博士算力猎场· 2026年6月29日 06:00 · 行业洞察
Dr. Wu | UCLA Ph.D | 近30年ICT/AI/分布式计算领域资深专家
NVIDIA是全球算力市场的绝对霸主。但它最大的客户，正在想方设法不再依赖它。
AWS、Google、微软——这三家买走了全球最多NVIDIA GPU的云厂商，同时也是自研AI芯片投入最大的公司。它们想做什么？能成吗？对算力市场格局有什么影响？
为什么云厂商要自研芯片？
动机 | 说明 |
成本压力 | NVIDIA的毛利率高达~75%，云厂商买GPU的成本是最大的支出项之一 |
供应链控制 | GPU供货随时可能被卡脖子（产能、政策、黄仁勋一句话） |
差异化竞争 | 自研芯片=独特的技术护城河，让竞争对手无法复制 |
定制化需求 | 自研芯片可以针对自己的工作负载做深度优化，效率更高 |
战略独立性 | 不想让一家公司垄断自己最核心的基础设施 |
三大云厂商的自研芯片路线图
AWS：Trainium系列——训练专用
产品 | 定位 | 状态 | 关键数据 |
Trainium | 训练用AI加速器（第一代） | 已上线 | UltraCluster可组16,000颗 |
Trainium 2 | 训练用（第二代） | 已上线（EC2 Trn2实例） | 每颗~11.5 PFLOPS（FP16），NeuronLink互联 |
Trainium X | 下一代 | 路线图中 | 对标NVIDIA旗舰 |
Inferentia | 推理专用 | 已成熟 | 业界最成熟的云推理芯片之一 |
AWS的策略：用自研芯片承接自家云业务，降低NVIDIA依赖，同时给客户提供"更便宜的AI算力"作为差异化卖点。
挑战：软件生态（Neuron SDK）与CUDA差距大，主流AI框架的支持完整度仍在追赶中。很多模型需要针对性适配才能跑。
Google：TPU系列——最成熟的非GPU路线
产品 | 定位 | 状态 | 关键数据 |
TPU v4 | 大规模训练 | 已上线 | Google内部大规模部署 |
TPU v5p | 旗舰训练版 | 已上线 | 可组8,960颗超级Pod |
TPU v5e | 性价比推理版 | 已上线 | 推理成本比GPU低30-50% |
TPU v6（Trillium） | 下一代 | 已发布 | 性能比v5p提升4.7倍 |
Google的策略：最早押注TPU（2016年就开始），现在TPU已经是Google内部AI基础设施的核心——Gemini的训练就主要跑在TPU上。
挑战：JAX是TPU的原生框架，但全球大多数AI开发者用的是PyTorch/CUDA。Google的TPU生态对外部用户的吸引力，远不及对Google自己的价值。
微软：Maia 100——最晚入场，目标明确
产品 | 定位 | 状态 |
Azure Maia 100 | Azure AI基础设施专用 | 已部分部署 |
Azure Cobalt 100 | Arm架构CPU（配合Maia） | 已上线 |
微软的策略：跟AWS和Google相比入场晚，但目标非常明确——把OpenAI的工作负载从NVIDIA迁移到Maia，彻底消化自家最大的算力成本。
挑战：Maia 100还处于早期阶段，实际性能数据和生产部署规模尚未充分验证。
自研芯片面临的共同障碍
障碍 | 说明 | 难度 |
CUDA壁垒 | 全球AI代码库深度绑定CUDA，迁移成本极高 | ★★★★★ |
软件生态 | 自研芯片的算子库、框架支持永远在追赶 | ★★★★☆ |
产品迭代节奏 | NVIDIA每年一代新品，自研团队很难跟上 | ★★★★☆ |
规模经济 | NVIDIA的出货规模让成本持续下降，自研芯片量不够则成本高 | ★★★☆☆ |
人才争夺 | 顶级芯片设计人才稀缺，NVIDIA出价最高 | ★★★☆☆ |
自研芯片对NVIDIA市场的真实冲击
这是最重要的问题。答案是：短期冲击有限，中长期值得关注。
维度 | 短期（1-2年） | 中期（3-5年） |
NVIDIA市场份额 | 基本不变（90%+） | 可能降至75-85% |
云厂商自研占比 | 内部使用15-20% | 内部使用35-50% |
外部客户影响 | 几乎感受不到 | 开始有差异化选择 |
NVIDIA营收影响 | 基本无影响（云厂商仍买大量GPU） | 增速或边际放缓 |
关键点：云厂商自研芯片主要是"内部消化"，不对外大规模销售。它降低的是云厂商自己买NVIDIA GPU的数量，而不是在市场上与NVIDIA竞争。
对算力产业链的影响
影响方向 | 具体内容 |
NVIDIA的真正威胁 | 不是自研芯片，而是AMD MI450这类外部商用竞品 |
国内云厂商的启示 | 阿里（含光800）、百度（昆仑芯）也在走自研路线，参考价值高 |
对客户的实际意义 | 未来几年，AWS/Google/Azure上的AI算力会有更多非NVIDIA选项 |
定价压力 | 云厂商自研规模扩大后，会在推理场景形成价格竞争，有利于降低AI服务成本 |
Dr.Wu的最终判断：云厂商自研芯片这件事，更多是"降低依赖"而非"消灭NVIDIA"。在我有生之年，CUDA的生态壁垒都很难被彻底打穿。但5年后，云厂商内部自研芯片的工作负载占比有望从今天的20%提升到40-50%——这意味着NVIDIA的增速会放缓，但不意味着颠覆。
对国内的启示更大：国内大厂（华为、阿里、百度）的自研芯片路线，参照的正是这个逻辑——先自用，再生态，再开放商用。昇腾950PR已售75万+片，走到了第三步。
关注算力产业格局深度分析？加入算力猎场，和洞察全局的人一起看。
加入方式 | 信息 |
加 Dr. Wu 微信 | michaelwqs |
加 Alan Ng 微信 | alanngw |
扫码入群 | 扫描下方二维码，加入算力猎场微信群 |
[算力猎场群二维码]
群里有算力产业链的决策者、投资人和技术专家，每日独家分析和行业前瞻。
博士算力猎场 | 行业洞察 Dr. Wu | UCLA Ph.D | 近30年ICT/AI/分布式计算领域资深专家
