须知，英伟达在高性能GPU（HPC和AI加(jia)速器领域）就在全球吃掉了接(jie)近450亿美元的盘子，而ASIC市(shi)场2023年满打满算也只有200亿美元，前者的高垄断(duan)性看起来暂时(shi)不(bu)用担心(xin)以博通(tong)，Marvell为代表定制化(hua)芯片对其市(shi)场份(fen)额的侵蚀。

但(dan)你(ni)要说黄仁勋不(bu)着急那肯定是假的。AI大潮(chao)的推动下(xia)，比(bi)如TPU在Google Cloud上的应用，或者亚马逊AWS的Trainium/Inferentia让不(bu)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，为美国诸多CSP（云服务商）提供定制化(hua)服务。

OpenAI也在“背刺”英伟达？

据(ju)路透社近日报道，OpenAI正在通(tong)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。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(jiao)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。他们考虑非通(tong)用性GPU方案，无异于是对英伟达的一种(zhong)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年的论文中曾提到，GPT-3的训练使用了约1万块(kuai)V100 GPU。不(bu)过，OpenAI并未公开披露(lu)其从英伟达采购的GPU具体数量，这类(lei)信息通(tong)常被视为商业机密(mi)或涉及合作伙伴协议，因此外界难以获得准确数据(ju)。

除了采购GPU，他们之间的合作模式(shi)还有两点需要指出：OpenAI 深度依赖英伟达的CUDA 并行计算平台和cuDNN加(jia)速库，以最大化(hua)GPU在深度学(xue)习任务中的性能；英伟达OpenAI还有间接(jie)合作，通(tong)过合作伙伴（如微软Azure、亚马逊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在思考用更专用硬件ASIC的可能，步微软Maia AI芯片和谷歌TPU的后尘(chen)，主要也是苦英伟达久矣(yi)。

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

OpenAI敢迈(mai)出这一步，也是看到了商用实地落(luo)地的可能性——踩着谷歌TPU的辕辐前进。

TPU是谷歌专门为机器学(xue)习（尤其是神经网络训练和推理）而设计的ASIC，从硬件到软件全栈优化(hua)，避免了GPU的通(tong)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，看起来差距巨大，但(dan) TPU v4可以用“打群架”的方式(shi)避免单打独斗的劣势，而且，TPU的专用推理硬件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(mi)耦合，减少数据(ju)搬(ban)运开销，英伟达GPU需通(tong)过显(xian)存管理优化(hua)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(fei)成本可能低于同等算力的GPU实例，尤其对长期(qi)训练任务或批量推理更具性价比(bi)。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(jia)速了OpenAI与英伟达软脱钩的念想，双方有了某种(zhong)程度上的离心(xin)力。

尽管如此，采用ASIC方案的局限(xian)性依然十分明显(xian)，TPU绑定了特定框(kuang)架（TensorFlow/JAX），而GPU支持更广泛的开源工具和私有化(hua)部(bu)署，而且，ASIC一旦流片无法(fa)修改(gai)，而GPU可通(tong)过架构升级和软件优化(hua)适应新需求。

英伟达GPU的“专用特性”

黄仁勋在业界以危(wei)机感嗅觉著称，他的名言“要时(shi)刻为企业一个月内破产(chan)做好准备”享誉全球，他不(bu)断(duan)督促自己洞察(cha)一切可能的挑战和危(wei)机。

ASIC的冲击，他也洞若(ruo)观火。

在最近这两代（Grace Hopper和Blackwell）的AI加(jia)速器中，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、科学(xue)计算等场景对算力需求爆炸式(shi)增长，通(tong)用架构难以满足(zu)能效和性能要求。专用硬件可显(xian)著降(jiang)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(ran)供应商市(shi)场主管告诉心(xin)智观察(cha)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(hua)会成为必然选择。

Grace Hopper和Blackwell正在不(bu)断(duan)增加(jia)专用硬件单元，比(bi)如针对深度学(xue)习矩阵运算优化(hua)（FP16/FP8精度、稀疏计算）的Tensor Core专用于光线追踪(zong)的硬件加(jia)速的RT Core，针对大规模AI集群做了通(tong)信优化(hua)（如Grace Hopper的芯片间互连），Blackwell架构还直接(jie)面向大语言模型（LLM）做了硬件加(jia)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Trainium等专用AI芯片的威胁，迫(po)使英伟达通(tong)过专用化(hua)巩固技(ji)术壁垒。

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

制造(zao)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，老生常谈之外，还有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的军备竞赛，总裁Altman不(bu)惜屈尊去(qu)游说台积电的张忠谋，让台积电大肆(si)斥(chi)千亿美元在美国本土扩建晶(jing)圆厂配(pei)合英伟达扩建，在半导(dao)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(zao)出来才能用——代工厂的地位不(bu)可低估，甚至他们经常扮演产(chan)业链的核心(xin)角色。

英伟达的高端GPU，如Hopper架构的H100、Blackwell架构的B200长期(qi)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，例如在4N工艺中优化(hua)了高频(pin)性能和功耗。

台积电投桃报李，将英伟达列为关键客户，在先进制程（如4nm）和封装产(chan)能上优先分配(pei)，应对AI芯片的爆发式(shi)需求。受地缘政治影响，双方合作扩展至台积电美国亚利桑(sang)那工厂（Fab 21），计划未来部(bu)分生产(chan)转移至美国本土。

英伟达不(bu)但(dan)在新架构设计阶(jie)段即与台积电合作，验证工艺可行性，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)过制程迭代、封装创新和供应链协同，共同定义(yi)了AI芯片的性能天花板。这种(zhong)合作不(bu)仅推动技(ji)术进步，更重塑(su)了全球半导(dao)体产(chan)业链的竞争格(ge)局。

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

为什么(me) 台积电这样(yang)的顶级代工厂喜欢英伟达的通(tong)用GPU，而相对不(bu)那么(me)喜欢制造(zao)ASIC？

GPU（尤其是AI/高性能计算GPU）市(shi)场需求量大且稳定，客户如英伟达、AMD等头部(bu)厂商的订单规模庞大，代工厂可通(tong)过规模效应显(xian)著降(jiang)低成本。而ASIC通(tong)常为特定客户定制，需求碎片化(hua)且单次订单量小，难以形成规模经济。

GPU迭代周期(qi)较长，代工厂可长期(qi)维持同一制程的生产(chan)优化(hua)；而ASIC可能因客户业务调整快速过时(shi)，导(dao)致产(chan)能浪(lang)费(fei)。ASIC需要代工厂投入大量资源进行定制化(hua)设计、掩膜版制作和测试，但(dan)客户可能因项目失败或需求变化(hua)取消订单，导(dao)致NRE（非重复性工程）成本难以回收。相比(bi)之下(xia)，GPU的NRE费(fei)用由大客户承担，且订单确定性更高。

因此，代工厂通(tong)用GPU的长期(qi)稳定订单可为代工厂提供更高的毛利率(lu)（尤其是先进制程节点），而ASIC项目通(tong)常需价格(ge)谈判，利润率(lu)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，英伟达帝国的裂缝越来越大

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

韩国未来资产(chan)证券的分析称，V3的硬件效率(lu)之所以能比(bi)Meta等高出10倍(bei)，可以总结为“他们从头开始重建了一切”——用英伟达的PTX（Parallel Thread Execution）语言实现的，而不(bu)是CUDA。PTX在接(jie)近汇编语言的层级运行，允许进行细粒(li)度的优化(hua)，如寄存器分配(pei)和Thread/Warp级别的调整。

短期(qi)内，CUDA的统治地位虽然难以被撼动，但(dan)DeepSeek的PTX可能在特定市(shi)场（如政策驱动的国产(chan)化(hua)替(ti)代、轻(qing)量级AI推理）或技(ji)术路径（如开源生态、跨(kua)硬件支持）中开辟细分赛道。

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

英伟达制造(zao)端的“护城河”始于历史(shi)演进，也必将符合历史(shi)进程的辩证法(fa)。

英伟达和台积电这两家过去(qu)20多年是两株根系交(jiao)缠的常青藤，但(dan)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(qian)移的微妙时(shi)刻，裂痕像午夜窗棂的冰花，在月光下(xia)折(she)射出锋利的棱角，契约书上的墨迹突然开始游动，每个标点都在宣纸背面长出锯齿。

裂纹在出现。

最致命的那道裂纹往往开始于心(xin)脏背面，在硬科技(ji)行业中我们已经见证了太多，诸如格(ge)芯和IBM，英特尔和诺基亚......当猜忌的孢子乘着沉默的风，在曾经透明的默契里悄(qiao)然着陆——直到某天整座瓷器轰然崩解，我们才看清(qing)每块(kuai)碎片里都冻着未曾启齿的疑云。

来源|心(xin)智观察(cha)所

观察(cha)者网两部(bu)作品(pin)进入中国正能量网络精品(pin)评选

欢迎(ying)大家积极投票(piao)！