英伟达份额腰斩至39%!AI实验室为何集体自研芯片?
摩根大通资管策略报告抛出一个刺眼的数字:在OpenAI和Anthropic这两个全球最顶尖AI实验室未来的算力采购计划中,英伟达GPU的市场份额仅为39%,较2023至2025年间高达83%的历史峰值出现断崖式下滑。
这份发表于11月15日的研报并非危言耸听。博通定制的ASIC芯片将占据24%份额,谷歌TPU占16%,AMD GPU占15%,亚马逊Trainium占6%——英伟达不再是唯一选择,甚至在某些场景下已被边缘化。
对于一个市值超过两万亿美元的公司而言,这不是一个小波动。
“不把所有鸡蛋放在一个篮子里”
理解这个变化的起点,不是谁取代了谁,而是“为什么要分散”。
过去三年,OpenAI和Anthropic训练大模型的成本呈指数级飙升。以GPT-4级别的训练任务为例,单轮算力开支动辄上亿美元,且随着模型参数量向万亿级迈进,这笔开销只会越来越昂贵。在这种背景下,客户开始认真考虑一个问题:我们是否应该把全部身家性命绑定在一颗芯片和一个软件生态上?
摩根大通报告指出,OpenAI已于2025年10月宣布与博通合作开发一款10GW规模的定制AI加速器——这可不是意向书,而是一个已经敲定的商业计划。与此同时,OpenAI还从AMD采购了6GW算力的GPU设备。
Anthropic虽然尚未披露定制芯片的具体合作对象,但其对算力成本的敏感度与OpenAI高度一致,因此预计也会采取类似的多元采购策略。
这背后有一个朴素的商业逻辑:当你的年度资本支出达到数十亿甚至上百亿美元时,任何单一供应商的涨价、限供或技术瓶颈都会成为你发展道路上的致命约束。与其被动接受定价权,不如自己掌握一部分供应链话语权。
回顾半导体产业历史,这种“大客户自研芯片”的模式其实并不新鲜。亚马逊早在2018年就推出了自研的Inferentia推理芯片,随后又迭代出Graviton服务器处理器;谷歌则从2016年起就在数据中心部署TPU,如今已成为其云业务的标配。微软虽未大规模公开定制芯片项目,但也在探索定制化方案以满足Azure AI负载的特殊需求。
真正的转折点在于:这些曾经只有科技巨头才能参与的“特权游戏”,现在正被推向市场化的轨道。博通之所以能够承接OpenAI的定制芯片订单,核心优势不在于它自己能造多少芯片,而在于它是OCP(开放计算组织)的核心成员之一,能够将芯片设计外包给台积电等代工厂,自身专注架构设计和系统集成。这种轻资产模式使得即使是非科技巨头的厂商也能获得定制芯片的性价比红利。
定制芯片到底强在哪里?
很多人第一反应是:ASIC怎么可能比得上GPU的综合性能?
答案在于应用场景的精确匹配。
GPU的优势在于灵活性——它可以跑任何算法,这也是CUDA生态能够建立多年护城河的原因。但这种灵活性是有代价的:为了通用性而预留的计算单元,在面对特定类型的矩阵运算时其实是浪费了硅片面积的。
以Transformer架构的大语言模型为例,其推理阶段的主要计算操作是矩阵乘法中的GEMM运算和注意力机制。这两种操作的数学特征非常固定,不存在太多需要灵活适配的空间。这意味着,如果你专门为GEMM和Attention设计一组专用计算核心,你可以用少得多的晶体管实现与高端GPU相当的吞吐量。
ASIC则完全相反。它是为特定工作负载量身定制的芯片,每一块晶体管的排列都是为推理或训练任务优化的。在固定算力的前提下,ASIC在单位吞吐量和能效比上通常优于通用GPU。而且由于不需要保留复杂的调度器、内存控制器等通用模块,其单位成本也更低。
这意味着什么呢?想象一下:如果你每年要花50亿美元采购AI算力,其中有一半是用于稳定的推理任务(而非需要灵活性的模型训练),那么在这50亿美元中替换掉10亿到20亿用于购买ASIC而不是GPU,省下来的钱可以直接补贴剩余部分的采购议价。
这就是“三分之二的GPU加上三分之一ASIC”组合之所以能在总成本上击败“纯GPU方案”的根本原因。
当然,这种混合方案也不是没有代价。最大的痛点是异构计算的复杂性——你需要在不同的芯片类型之间调度任务、管理数据流转、处理通信延迟。如果这套软件栈不够成熟,实际运行效率可能会大打折扣。目前来看,行业领先者正在通过自定义互联总线、专用网卡和优化编译器来缓解这一问题。
英伟达的护城河还没垮
别急着给英伟达写悼词。
尽管份额被稀释到39%,但这并不意味着英伟达即将崩盘。首先需要澄清一个关键问题:报告中“未来将采购”的时间窗口并未明确定义——是指未来三年的采购计划,还是更长远的五年规划?不同的时间假设会对短期业绩影响产生截然不同的结论。
其次,CUDA生态仍然构成了深不可测的技术壁垒。即使OpenAI采购了博通芯片,它也需要一套高效的软件栈来实现芯片间通信和任务调度。目前行业内还没有任何一个成熟的替代方案能够在性能和易用性上与CUDA相抗衡。许多研究人员已经习惯了CuDNN、NCCL等工具链,迁移成本不容忽视。
英伟达也在积极应对。新任CEO Colette Kress正式接手帅印后,公司正在加速推出针对AI推理场景优化的新一代架构,试图在保持灵活性的同时缩小与ASIC之间的能效差距。此外,英伟达还在推进Blackwell平台的大规模量产,其FP4精度引擎专门针对大模型的推理优化进行了重构。
更重要的是,即使是采用混合采购策略的客户,也并非完全抛弃英伟达——39%的份额仍然是最大单一供应商。这些实验室真正想要的不是替代英伟达,而是避免被单一供应商“绑架”。一个健康的供应链关系应该是:你可以买英伟达的产品,但不必只买英伟达的产品。
从另一个角度看,英伟达本身也在向这个方向妥协。公司在财报电话会议上多次提及“多样化硬件生态”的重要性,暗示未来可能支持更多第三方芯片接入其NVLink互联网络。如果这条路走通了,英伟达反而能从“卖铲人”升级为“卖矿场操作系统的人”——这是一个更具统治力的商业模式。
投资者该看什么?
如果你想跟踪这场变革的进程,以下四个指标值得关注:
英伟达数据中心收入季度增速。这是最直接的前置信号。如果连续两个季度低于市场预期,说明客户确实在削减采购规模或改变采购结构。值得注意的是,分析师往往基于单一供应商假设进行预测,一旦发现实际增长放缓就需要重新校准模型。
博通定制化芯片业务营收占比。目前市场对其数据中心ASIC收入的关注度偏低,但一旦这部分突破某个临界值,将被视为行业趋势得到验证的关键证据。建议重点关注其季报中“数据中心及其他”分项的详细拆解。
OpenAI的推理成本曲线。如果每百万Tokens的推理成本持续快速下降,大概率意味着ASIC等低成本方案正在大规模部署;反之若下降停滞,则暗示定制芯片的贡献有限或集成难度超出预期。这个指标的观测价值在于它能独立于供应商数据反映真实进展。
CUDA生态的开发者留存率。只要全球活跃GPU编程开发者数量保持稳定甚至增长,说明软件护城河的根基未动。这是评估长期竞争格局最重要的间接指标。可以通过GitHub上的CUDA相关仓库活跃度、NVIDIA GTC大会注册人数、以及各大高校AI课程的教学工具选择等多个维度交叉验证。
最后还有一个容易被忽视的观察点:HBM(高带宽内存)的供应状况。无论客户端用什么计算芯片,这些芯片都要搭配HBM使用。SK海力士、三星和美光三家存储厂已经在疯狂扩产HBM4,预计到2027年全球市场规模将突破2000亿美元。如果HBM产能能够跟上,那么即便是ASIC方案也无法规避这一环节的高昂成本;但如果HBM成为新瓶颈,反而可能在短期内维持英伟达的整体竞争优势。