须(xu)知，英(ying)伟达在高(gao)性能GPU（HPC和AI加(jia)速器领域）就在全球吃掉了接近450亿(yi)美元的盘子，而ASIC市场2023年满打满算也只有200亿(yi)美元，前(qian)者的高(gao)垄断性看起(qi)来暂时(shi)不用担心以博通，Marvell为代(dai)表定制化芯片对其市场份额的侵蚀(shi)。

但你要说黄仁勋不着急那肯定是假的。AI大潮的推(tui)动下，比如TPU在Google Cloud上的应用，或者亚马逊AWS的Trainium/Inferentia让不少公司(si)在考虑ASIC方案。2023年就有风传英(ying)伟达也想进入(ru)ASIC这个(ge)领域，为美国诸多(duo)CSP（云服务商）提供定制化服务。

OpenAI也在“背刺”英(ying)伟达？

据路透社近日报道，OpenAI正在通过开发其首款自(zi)家人工智能芯片，以减少其对英(ying)伟达芯片的需求。路透社还声(sheng)称称OpenAI将(jiang)在近几个(ge)月内确定其芯片的最终设计，并将(jiang)方案交由台积电进行流片测试。

多(duo)年以来，OpenAI一直是英(ying)伟达的大主顾之(zhi)一。他们考虑非通用性GPU方案，无异于是对英(ying)伟达的一种背刺。

OpenAI 的训练和推(tui)理任务高(gao)度依赖英(ying)伟达的高(gao)性能 GPU（如 A100、H100）。OpenAI在2020年的论文(wen)中曾提到，GPT-3的训练使用了约(yue)1万块V100 GPU。不过，OpenAI并未公开披露(lu)其从(cong)英(ying)伟达采购的GPU具体数量，这类信息通常被视为商业(ye)机密或涉(she)及合作伙伴协议，因此(ci)外界难以获(huo)得准确数据。

除了采购GPU，他们之(zhi)间的合作模式还有两点(dian)需要指出：OpenAI 深(shen)度依赖英(ying)伟达的CUDA 并行计算平台和cuDNN加(jia)速库，以最大化GPU在深(shen)度学习任务中的性能；英(ying)伟达OpenAI还有间接合作，通过合作伙伴（如微(wei)软Azure、亚马逊AWS）为 OpenAI 提供云GPU资源，支持其弹性计算需求。

英(ying)伟达首个(ge)DGX H200给(gei)到OpenAI

OpenAI在思考用更专(zhuan)用硬件(jian)ASIC的可能，步微(wei)软Maia AI芯片和谷(gu)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(duan)GPU不仅价格昂贵，而且功耗极高(gao)，且有很(hen)强的定价权，损伤了OpenAI的“自(zi)尊心”和财务毛利(li)率，而且某种程度上削弱了其振臂一呼搞“星际之(zhi)门”的话语(yu)权和领导权。

OpenAI敢迈出这一步，也是看到了商用实地(di)落地(di)的可能性——踩着谷(gu)歌TPU的辕辐前(qian)进。

TPU是谷(gu)歌专(zhuan)门为机器学习（尤其是神经(jing)网络训练和推(tui)理）而设计的ASIC，从(cong)硬件(jian)到软件(jian)全栈优化，避(bi)免了GPU的通用计算冗余。

谷(gu)歌单芯片TPU v4的FP16性能约(yue)275 TFLOPS，而英(ying)伟达H100的FP16算力为400 TFLOPS，看起(qi)来差距巨大，但 TPU v4可以用“打群(qun)架(jia)”的方式避(bi)免单打独斗的劣势，而且，TPU的专(zhuan)用推(tui)理硬件(jian)在低延迟场景中表现更优。

虽然英(ying)伟达高(gao)端(duan)GPU也需要HBM，但TPU采用的HBM高(gao)带宽内存(cun)与计算单元紧密耦合，减少数据搬运(yun)开销，英(ying)伟达GPU需通过显存(cun)管理优化才能避(bi)免瓶颈。

另外还有很(hen)重要的一点(dian)， 就呼应到了本文(wen)开头的话题：成本。

在谷(gu)歌云平台，TPU的按(an)需计费成本可能低于同(tong)等算力的GPU实例，尤其对长(chang)期训练任务或批量推(tui)理更具性价比。TPU作为托管服务，用户无需关注底层硬件(jian)运(yun)维，而自(zi)建GPU集群(qun)需投入(ru)更多(duo)运(yun)维资源。

这一切，加(jia)速了OpenAI与英(ying)伟达软脱钩的念(nian)想，双方有了某种程度上的离心力。

尽管如此(ci)，采用ASIC方案的局限性依然十分明显，TPU绑(bang)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(bu)署，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)优化适应新需求。

英(ying)伟达GPU的“专(zhuan)用特性”

黄仁勋在业(ye)界以危机感嗅觉著称，他的名言“要时(shi)刻为企业(ye)一个(ge)月内破产做好(hao)准备”享誉(yu)全球，他不断督促自(zi)己洞察一切可能的挑战和危机。

ASIC的冲击，他也洞若观(guan)火。

在最近这两代(dai)（Grace Hopper和Blackwell）的AI加(jia)速器中，他其实已经(jing)用了“通用+专(zhuan)用”的混合架(jia)构。他明白，AI训练/推(tui)理、科学计算等场景对算力需求爆炸式增长(chang)，通用架(jia)构难以满足能效和性能要求。专(zhuan)用硬件(jian)可显著降低大模型训练成本（如Blackwell的FP4/FP6支持稀(xi)疏计算）。

国内某知名GPU图形(xing)渲染(ran)供应商市场主管告诉心智观(guan)察所，通用芯片性能提升趋缓，通过领域专(zhuan)用架(jia)构（DSA）实现差异化会成为必然选择。

Grace Hopper和Blackwell正在不断增加(jia)专(zhuan)用硬件(jian)单元，比如针对深(shen)度学习矩阵运(yun)算优化（FP16/FP8精度、稀(xi)疏计算）的Tensor Core专(zhuan)用于光线追踪的硬件(jian)加(jia)速的RT Core，针对大规(gui)模AI集群(qun)做了通信优化（如Grace Hopper的芯片间互连），Blackwell架(jia)构还直接面向大语(yu)言模型（LLM）做了硬件(jian)加(jia)速Transformer引(yin)擎(qing)。

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

仍然需要指出的是，英(ying)伟达的高(gao)端(duan)GPU确实在向领域专(zhuan)用架(jia)构（DSA）演进，但其本质(zhi)仍是以通用性为基础、通过专(zhuan)用模块提升关键(jian)场景效率的混合模式，与ASIC的完全固化设计有本质(zhi)区别(bie)。

制造端(duan)，英(ying)伟达的另一个(ge)隐秘的“护(hu)城河”

业(ye)界喜(xi)欢谈英(ying)伟达的护(hu)城河，CUDA开发者平台是其中之(zhi)一，老生常谈之(zhi)外，还有他们和台积电的联盟属性不可不察。

OpenAI曾经(jing)和Meta展开GPU的军(jun)备竞赛(sai)，总裁Altman不惜屈尊去游说台积电的张忠谋，让台积电大肆斥千亿(yi)美元在美国本土扩建晶圆厂配合英(ying)伟达扩建，在半导体圈曾一度被传为笑谈。这也说明，芯片光设计出来没用，需要造出来才能用——代(dai)工厂的地(di)位不可低估，甚至他们经(jing)常扮(ban)演产业(ye)链的核心角色。

英(ying)伟达的高(gao)端(duan)GPU，如Hopper架(jia)构的H100、Blackwell架(jia)构的B200长(chang)期依赖台积电的先进制程工艺（如7nm、5nm、4nm及更先进节点(dian)），以实现更高(gao)性能、更低功耗。台积电为英(ying)伟达提供工艺定制服务，例如在4N工艺中优化了高(gao)频性能和功耗。

台积电投桃报李，将(jiang)英(ying)伟达列为关键(jian)客(ke)户，在先进制程（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(di)缘政治(zhi)影响，双方合作扩展至台积电美国亚利(li)桑那工厂（Fab 21），计划未来部(bu)分生产转移至美国本土。

英(ying)伟达不但在新架(jia)构设计阶段即与台积电合作，验证工艺可行性，而且双方合作定义Chiplet互联标准（如NVLink-C2C），推(tui)动异构计算生态。英(ying)伟达与台积电的合作通过制程迭代(dai)、封装创新和供应链协同(tong)，共同(tong)定义了AI芯片的性能天花板。这种合作不仅推(tui)动技术进步，更重塑了全球半导体产业(ye)链的竞争格局。

这恰(qia)恰(qia)就是英(ying)伟达一个(ge)隐秘的“护(hu)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 台积电这样的顶级代(dai)工厂喜(xi)欢英(ying)伟达的通用GPU，而相对不那么喜(xi)欢制造ASIC？

GPU（尤其是AI/高(gao)性能计算GPU）市场需求量大且稳定，客(ke)户如英(ying)伟达、AMD等头部(bu)厂商的订(ding)单规(gui)模庞大，代(dai)工厂可通过规(gui)模效应显著降低成本。而ASIC通常为特定客(ke)户定制，需求碎(sui)片化且单次订(ding)单量小(xiao)，难以形(xing)成规(gui)模经(jing)济。

GPU迭代(dai)周期较长(chang)，代(dai)工厂可长(chang)期维持同(tong)一制程的生产优化；而ASIC可能因客(ke)户业(ye)务调整快速过时(shi)，导致产能浪费。ASIC需要代(dai)工厂投入(ru)大量资源进行定制化设计、掩膜版(ban)制作和测试，但客(ke)户可能因项目(mu)失败或需求变化取消(xiao)订(ding)单，导致NRE（非重复性工程）成本难以回收。相比之(zhi)下，GPU的NRE费用由大客(ke)户承担，且订(ding)单确定性更高(gao)。

因此(ci)，代(dai)工厂通用GPU的长(chang)期稳定订(ding)单可为代(dai)工厂提供更高(gao)的毛利(li)率（尤其是先进制程节点(dian)），而ASIC项目(mu)通常需价格谈判，利(li)润率较低。

黄仁勋深(shen)知， 牢(lao)牢(lao)抓住台积电，就抓住了最深(shen)的那条“护(hu)城河”。

DeepSeek崛起(qi)，英(ying)伟达帝国的裂缝越来越大

DeepSeek-V3火爆之(zhi)后，该公司(si)公开论文(wen)中的更多(duo)细节逐渐被人挖掘出来。

韩国未来资产证券的分析称，V3的硬件(jian)效率之(zhi)所以能比Meta等高(gao)出10倍，可以总结为“他们从(cong)头开始重建了一切”——用英(ying)伟达的PTX（Parallel Thread Execution）语(yu)言实现的，而不是CUDA。PTX在接近汇编语(yu)言的层级运(yun)行，允许(xu)进行细粒度的优化，如寄存(cun)器分配和Thread/Warp级别(bie)的调整。

短期内，CUDA的统治(zhi)地(di)位虽然难以被撼动，但DeepSeek的PTX可能在特定市场（如政策驱动的国产化替代(dai)、轻量级AI推(tui)理）或技术路径(jing)（如开源生态、跨硬件(jian)支持）中开辟细分赛(sai)道。

长(chang)远来看，其影响力取决于能否构建差异化价值，并突破英(ying)伟达的软硬件(jian)协同(tong)壁垒。

英(ying)伟达制造端(duan)的“护(hu)城河”始于历史演进，也必将(jiang)符合历史进程的辩证法(fa)。

英(ying)伟达和台积电这两家过去20多(duo)年是两株根系交缠的常青(qing)藤，但这不意味(wei)着那些(xie)被信任浇灌(guan)的藤蔓不会褪色，在AI模型从(cong)训练到推(tui)理应用大规(gui)模迁移的微(wei)妙时(shi)刻，裂痕像午夜窗棂(ling)的冰花，在月光下折射出锋利(li)的棱角，契(qi)约(yue)书上的墨迹突然开始游动，每个(ge)标点(dian)都在宣(xuan)纸背面长(chang)出锯(ju)齿。

裂纹在出现。

最致命的那道裂纹往往开始于心脏背面，在硬科技行业(ye)中我们已经(jing)见证了太(tai)多(duo)，诸如格芯和IBM，英(ying)特尔和诺基亚......当(dang)猜忌的孢子乘着沉默的风，在曾经(jing)透明的默契(qi)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(sui)片里都冻着未曾启齿的疑(yi)云。

来源|心智观(guan)察所

观(guan)察者网两部(bu)作品(pin)进入(ru)中国正能量网络精品(pin)评(ping)选

欢迎大家积极投票！