须知，英伟(wei)达在高性能GPU（HPC和AI加速器领域）就在全球(qiu)吃(chi)掉了接近450亿美(mei)元的盘子，而ASIC市场2023年满打满算也只有200亿美(mei)元，前者的高垄断(duan)性看起来暂时不(bu)用担心以(yi)博通，Marvell为代表定制化芯片(pian)对(dui)其市场份额的侵蚀。

但你要说黄仁(ren)勋(xun)不(bu)着急那肯定是假的。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。2023年就有风传英伟(wei)达也想进(jin)入ASIC这个领域，为美(mei)国诸多CSP（云服务商(shang)）提供定制化服务。

OpenAI也在“背(bei)刺”英伟(wei)达？

据路透社近日报(bao)道，OpenAI正在通过(guo)开发其首(shou)款(kuan)自家人(ren)工智(zhi)能芯片(pian)，以(yi)减少(shao)其对(dui)英伟(wei)达芯片(pian)的需求。路透社还声称称OpenAI将在近几(ji)个月内确定其芯片(pian)的最终设计，并(bing)将方案交由台积电进(jin)行流片(pian)测(ce)试。

多年以(yi)来，OpenAI一直是英伟(wei)达的大主顾(gu)之一。他们(men)考虑非通用性GPU方案，无异于是对(dui)英伟(wei)达的一种背(bei)刺。

OpenAI 的训练和推理(li)任务高度(du)依赖英伟(wei)达的高性能 GPU（如 A100、H100）。OpenAI在2020年的论(lun)文中(zhong)曾提到，GPT-3的训练使用了约1万块V100 GPU。不(bu)过(guo)，OpenAI并(bing)未公开披露其从英伟(wei)达采购的GPU具体数量(liang)，这类信息通常被视(shi)为商(shang)业机密或涉及合(he)作伙伴协议(yi)，因此外界难以(yi)获得准确数据。

除了采购GPU，他们(men)之间(jian)的合(he)作模式还有两点需要指出：OpenAI 深度(du)依赖英伟(wei)达的CUDA 并(bing)行计算平台和cuDNN加速库，以(yi)最大化GPU在深度(du)学习(xi)任务中(zhong)的性能；英伟(wei)达OpenAI还有间(jian)接合(he)作，通过(guo)合(he)作伙伴（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(wei)达首(shou)个DGX H200给到OpenAI

OpenAI在思考用更专用硬件ASIC的可能，步(bu)微软Maia AI芯片(pian)和谷(gu)歌(ge)TPU的后尘，主要也是苦英伟(wei)达久(jiu)矣。

英伟(wei)达通用高端GPU不(bu)仅价格昂贵，而且功耗极高，且有很强(qiang)的定价权，损(sun)伤了OpenAI的“自尊心”和财务毛利率，而且某种程度(du)上削弱了其振臂一呼搞“星际之门”的话语权和领导权。

OpenAI敢迈出这一步(bu)，也是看到了商(shang)用实地落地的可能性——踩着谷(gu)歌(ge)TPU的辕辐(fu)前进(jin)。

TPU是谷(gu)歌(ge)专门为机器学习(xi)（尤其是神经网络训练和推理(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(yu)。

谷(gu)歌(ge)单芯片(pian)TPU v4的FP16性能约275 TFLOPS，而英伟(wei)达H100的FP16算力为400 TFLOPS，看起来差距巨大，但 TPU v4可以(yi)用“打群架”的方式避免单打独(du)斗(dou)的劣势，而且，TPU的专用推理(li)硬件在低延迟场景中(zhong)表现更优。

虽然英伟(wei)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(he)，减少(shao)数据搬(ban)运开销(xiao)，英伟(wei)达GPU需通过(guo)显存管理(li)优化才能避免瓶颈(jing)。

另外还有很重要的一点， 就呼应到了本文开头(tou)的话题：成本。

在谷(gu)歌(ge)云平台，TPU的按需计费成本可能低于同等算力的GPU实例，尤其对(dui)长期(qi)训练任务或批量(liang)推理(li)更具性价比。TPU作为托管服务，用户无需关注底层(ceng)硬件运维(wei)，而自建GPU集群需投入更多运维(wei)资源。

这一切，加速了OpenAI与英伟(wei)达软脱钩的念想，双(shuang)方有了某种程度(du)上的离心力。

尽管如此，采用ASIC方案的局限性依然十分明显，TPU绑定了特定框架（TensorFlow/JAX），而GPU支持更广(guang)泛的开源工具和私有化部署(shu)，而且，ASIC一旦(dan)流片(pian)无法(fa)修(xiu)改，而GPU可通过(guo)架构升级(ji)和软件优化适应新需求。

英伟(wei)达GPU的“专用特性”

黄仁(ren)勋(xun)在业界以(yi)危机感嗅觉著称，他的名言“要时刻为企业一个月内破产做(zuo)好(hao)准备”享(xiang)誉全球(qiu)，他不(bu)断(duan)督促自己洞察一切可能的挑战(zhan)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(zhong)，他其实已经用了“通用+专用”的混(hun)合(he)架构。他明白，AI训练/推理(li)、科学计算等场景对(dui)算力需求爆炸式增长，通用架构难以(yi)满足能效和性能要求。专用硬件可显著降低大模型(xing)训练成本（如Blackwell的FP4/FP6支持稀疏计算）。

国内某知名GPU图(tu)形渲染供应商(shang)市场主管告诉心智(zhi)观察所，通用芯片(pian)性能提升趋缓，通过(guo)领域专用架构（DSA）实现差异化会成为必然选择。

Grace Hopper和Blackwell正在不(bu)断(duan)增加专用硬件单元，比如针对(dui)深度(du)学习(xi)矩阵运算优化（FP16/FP8精度(du)、稀疏计算）的Tensor Core专用于光线追踪的硬件加速的RT Core，针对(dui)大规模AI集群做(zuo)了通信优化（如Grace Hopper的芯片(pian)间(jian)互(hu)连），Blackwell架构还直接面向大语言模型(xing)（LLM）做(zuo)了硬件加速Transformer引擎。

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

仍然需要指出的是，英伟(wei)达的高端GPU确实在向领域专用架构（DSA）演进(jin)，但其本质仍是以(yi)通用性为基础、通过(guo)专用模块提升关键(jian)场景效率的混(hun)合(he)模式，与ASIC的完(wan)全固化设计有本质区别。

制造端，英伟(wei)达的另一个隐秘的“护城河”

业界喜欢谈英伟(wei)达的护城河，CUDA开发者平台是其中(zhong)之一，老生(sheng)常谈之外，还有他们(men)和台积电的联盟属性不(bu)可不(bu)察。

OpenAI曾经和Meta展开GPU的军(jun)备竞赛，总裁Altman不(bu)惜屈尊去游说台积电的张忠谋，让台积电大肆斥千亿美(mei)元在美(mei)国本土扩建晶圆厂配(pei)合(he)英伟(wei)达扩建，在半导体圈曾一度(du)被传为笑谈。这也说明，芯片(pian)光设计出来没用，需要造出来才能用——代工厂的地位不(bu)可低估，甚至他们(men)经常扮演产业链的核心角色。

英伟(wei)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(jin)制程工艺（如7nm、5nm、4nm及更先进(jin)节点），以(yi)实现更高性能、更低功耗。台积电为英伟(wei)达提供工艺定制服务，例如在4N工艺中(zhong)优化了高频性能和功耗。

台积电投桃报(bao)李，将英伟(wei)达列为关键(jian)客户，在先进(jin)制程（如4nm）和封装(zhuang)产能上优先分配(pei)，应对(dui)AI芯片(pian)的爆发式需求。受地缘政治影(ying)响，双(shuang)方合(he)作扩展至台积电美(mei)国亚利桑那工厂（Fab 21），计划(hua)未来部分生(sheng)产转移(yi)至美(mei)国本土。

英伟(wei)达不(bu)但在新架构设计阶段即与台积电合(he)作，验证工艺可行性，而且双(shuang)方合(he)作定义Chiplet互(hu)联标准（如NVLink-C2C），推动异构计算生(sheng)态。英伟(wei)达与台积电的合(he)作通过(guo)制程迭代、封装(zhuang)创新和供应链协同，共同定义了AI芯片(pian)的性能天花(hua)板。这种合(he)作不(bu)仅推动技术进(jin)步(bu)，更重塑了全球(qiu)半导体产业链的竞争格局。

这恰恰就是英伟(wei)达一个隐秘的“护城河”，那就是 他们(men)和台积电保持着紧密的合(he)作关系，而竞争对(dui)手则未必。

为什么 台积电这样的顶(ding)级(ji)代工厂喜欢英伟(wei)达的通用GPU，而相对(dui)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)大且稳定，客户如英伟(wei)达、AMD等头(tou)部厂商(shang)的订单规模庞大，代工厂可通过(guo)规模效应显著降低成本。而ASIC通常为特定客户定制，需求碎片(pian)化且单次订单量(liang)小，难以(yi)形成规模经济。

GPU迭代周期(qi)较长，代工厂可长期(qi)维(wei)持同一制程的生(sheng)产优化；而ASIC可能因客户业务调整快速过(guo)时，导致产能浪费。ASIC需要代工厂投入大量(liang)资源进(jin)行定制化设计、掩膜(mo)版制作和测(ce)试，但客户可能因项目(mu)失败或需求变化取消订单，导致NRE（非重复性工程）成本难以(yi)回收。相比之下，GPU的NRE费用由大客户承担，且订单确定性更高。

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

黄仁(ren)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(wei)达帝国的裂缝越来越大

DeepSeek-V3火爆之后，该公司(si)公开论(lun)文中(zhong)的更多细(xi)节逐渐(jian)被人(ren)挖掘(jue)出来。

韩国未来资产证券的分析称，V3的硬件效率之所以(yi)能比Meta等高出10倍，可以(yi)总结为“他们(men)从头(tou)开始重建了一切”——用英伟(wei)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(ceng)级(ji)运行，允(yun)许进(jin)行细(xi)粒度(du)的优化，如寄(ji)存器分配(pei)和Thread/Warp级(ji)别的调整。

短期(qi)内，CUDA的统治地位虽然难以(yi)被撼动，但DeepSeek的PTX可能在特定市场（如政策驱(qu)动的国产化替代、轻量(liang)级(ji)AI推理(li)）或技术路径（如开源生(sheng)态、跨硬件支持）中(zhong)开辟细(xi)分赛道。

长远来看，其影(ying)响力取决于能否构建差异化价值，并(bing)突破英伟(wei)达的软硬件协同壁垒。

英伟(wei)达制造端的“护城河”始于历史演进(jin)，也必将符合(he)历史进(jin)程的辩证法(fa)。

英伟(wei)达和台积电这两家过(guo)去20多年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(man)不(bu)会褪色，在AI模型(xing)从训练到推理(li)应用大规模迁移(yi)的微妙时刻，裂痕像午夜窗(chuang)棂的冰花(hua)，在月光下折射出锋利的棱角，契(qi)约书上的墨迹突然开始游动，每(mei)个标点都在宣纸背(bei)面长出锯齿。

裂纹在出现。

最致命的那道裂纹往(wang)往(wang)开始于心脏背(bei)面，在硬科技行业中(zhong)我们(men)已经见证了太多，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，在曾经透明的默契(qi)里悄然着陆(lu)——直到某天整座瓷器轰(hong)然崩解，我们(men)才看清每(mei)块碎片(pian)里都冻着未曾启齿的疑云。

来源|心智(zhi)观察所

观察者网两部作品进(jin)入中(zhong)国正能量(liang)网络精品评(ping)选

欢迎大家积极投票！