须知，英伟达在高性能GPU（HPC和AI加速器领域(yu)）就在全(quan)球吃掉了接近450亿美元的盘子(zi)，而ASIC市场2023年(nian)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(bu)用担心以博通，Marvell为代表定制化芯片对其市场份额的侵蚀。

但你要(yao)说黄(huang)仁勋(xun)不(bu)着急那肯(ken)定是假(jia)的。AI大潮的推动下，比如TPU在Google Cloud上的应用，或者亚马逊AWS的Trainium/Inferentia让不(bu)少(shao)公司(si)在考虑ASIC方案(an)。2023年(nian)就有风传(chuan)英伟达也想进入ASIC这个领域(yu)，为美国诸多CSP（云服务商(shang)）提供定制化服务。

OpenAI也在“背刺”英伟达？

据(ju)路透社(she)近日报道，OpenAI正在通过开发其首款自家人工(gong)智能芯片，以减少(shao)其对英伟达芯片的需求。路透社(she)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(an)交由台积电进行流片测试。

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

OpenAI 的训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(nian)的论文中曾提到，GPT-3的训练使用了约1万块V100 GPU。不(bu)过，OpenAI并未公开披露其从英伟达采购的GPU具(ju)体数量(liang)，这类信息通常被视为商(shang)业机密或涉及合作伙(huo)伴(ban)协议，因此外界难以获得准确数据(ju)。

除(chu)了采购GPU，他们之间的合作模式还有两点需要(yao)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在深度学习任务中的性能；英伟达OpenAI还有间接合作，通过合作伙(huo)伴(ban)（如微软Azure、亚马逊AWS）为 OpenAI 提供云GPU资源，支持其弹性计算需求。

英伟达首个DGX H200给到OpenAI

OpenAI在思(si)考用更专用硬件ASIC的可(ke)能，步(bu)微软Maia AI芯片和谷歌TPU的后尘，主要(yao)也是苦英伟达久矣。

英伟达通用高端GPU不(bu)仅价(jia)格昂贵，而且(qie)功耗极(ji)高，且(qie)有很强的定价(jia)权，损伤了OpenAI的“自尊心”和财务毛利率，而且(qie)某种程度上削弱(ruo)了其振臂一呼搞“星际之门”的话语权和领导(dao)权。

OpenAI敢迈出这一步(bu)，也是看到了商(shang)用实地(di)落地(di)的可(ke)能性——踩着谷歌TPU的辕(yuan)辐前进。

TPU是谷歌专门为机器学习（尤其是神(shen)经网络训练和推理）而设计的ASIC，从硬件到软件全(quan)栈优化，避免了GPU的通用计算冗(rong)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(lai)差距巨大，但 TPU v4可(ke)以用“打群架”的方式避免单打独斗的劣势，而且(qie)，TPU的专用推理硬件在低延迟场景中表现更优。

虽(sui)然英伟达高端GPU也需要(yao)HBM，但TPU采用的HBM高带宽(kuan)内存(cun)与计算单元紧密耦合，减少(shao)数据(ju)搬运开销，英伟达GPU需通过显存(cun)管理优化才能避免瓶颈。

另外还有很重要(yao)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批量(liang)推理更具(ju)性价(jia)比。TPU作为托管服务，用户无需关注底层硬件运维，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(an)的局限性依然十分明显，TPU绑定了特(te)定框架（TensorFlow/JAX），而GPU支持更广泛的开源工(gong)具(ju)和私有化部署，而且(qie)，ASIC一旦流片无法(fa)修改，而GPU可(ke)通过架构升级和软件优化适应新需求。

英伟达GPU的“专用特(te)性”

黄(huang)仁勋(xun)在业界以危机感嗅觉著称，他的名言“要(yao)时刻为企业一个月内破产做好准备”享誉全(quan)球，他不(bu)断督促自己(ji)洞察一切可(ke)能的挑战和危机。

ASIC的冲击，他也洞若观火。

在最近这两代（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，通用架构难以满足能效和性能要(yao)求。专用硬件可(ke)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(shang)市场主管告诉心智观察所，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专用于光线追踪的硬件加速的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模型（LLM）做了硬件加速Transformer引(yin)擎。

这一切的一切都说明英伟达看到了谷歌TPU、亚马逊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。

仍然需要(yao)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，但其本质(zhi)仍是以通用性为基础(chu)、通过专用模块提升关键(jian)场景效率的混合模式，与ASIC的完全(quan)固化设计有本质(zhi)区别。

制造端，英伟达的另一个隐(yin)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(cai)Altman不(bu)惜(xi)屈尊去游说台积电的张忠谋，让台积电大肆斥千亿美元在美国本土扩(kuo)建晶圆厂配(pei)合英伟达扩(kuo)建，在半(ban)导(dao)体圈曾一度被传(chuan)为笑谈。这也说明，芯片光设计出来(lai)没用，需要(yao)造出来(lai)才能用——代工(gong)厂的地(di)位不(bu)可(ke)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(gong)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(gong)艺定制服务，例如在4N工(gong)艺中优化了高频性能和功耗。

台积电投桃报李，将(jiang)英伟达列为关键(jian)客户，在先进制程（如4nm）和封装(zhuang)产能上优先分配(pei)，应对AI芯片的爆发式需求。受地(di)缘政治影响，双方合作扩(kuo)展至台积电美国亚利桑(sang)那工(gong)厂（Fab 21），计划未来(lai)部分生产转移(yi)至美国本土。

英伟达不(bu)但在新架构设计阶段即与台积电合作，验证工(gong)艺可(ke)行性，而且(qie)双方合作定义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过制程迭(die)代、封装(zhuang)创新和供应链协同，共(gong)同定义了AI芯片的性能天花板。这种合作不(bu)仅推动技术进步(bu)，更重塑了全(quan)球半(ban)导(dao)体产业链的竞争格局。

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

为什么 台积电这样(yang)的顶级代工(gong)厂喜欢英伟达的通用GPU，而相对不(bu)那么喜欢制造ASIC？

GPU（尤其是AI/高性能计算GPU）市场需求量(liang)大且(qie)稳定，客户如英伟达、AMD等头部厂商(shang)的订单规模庞大，代工(gong)厂可(ke)通过规模效应显著降低成本。而ASIC通常为特(te)定客户定制，需求碎片化且(qie)单次订单量(liang)小(xiao)，难以形成规模经济。

GPU迭(die)代周期较长，代工(gong)厂可(ke)长期维持同一制程的生产优化；而ASIC可(ke)能因客户业务调整快(kuai)速过时，导(dao)致产能浪费。ASIC需要(yao)代工(gong)厂投入大量(liang)资源进行定制化设计、掩膜版制作和测试，但客户可(ke)能因项(xiang)目失败或需求变化取消订单，导(dao)致NRE（非重复性工(gong)程）成本难以回收。相比之下，GPU的NRE费用由大客户承(cheng)担，且(qie)订单确定性更高。

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

黄(huang)仁勋(xun)深知， 牢牢抓住台积电，就抓住了最深的那条“护城河”。

DeepSeek崛起，英伟达帝国的裂缝越来(lai)越大

DeepSeek-V3火爆之后，该公司(si)公开论文中的更多细节逐渐被人挖(wa)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比Meta等高出10倍，可(ke)以总结(jie)为“他们从头开始(shi)重建了一切”——用英伟达的PTX（Parallel Thread Execution）语言实现的，而不(bu)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(ji)存(cun)器分配(pei)和Thread/Warp级别的调整。

短期内，CUDA的统治地(di)位虽(sui)然难以被撼动，但DeepSeek的PTX可(ke)能在特(te)定市场（如政策驱动的国产化替代、轻量(liang)级AI推理）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(jia)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)史演进，也必将(jiang)符合历(li)史进程的辩证法(fa)。

英伟达和台积电这两家过去20多年(nian)是两株根系交缠的常青藤，但这不(bu)意味着那些被信任浇灌的藤蔓不(bu)会褪色，在AI模型从训练到推理应用大规模迁移(yi)的微妙时刻，裂痕像午夜窗棂的冰花，在月光下折射出锋利的棱角，契约书上的墨(mo)迹(ji)突然开始(shi)游动，每个标点都在宣纸背面长出锯齿。

裂纹在出现。

最致命的那道裂纹往往开始(shi)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(te)尔(er)和诺基亚......当(dang)猜忌的孢(bao)子(zi)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能量(liang)网络精品评选

欢迎大家积极(ji)投票！