬件协同壁垒。

英伟达制造端的“护城河”始于历史演进，也必将符合历史进程的辩证法。

英伟达和(he)台积(ji)电这两家过去20多年是两株(zhu)根系(xi)交缠的常(chang)青藤(teng)，但这不意味着那(na)些被(bei)信任浇灌的藤(teng)蔓(man)不会褪色，在AI模型(xing)从训练到推理(li)应用大(da)规模迁移的微妙时刻，裂痕像午夜窗棂的冰花，在月光下折射(she)出锋利的棱角，契约书上的墨迹突然(ran)开始游动，每个标点都在宣纸背面长出锯齿。

裂纹在出现。

最致命的那(na)道裂纹往往开始于心脏背面，在硬科(ke)技行(xing)业中我们已经见证了太多，诸(zhu)如格芯和(he)IBM，英特尔和(he)诺基亚......当猜忌(ji)的孢子乘着沉默(mo)的风，在曾经透明的默(mo)契里悄然(ran)着陆——直到某天整座瓷器轰然(ran)崩解，我们才看清每块(kuai)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能(neng)量网络精品评选

欢迎大(da)家积(ji)极投票！