须知，英伟达在(zai)高性能GPU（HPC和AI加速(su)器领域）就在(zai)全球吃掉了接近450亿美元的盘子(zi)，而ASIC市(shi)场2023年满打满算也只有200亿美元，前者的高垄断性看起来(lai)暂时不用担心以博通，Marvell为代表定制化芯片对其市(shi)场份额的侵蚀。

但你要说黄仁(ren)勋不着急(ji)那(na)肯定是假(jia)的。AI大潮的推动下，比如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年就有风传英伟达也想进入ASIC这个领域，为美国诸多CSP（云(yun)服务(wu)商）提(ti)供定制化服务(wu)。

OpenAI也在(zai)“背刺”英伟达？

据路透社近日报道，OpenAI正在(zai)通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(hai)声(sheng)称(cheng)称(cheng)OpenAI将在(zai)近几个月内(nei)确定其芯片的最终设计，并将方案交由台积(ji)电进行流片测试。

多年以来(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，无异于是对英伟达的一种背刺。

OpenAI 的训练和推理(li)任务(wu)高度依赖英伟达的高性能 GPU（如 A100、H100）。OpenAI在(zai)2020年的论(lun)文中曾提(ti)到，GPT-3的训练使用了约(yue)1万块V100 GPU。不过，OpenAI并未公开披露其从英伟达采购的GPU具体数量，这类信(xin)息通常被视为商业(ye)机(ji)密或涉及(ji)合作伙伴协议，因此外界难以获得准确数据。

除了采购GPU，他们之间的合作模式还(hai)有两点需要指出(chu)：OpenAI 深度依赖英伟达的CUDA 并行计算平(ping)台和cuDNN加速(su)库，以最大化GPU在(zai)深度学习任务(wu)中的性能；英伟达OpenAI还(hai)有间接合作，通过合作伙伴（如微(wei)软Azure、亚马逊AWS）为 OpenAI 提(ti)供云(yun)GPU资源，支持其弹性计算需求。

英伟达首个DGX H200给到OpenAI

OpenAI在(zai)思考用更专用硬件(jian)ASIC的可能，步微(wei)软Maia AI芯片和谷歌TPU的后尘，主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，且有很强的定价权，损伤了OpenAI的“自尊心”和财务(wu)毛利率，而且某种程度上削弱(ruo)了其振臂一呼搞“星际之门”的话语权和领导权。

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

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

谷歌单芯片TPU v4的FP16性能约(yue)275 TFLOPS，而英伟达H100的FP16算力(li)为400 TFLOPS，看起来(lai)差距巨大，但 TPU v4可以用“打群架(jia)”的方式避免单打独斗的劣势，而且，TPU的专用推理(li)硬件(jian)在(zai)低延迟场景中表现更优。

虽然英伟达高端GPU也需要HBM，但TPU采用的HBM高带宽内(nei)存与计算单元紧密耦合，减少数据搬运开销，英伟达GPU需通过显存管理(li)优化才能避免瓶颈。

另外还(hai)有很重(zhong)要的一点， 就呼应到了本文开头的话题：成(cheng)本。

在(zai)谷歌云(yun)平(ping)台，TPU的按需计费成(cheng)本可能低于同等算力(li)的GPU实例，尤其对长期训练任务(wu)或批量推理(li)更具性价比。TPU作为托管服务(wu)，用户(hu)无需关注底层硬件(jian)运维，而自建(jian)GPU集群需投入更多运维资源。

这一切，加速(su)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(li)。

尽管如此，采用ASIC方案的局(ju)限性依然十分明显，TPU绑定了特定框架(jia)（TensorFlow/JAX），而GPU支持更广泛的开源工具和私有化部署(shu)，而且，ASIC一旦流片无法(fa)修改，而GPU可通过架(jia)构升级和软件(jian)优化适应新(xin)需求。

英伟达GPU的“专用特性”

黄仁(ren)勋在(zai)业(ye)界以危机(ji)感嗅觉著称(cheng)，他的名(ming)言“要时刻为企业(ye)一个月内(nei)破产做好准备”享誉全球，他不断督促自己洞察一切可能的挑战和危机(ji)。

ASIC的冲击，他也洞若观火。

在(zai)最近这两代（Grace Hopper和Blackwell）的AI加速(su)器中，他其实已经用了“通用+专用”的混合架(jia)构。他明白，AI训练/推理(li)、科学计算等场景对算力(li)需求爆炸(zha)式增长，通用架(jia)构难以满足能效和性能要求。专用硬件(jian)可显著降低大模型训练成(cheng)本（如Blackwell的FP4/FP6支持稀(xi)疏计算）。

国内(nei)某知名(ming)GPU图形渲染供应商市(shi)场主管告诉心智观察所，通用芯片性能提(ti)升趋(qu)缓，通过领域专用架(jia)构（DSA）实现差异化会成(cheng)为必然选(xuan)择。

Grace Hopper和Blackwell正在(zai)不断增加专用硬件(jian)单元，比如针对深度学习矩阵运算优化（FP16/FP8精(jing)度、稀(xi)疏计算）的Tensor Core专用于光线追(zhui)踪的硬件(jian)加速(su)的RT Core，针对大规模AI集群做了通信(xin)优化（如Grace Hopper的芯片间互(hu)连），Blackwell架(jia)构还(hai)直接面(mian)向大语言模型（LLM）做了硬件(jian)加速(su)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，迫使英伟达通过专用化巩固技术壁垒。

仍然需要指出(chu)的是，英伟达的高端GPU确实在(zai)向领域专用架(jia)构（DSA）演进，但其本质仍是以通用性为基础、通过专用模块提(ti)升关键场景效率的混合模式，与ASIC的完全固化设计有本质区别。

制造端，英伟达的另一个隐秘的“护(hu)城河”

业(ye)界喜欢谈英伟达的护(hu)城河，CUDA开发者平(ping)台是其中之一，老生常谈之外，还(hai)有他们和台积(ji)电的联盟属性不可不察。

OpenAI曾经和Meta展开GPU的军备竞赛，总裁Altman不惜屈尊去游说台积(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(jian)晶圆厂配合英伟达扩建(jian)，在(zai)半导体圈(quan)曾一度被传为笑谈。这也说明，芯片光设计出(chu)来(lai)没用，需要造出(chu)来(lai)才能用——代工厂的地位(wei)不可低估，甚至(zhi)他们经常扮演产业(ye)链(lian)的核心角色(se)。

英伟达的高端GPU，如Hopper架(jia)构的H100、Blackwell架(jia)构的B200长期依赖台积(ji)电的先进制程工艺（如7nm、5nm、4nm及(ji)更先进节点），以实现更高性能、更低功耗。台积(ji)电为英伟达提(ti)供工艺定制服务(wu)，例如在(zai)4N工艺中优化了高频性能和功耗。

台积(ji)电投桃报李，将英伟达列为关键客户(hu)，在(zai)先进制程（如4nm）和封装产能上优先分配，应对AI芯片的爆发式需求。受地缘政治影响，双方合作扩展至(zhi)台积(ji)电美国亚利桑那(na)工厂（Fab 21），计划未来(lai)部分生产转移(yi)至(zhi)美国本土。

英伟达不但在(zai)新(xin)架(jia)构设计阶段(duan)即(ji)与台积(ji)电合作，验证工艺可行性，而且双方合作定义(yi)Chiplet互(hu)联标准（如NVLink-C2C），推动异构计算生态(tai)。英伟达与台积(ji)电的合作通过制程迭代、封装创新(xin)和供应链(lian)协同，共同定义(yi)了AI芯片的性能天花(hua)板。这种合作不仅推动技术进步，更重(zhong)塑了全球半导体产业(ye)链(lian)的竞争格局(ju)。

这恰恰就是英伟达一个隐秘的“护(hu)城河”，那(na)就是 他们和台积(ji)电保持着紧密的合作关系，而竞争对手则未必。

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

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

GPU迭代周期较(jiao)长，代工厂可长期维持同一制程的生产优化；而ASIC可能因客户(hu)业(ye)务(wu)调整快速(su)过时，导致产能浪费。ASIC需要代工厂投入大量资源进行定制化设计、掩膜版制作和测试，但客户(hu)可能因项目失败或需求变(bian)化取消订单，导致NRE（非重(zhong)复性工程）成(cheng)本难以回收。相比之下，GPU的NRE费用由大客户(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(ti)供更高的毛利率（尤其是先进制程节点），而ASIC项目通常需价格谈判(pan)，利润率较(jiao)低。

黄仁(ren)勋深知， 牢牢抓住台积(ji)电，就抓住了最深的那(na)条“护(hu)城河”。

DeepSeek崛起，英伟达帝国的裂缝越来(lai)越大

DeepSeek-V3火爆之后，该公司公开论(lun)文中的更多细节逐渐被人挖(wa)掘出(chu)来(lai)。

韩国未来(lai)资产证券的分析称(cheng)，V3的硬件(jian)效率之所以能比Meta等高出(chu)10倍，可以总结(jie)为“他们从头开始重(zhong)建(jian)了一切”——用英伟达的PTX（Parallel Thread Execution）语言实现的，而不是CUDA。PTX在(zai)接近汇编语言的层级运行，允许进行细粒度的优化，如寄存器分配和Thread/Warp级别的调整。

短期内(nei)，CUDA的统治地位(wei)虽然难以被撼动，但DeepSeek的PTX可能在(zai)特定市(shi)场（如政策驱动的国产化替代、轻量级AI推理(li)）或技术路径(jing)（如开源生态(tai)、跨(kua)硬件(jian)支持）中开辟细分赛道。

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

英伟达制造端的“护(hu)城河”始于历史演进，也必将符(fu)合历史进程的辩证法(fa)。

英伟达和台积(ji)电这两家过去20多年是两株根(gen)系交缠的常青(qing)藤，但这不意味着那(na)些被信(xin)任浇灌的藤蔓不会褪色(se)，在(zai)AI模型从训练到推理(li)应用大规模迁移(yi)的微(wei)妙时刻，裂痕像午夜窗棂的冰花(hua)，在(zai)月光下折射出(chu)锋利的棱角，契约(yue)书上的墨迹(ji)突然开始游动，每个标点都在(zai)宣纸背面(mian)长出(chu)锯齿。

裂纹在(zai)出(chu)现。

最致命的那(na)道裂纹往往开始于心脏背面(mian)，在(zai)硬科技行业(ye)中我们已经见证了太多，诸如格芯和IBM，英特尔和诺基亚......当猜忌的孢子(zi)乘着沉默的风，在(zai)曾经透明的默契里悄然着陆——直到某天整座瓷器轰(hong)然崩解，我们才看清每块碎片里都冻(dong)着未曾启齿的疑(yi)云(yun)。

来(lai)源|心智观察所

观察者网两部作品进入中国正能量网络精(jing)品评选(xuan)

欢迎大家积(ji)极投票！