须知(zhi)，英(ying)伟达在(zai)高(gao)性能(neng)GPU（HPC和AI加速器领域）就(jiu)在(zai)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(qian)者的高(gao)垄断性看起来暂时(shi)不用担心以(yi)博通，Marvell为代表定制化芯片对其市场份额的侵蚀。

但你要说黄仁勋不着急那肯定是假的。AI大潮(chao)的推动下，比如(ru)TPU在(zai)Google Cloud上的应用，或者亚马逊AWS的Trainium/Inferentia让不少公司在(zai)考虑ASIC方案。2023年就(jiu)有风(feng)传(chuan)英(ying)伟达也想进(jin)入ASIC这个领域，为美国诸多CSP（云服务商）提供定制化服务。

OpenAI也在(zai)“背刺”英(ying)伟达？

据路透(tou)社近日报道，OpenAI正在(zai)通过开发其首款(kuan)自家人工智(zhi)能(neng)芯片，以(yi)减(jian)少其对英(ying)伟达芯片的需求。路透(tou)社还声称称OpenAI将(jiang)在(zai)近几个月内确定其芯片的最终设(she)计，并将(jiang)方案交由台积(ji)电进(jin)行流片测试。

多年以(yi)来，OpenAI一直是英(ying)伟达的大主顾之一。他们(men)考虑非通用性GPU方案，无异于是对英(ying)伟达的一种背刺。

OpenAI 的训练和推理任务高(gao)度依赖英(ying)伟达的高(gao)性能(neng) GPU（如(ru) A100、H100）。OpenAI在(zai)2020年的论文中曾提到，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(cong)英(ying)伟达采购的GPU具体数(shu)量，这类(lei)信息通常被视(shi)为商业机密或涉及合(he)作伙伴协议(yi)，因此(ci)外界难以(yi)获得准确数(shu)据。

除了采购GPU，他们(men)之间的合(he)作模(mo)式还有两点需要指出：OpenAI 深度依赖英(ying)伟达的CUDA 并行计算平台和cuDNN加速库，以(yi)最大化GPU在(zai)深度学习任务中的性能(neng)；英(ying)伟达OpenAI还有间接合(he)作，通过合(he)作伙伴（如(ru)微(wei)软Azure、亚马逊AWS）为 OpenAI 提供云GPU资源，支持(chi)其弹性计算需求。

英(ying)伟达首个DGX H200给到OpenAI

OpenAI在(zai)思考用更专用硬件ASIC的可(ke)能(neng)，步微(wei)软Maia AI芯片和谷歌TPU的后尘，主要也是苦英(ying)伟达久矣。

英(ying)伟达通用高(gao)端GPU不仅价格昂贵，而且(qie)功耗极高(gao)，且(qie)有很强的定价权(quan)，损伤了OpenAI的“自尊心”和财(cai)务毛利率，而且(qie)某种程(cheng)度上削弱了其振臂一呼搞“星际之门”的话语权(quan)和领导权(quan)。

OpenAI敢迈出这一步，也是看到了商用实地落地的可(ke)能(neng)性——踩(cai)着谷歌TPU的辕辐前(qian)进(jin)。

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

谷歌单芯片TPU v4的FP16性能(neng)约275 TFLOPS，而英(ying)伟达H100的FP16算力为400 TFLOPS，看起来差距巨大，但 TPU v4可(ke)以(yi)用“打群架(jia)”的方式避免单打独斗(dou)的劣势，而且(qie)，TPU的专用推理硬件在(zai)低延迟场景(jing)中表现(xian)更优。

虽然英(ying)伟达高(gao)端GPU也需要HBM，但TPU采用的HBM高(gao)带宽内存与计算单元紧密耦合(he)，减(jian)少数(shu)据搬运开销，英(ying)伟达GPU需通过显存管理优化才能(neng)避免瓶颈。

另外还有很重要的一点， 就(jiu)呼应到了本文开头(tou)的话题：成本。

在(zai)谷歌云平台，TPU的按需计费成本可(ke)能(neng)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。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(tou)入更多运维资源。

这一切，加速了OpenAI与英(ying)伟达软脱钩(gou)的念想，双方有了某种程(cheng)度上的离心力。

尽管如(ru)此(ci)，采用ASIC方案的局限性依然十分明显，TPU绑定了特定框架(jia)（TensorFlow/JAX），而GPU支持(chi)更广泛的开源工具和私有化部署，而且(qie)，ASIC一旦流片无法修改(gai)，而GPU可(ke)通过架(jia)构升级和软件优化适(shi)应新(xin)需求。

英(ying)伟达GPU的“专用特性”

黄仁勋在(zai)业界以(yi)危机感嗅觉著称，他的名言(yan)“要时(shi)刻为企业一个月内破产做好准备”享誉全球，他不断督促自己洞察一切可(ke)能(neng)的挑(tiao)战和危机。

ASIC的冲击，他也洞若观火(huo)。

在(zai)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(he)架(jia)构。他明白，AI训练/推理、科学计算等场景(jing)对算力需求爆炸式增长，通用架(jia)构难以(yi)满足能(neng)效(xiao)和性能(neng)要求。专用硬件可(ke)显著降低大模(mo)型训练成本（如(ru)Blackwell的FP4/FP6支持(chi)稀疏计算）。

国内某知(zhi)名GPU图形渲染供应商市场主管告诉心智(zhi)观察所，通用芯片性能(neng)提升趋(qu)缓，通过领域专用架(jia)构（DSA）实现(xian)差异化会成为必然选择(ze)。

Grace Hopper和Blackwell正在(zai)不断增加专用硬件单元，比如(ru)针对深度学习矩阵运算优化（FP16/FP8精(jing)度、稀疏计算）的Tensor Core专用于光(guang)线追(zhui)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(ru)Grace Hopper的芯片间互连），Blackwell架(jia)构还直接面向大语言(yan)模(mo)型（LLM）做了硬件加速Transformer引擎(qing)。

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

仍然需要指出的是，英(ying)伟达的高(gao)端GPU确实在(zai)向领域专用架(jia)构（DSA）演进(jin)，但其本质仍是以(yi)通用性为基础、通过专用模(mo)块提升关键场景(jing)效(xiao)率的混合(he)模(mo)式，与ASIC的完全固化设(she)计有本质区别(bie)。

制造端，英(ying)伟达的另一个隐秘的“护城河”

业界喜欢谈英(ying)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(men)和台积(ji)电的联盟属(shu)性不可(ke)不察。

OpenAI曾经和Meta展开GPU的军备竞赛，总裁Altman不惜(xi)屈尊去游说台积(ji)电的张忠谋，让台积(ji)电大肆斥千亿美元在(zai)美国本土扩建晶圆厂配合(he)英(ying)伟达扩建，在(zai)半(ban)导体圈曾一度被传(chuan)为笑谈。这也说明，芯片光(guang)设(she)计出来没(mei)用，需要造出来才能(neng)用——代工厂的地位不可(ke)低估，甚至他们(men)经常扮(ban)演产业链的核心角色。

英(ying)伟达的高(gao)端GPU，如(ru)Hopper架(jia)构的H100、Blackwell架(jia)构的B200长期(qi)依赖台积(ji)电的先进(jin)制程(cheng)工艺（如(ru)7nm、5nm、4nm及更先进(jin)节点），以(yi)实现(xian)更高(gao)性能(neng)、更低功耗。台积(ji)电为英(ying)伟达提供工艺定制服务，例如(ru)在(zai)4N工艺中优化了高(gao)频(pin)性能(neng)和功耗。

台积(ji)电投(tou)桃报李，将(jiang)英(ying)伟达列为关键客户，在(zai)先进(jin)制程(cheng)（如(ru)4nm）和封装产能(neng)上优先分配，应对AI芯片的爆发式需求。受地缘政治(zhi)影(ying)响，双方合(he)作扩展至台积(ji)电美国亚利桑那工厂（Fab 21），计划未来部分生产转移至美国本土。

英(ying)伟达不但在(zai)新(xin)架(jia)构设(she)计阶段即与台积(ji)电合(he)作，验证工艺可(ke)行性，而且(qie)双方合(he)作定义Chiplet互联标准（如(ru)NVLink-C2C），推动异构计算生态。英(ying)伟达与台积(ji)电的合(he)作通过制程(cheng)迭代、封装创(chuang)新(xin)和供应链协同，共同定义了AI芯片的性能(neng)天花板。这种合(he)作不仅推动技术进(jin)步，更重塑了全球半(ban)导体产业链的竞争格局。

这恰恰就(jiu)是英(ying)伟达一个隐秘的“护城河”，那就(jiu)是 他们(men)和台积(ji)电保持(chi)着紧密的合(he)作关系，而竞争对手则未必。

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

GPU（尤其是AI/高(gao)性能(neng)计算GPU）市场需求量大且(qie)稳定，客户如(ru)英(ying)伟达、AMD等头(tou)部厂商的订单规模(mo)庞(pang)大，代工厂可(ke)通过规模(mo)效(xiao)应显著降低成本。而ASIC通常为特定客户定制，需求碎片化且(qie)单次订单量小，难以(yi)形成规模(mo)经济。

GPU迭代周期(qi)较长，代工厂可(ke)长期(qi)维持(chi)同一制程(cheng)的生产优化；而ASIC可(ke)能(neng)因客户业务调整快速过时(shi)，导致产能(neng)浪(lang)费。ASIC需要代工厂投(tou)入大量资源进(jin)行定制化设(she)计、掩膜(mo)版制作和测试，但客户可(ke)能(neng)因项目失败或需求变化取消订单，导致NRE（非重复(fu)性工程(cheng)）成本难以(yi)回(hui)收。相比之下，GPU的NRE费用由大客户承担，且(qie)订单确定性更高(gao)。

因此(ci)，代工厂通用GPU的长期(qi)稳定订单可(ke)为代工厂提供更高(gao)的毛利率（尤其是先进(jin)制程(cheng)节点），而ASIC项目通常需价格谈判，利润率较低。

黄仁勋深知(zhi)， 牢(lao)牢(lao)抓住台积(ji)电，就(jiu)抓住了最深的那条“护城河”。

DeepSeek崛(jue)起，英(ying)伟达帝国的裂缝越来越大

DeepSeek-V3火(huo)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(han)国未来资产证券的分析(xi)称，V3的硬件效(xiao)率之所以(yi)能(neng)比Meta等高(gao)出10倍，可(ke)以(yi)总结为“他们(men)从(cong)头(tou)开始重建了一切”——用英(ying)伟达的PTX（Parallel Thread Execution）语言(yan)实现(xian)的，而不是CUDA。PTX在(zai)接近汇编语言(yan)的层级运行，允许进(jin)行细粒度的优化，如(ru)寄存器分配和Thread/Warp级别(bie)的调整。

短期(qi)内，CUDA的统治(zhi)地位虽然难以(yi)被撼动，但DeepSeek的PTX可(ke)能(neng)在(zai)特定市场（如(ru)政策驱动的国产化替代、轻量级AI推理）或技术路径(jing)（如(ru)开源生态、跨硬件支持(chi)）中开辟(pi)细分赛道。

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

英(ying)伟达制造端的“护城河”始于历史演进(jin)，也必将(jiang)符合(he)历史进(jin)程(cheng)的辩证法。

英(ying)伟达和台积(ji)电这两家过去20多年是两株根(gen)系交缠(chan)的常青藤，但这不意味着那些被信任浇灌的藤蔓不会褪色，在(zai)AI模(mo)型从(cong)训练到推理应用大规模(mo)迁移的微(wei)妙时(shi)刻，裂痕(hen)像午夜窗棂的冰花，在(zai)月光(guang)下折射出锋利的棱角，契约书上的墨迹突然开始游动，每个标点都在(zai)宣纸背面长出锯(ju)齿。

裂纹在(zai)出现(xian)。

最致命的那道裂纹往往开始于心脏背面，在(zai)硬科技行业中我们(men)已经见证了太多，诸如(ru)格芯和IBM，英(ying)特尔和诺基亚......当猜忌的孢子乘着沉默(mo)的风(feng)，在(zai)曾经透(tou)明的默(mo)契里悄然着陆——直到某天整座瓷器轰然崩解(jie)，我们(men)才看清每块碎片里都冻着未曾启齿的疑(yi)云。

来源|心智(zhi)观察所

观察者网两部作品进(jin)入中国正能(neng)量网络精(jing)品评选

欢迎大家积(ji)极投(tou)票！