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

但你要(yao)说(shuo)黄仁勋不(bu)着急(ji)那肯定(ding)是假的。AI大(da)潮的推动下，比(bi)如TPU在Google Cloud上的应(ying)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(feng)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(ding)制化服务。

OpenAI也在“背刺(ci)”英伟达？

据路透社近日报(bao)道，OpenAI正在通过开发其首款(kuan)自家人工智能芯片，以减(jian)少其对(dui)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(ding)其芯片的最终设计，并将方案交由(you)台积电进行流片测试。

多年以来，OpenAI一(yi)直是英伟达的大(da)主顾之一(yi)。他(ta)们考虑非通用性GPU方案，无异于是对(dui)英伟达的一(yi)种背刺(ci)。

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(wan)块V100 GPU。不(bu)过，OpenAI并未公开披露其从英伟达采(cai)购的GPU具(ju)体数量，这类信息通常被视(shi)为商业(ye)机密或涉及合作伙伴(ban)协议，因(yin)此外(wai)界难以获得(de)准确数据。

除了采(cai)购GPU，他(ta)们之间的合作模(mo)式(shi)还有两(liang)点需要(yao)指(zhi)出：OpenAI 深度依赖英伟达的CUDA 并行计算平(ping)台和cuDNN加速库，以最大(da)化GPU在深度学习(xi)任务中的性能；英伟达OpenAI还有间接合作，通过合作伙伴(ban)（如微软Azure、亚马逊AWS）为 OpenAI 提供云GPU资源(yuan)，支持其弹性计算需求。

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(yao)也是苦英伟达久矣(yi)。

英伟达通用高端GPU不(bu)仅价格昂贵，而且功耗极高，且有很强的定(ding)价权，损伤了OpenAI的“自尊心”和财务毛利率，而且某种程度上削(xue)弱了其振臂(bi)一(yi)呼搞“星际之门”的话(hua)语权和领导权。

OpenAI敢迈出这一(yi)步，也是看到了商用实地(di)落地(di)的可能性——踩着谷歌TPU的辕辐前进。

TPU是谷歌专门为机器学习(xi)（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，避免了GPU的通用计算冗余。

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(da)，但 TPU v4可以用“打群架”的方式(shi)避免单打独(du)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(ran)英伟达高端GPU也需要(yao)HBM，但TPU采(cai)用的HBM高带(dai)宽内存与计算单元紧(jin)密耦(ou)合，减(jian)少数据搬运开销，英伟达GPU需通过显存管理优化才能避免瓶(ping)颈。

另外(wai)还有很重要(yao)的一(yi)点， 就呼应(ying)到了本文开头的话(hua)题：成本。

在谷歌云平(ping)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)长期训练任务或批(pi)量推理更具(ju)性价比(bi)。TPU作为托管服务，用户(hu)无需关(guan)注底层(ceng)硬件运维，而自建GPU集群需投入更多运维资源(yuan)。

这一(yi)切(qie)，加速了OpenAI与英伟达软脱钩的念想，双方有了某种程度上的离心力。

尽管如此，采(cai)用ASIC方案的局限性依然(ran)十分明显，TPU绑定(ding)了特定(ding)框架（TensorFlow/JAX），而GPU支持更广(guang)泛的开源(yuan)工具(ju)和私(si)有化部署(shu)，而且，ASIC一(yi)旦流片无法修改，而GPU可通过架构升级(ji)和软件优化适(shi)应(ying)新需求。

英伟达GPU的“专用特性”

黄仁勋在业(ye)界以危机感嗅觉著称，他(ta)的名言“要(yao)时(shi)刻为企业(ye)一(yi)个月内破产做好准备”享(xiang)誉(yu)全球，他(ta)不(bu)断督促自己洞(dong)察一(yi)切(qie)可能的挑战和危机。

ASIC的冲击，他(ta)也洞(dong)若观火。

在最近这两(liang)代（Grace Hopper和Blackwell）的AI加速器中，他(ta)其实已经用了“通用+专用”的混合架构。他(ta)明白，AI训练/推理、科(ke)学计算等场景对(dui)算力需求爆(bao)炸式(shi)增长，通用架构难以满足(zu)能效和性能要(yao)求。专用硬件可显著降低大(da)模(mo)型(xing)训练成本（如Blackwell的FP4/FP6支持稀疏计算）。

国内某知名GPU图形渲染供应(ying)商市场主管告诉心智观察所，通用芯片性能提升趋缓，通过领域专用架构（DSA）实现差异化会成为必然(ran)选择。

Grace Hopper和Blackwell正在不(bu)断增加专用硬件单元，比(bi)如针对(dui)深度学习(xi)矩阵(zhen)运算优化（FP16/FP8精度、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(da)规模(mo)AI集群做了通信优化（如Grace Hopper的芯片间互连），Blackwell架构还直接面向大(da)语言模(mo)型(xing)（LLM）做了硬件加速Transformer引(yin)擎。

这一(yi)切(qie)的一(yi)切(qie)都说(shuo)明英伟达看到了谷歌TPU、亚马逊Trainium等专用AI芯片的威(wei)胁，迫使英伟达通过专用化巩(gong)固技术壁垒。

仍(reng)然(ran)需要(yao)指(zhi)出的是，英伟达的高端GPU确实在向领域专用架构（DSA）演进，但其本质(zhi)仍(reng)是以通用性为基础、通过专用模(mo)块提升关(guan)键场景效率的混合模(mo)式(shi)，与ASIC的完全固化设计有本质(zhi)区别。

制造端，英伟达的另一(yi)个隐秘的“护城河”

业(ye)界喜欢谈英伟达的护城河，CUDA开发者平(ping)台是其中之一(yi)，老(lao)生(sheng)常谈之外(wai)，还有他(ta)们和台积电的联盟属性不(bu)可不(bu)察。

OpenAI曾经和Meta展开GPU的军备竞赛，总裁Altman不(bu)惜屈尊去游说(shuo)台积电的张忠谋，让台积电大(da)肆斥千亿美元在美国本土扩建晶圆厂(chang)配合英伟达扩建，在半导体圈曾一(yi)度被传为笑谈。这也说(shuo)明，芯片光设计出来没用，需要(yao)造出来才能用——代工厂(chang)的地(di)位不(bu)可低估，甚至他(ta)们经常扮演产业(ye)链的核(he)心角色。

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

台积电投桃报(bao)李，将英伟达列为关(guan)键客(ke)户(hu)，在先进制程（如4nm）和封装(zhuang)产能上优先分配，应(ying)对(dui)AI芯片的爆(bao)发式(shi)需求。受地(di)缘政(zheng)治影响(xiang)，双方合作扩展至台积电美国亚利桑那工厂(chang)（Fab 21），计划未来部分生(sheng)产转移至美国本土。

英伟达不(bu)但在新架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(ding)义(yi)Chiplet互联标(biao)准（如NVLink-C2C），推动异构计算生(sheng)态(tai)。英伟达与台积电的合作通过制程迭代、封装(zhuang)创新和供应(ying)链协同，共(gong)同定(ding)义(yi)了AI芯片的性能天花(hua)板。这种合作不(bu)仅推动技术进步，更重塑了全球半导体产业(ye)链的竞争格局。

这恰恰就是英伟达一(yi)个隐秘的“护城河”，那就是 他(ta)们和台积电保持着紧(jin)密的合作关(guan)系，而竞争对(dui)手则未必。

为什么 台积电这样的顶级(ji)代工厂(chang)喜欢英伟达的通用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）市场需求量大(da)且稳定(ding)，客(ke)户(hu)如英伟达、AMD等头部厂(chang)商的订(ding)单规模(mo)庞大(da)，代工厂(chang)可通过规模(mo)效应(ying)显著降低成本。而ASIC通常为特定(ding)客(ke)户(hu)定(ding)制，需求碎片化且单次订(ding)单量小，难以形成规模(mo)经济。

GPU迭代周期较(jiao)长，代工厂(chang)可长期维持同一(yi)制程的生(sheng)产优化；而ASIC可能因(yin)客(ke)户(hu)业(ye)务调整(zheng)快速过时(shi)，导致产能浪费。ASIC需要(yao)代工厂(chang)投入大(da)量资源(yuan)进行定(ding)制化设计、掩膜版(ban)制作和测试，但客(ke)户(hu)可能因(yin)项目失败或需求变化取消订(ding)单，导致NRE（非重复性工程）成本难以回收。相比(bi)之下，GPU的NRE费用由(you)大(da)客(ke)户(hu)承担，且订(ding)单确定(ding)性更高。

因(yin)此，代工厂(chang)通用GPU的长期稳定(ding)订(ding)单可为代工厂(chang)提供更高的毛利率（尤其是先进制程节点），而ASIC项目通常需价格谈判，利润率较(jiao)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(lie)缝越来越大(da)

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

韩国未来资产证券的分析称，V3的硬件效率之所以能比(bi)Meta等高出10倍，可以总结为“他(ta)们从头开始重建了一(yi)切(qie)”——用英伟达的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，允许进行细粒(li)度的优化，如寄存器分配和Thread/Warp级(ji)别的调整(zheng)。

短期内，CUDA的统(tong)治地(di)位虽然(ran)难以被撼动，但DeepSeek的PTX可能在特定(ding)市场（如政(zheng)策驱动的国产化替代、轻量级(ji)AI推理）或技术路径（如开源(yuan)生(sheng)态(tai)、跨硬件支持）中开辟细分赛道。

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

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

英伟达和台积电这两(liang)家过去20多年是两(liang)株根系交缠的常青藤，但这不(bu)意味着那些被信任浇(jiao)灌的藤蔓不(bu)会褪色，在AI模(mo)型(xing)从训练到推理应(ying)用大(da)规模(mo)迁移的微妙时(shi)刻，裂(lie)痕像(xiang)午夜窗棂(ling)的冰花(hua)，在月光下折射出锋(feng)利的棱角，契约书上的墨迹突然(ran)开始游动，每个标(biao)点都在宣纸(zhi)背面长出锯齿。

裂(lie)纹在出现。

最致命的那道裂(lie)纹往往开始于心脏背面，在硬科(ke)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(chen)默的风(feng)，在曾经透明的默契里悄然(ran)着陆——直到某天整(zheng)座瓷(ci)器轰然(ran)崩(beng)解，我们才看清(qing)每块碎片里都冻着未曾启齿的疑云。

来源(yuan)|心智观察所

观察者网两(liang)部作品进入中国正能量网络精品评选

欢迎大(da)家积极投票！