Hyperscaler自研晶片降低Nvidia依赖？
$HYPERSCALE DATA INC(GPUS)$ $Amazon - main 2612(SAMZNmain)$ $Alphabet(GOOG)$ $MICROSOFT-T(04338)$
生成式人工智能的竞赛，表面上是模型之争，背后其实也是算力成本与供应链控制权之争。当Nvidia凭借GPU、CUDA软件生态及高速互连技术，掌握AI基建的重要话语权，Amazon、Google、Microsoft及Meta等Hyperscaler纷纷加快自研晶片步伐。市场自然追问：云端巨头是否正在削弱Nvidia的护城河，还是为自己的数据中心增加另一层昂贵而复杂的系统？
Google是最早投入专用AI加速器的云端企业之一，其TPU已发展至第七代Ironwood。Google表示，Ironwood既可支援大型模型训练及强化学习，也针对高流量推理而设，单颗晶片的训练及推理效能较上一代Trillium提升逾四倍，并可把9,216颗晶片组成Superpod。更重要的是，TPU不只服务Gemini，也获Anthropic等外部客户采用，反映自研晶片正由内部成本工具转向云端商业产品。
Amazon的方向同样清晰。Trainium系列与AWS云端、网络及机器学习服务深度整合，第三代Trainium3采用3纳米制程，每套UltraServer最多配置144颗晶片。AWS宣称，其运算效能及能源效率较Trainium2显著提高，部分客户使用Trainium可把训练或推理成本降低最多约五成；然而，AWS仍同步提供Nvidia Blackwell系统，显示自研晶片并非全面取代GPU，而是建立第二个算力来源。
真正竞争的是整套系统，而非单一晶片
Hyperscaler自研晶片首先解决的是经济问题。云端企业每年投入数以百亿美元计的资本开支，若能把推荐、广告排序、内容审核及大模型推理等高频而相对固定的工作，转移至成本较低、能耗较佳的专用晶片，即使每个运算单位只节省一小部分开支，放大至全球数据中心后也足以产生庞大效益。自研能力亦增加采购议价权，避免算力供应完全受制於单一厂商的产能、定价与产品周期。
Microsoft于2026年推出专门处理推理的Maia 200，采用3纳米制程，配备216GB HBM3e，并以标准以太网络建立大规模互连。公司称其每美元效能较现有硬件提高约三成，计划用于Microsoft 365 Copilot、Azure AI服务及OpenAI模型。这说明自研晶片的首要目标并非赢取跑分，而是降低每个生成token的成本；当AI应用由训练走向每天数十亿次推理，单位成本比峰值性能更直接影响毛利率。
但晶片多元化也会带来新的代价。不同加速器拥有不同编译器、运算核心、记忆体架构及网络拓扑，同一模型要在GPU、TPU、Trainium或Maia之间迁移，往往需要重写核心程式、重新调校精度及验证模型输出。硬件型号愈多，工作负载调度、备件管理、散热设计与工程人才培训便愈复杂，甚至可能出现某类晶片供不应求，另一类晶片却因软件未成熟而闲置的情况。Meta也公开承认，每年管理五至六种硬件规格会增加调度难度，并可能造成设备使用率不足。
因此，Nvidia真正的护城河不只是晶片性能，而是CUDA、开发工具、互连网络和大量工程人才共同形成的完整生态。GPU具备较强通用性，特别适合架构仍在快速变化的前沿模型训练；自研ASIC则更适合规模庞大、重复度高及需求可以预测的工作。若模型演进方向突然改变，过度专用的晶片可能在折旧期尚未结束前便失去效率优势。
从投资角度看，Hyperscaler自研晶片不宜被理解为「Nvidia终结者」，而应视为算力市场由单一GPU主导，转向异质运算的开始。未来较可能出现的格局，是Nvidia继续掌握高端训练及通用运算，自研晶片承接内部推理、推荐和特定模型，AMD及其他供应商则补充第二来源。云端巨头确实能降低对Nvidia的边际依赖，但同时必须承担更高的研发、软件适配和数据中心管理成本。最后胜出的未必是拥有最快晶片的企业，而是能够把晶片、模型、网络、能源与软件调度整合得最有效率的平台。
义合控股投资者关系部
(芯片与算力系列之95)
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
