谷歌、亚马逊，以及如今的OpenAI，都推出了颇具竞争力的AI芯片，并正在抢占市场份额。按制造商划分，GPU目前占全球已安装AI计算容量的70%，其余30%为定制芯片，主要来自谷歌和亚马逊。

图1：当前全球已安装AI计算容量（按制造商划分）。来源：Epoch.ai

过去三年，全球已安装AI算力增长至原来的17倍。2023年，英伟达份额高达90%，谷歌仅占10%；三年过去，定制AI计算已抢下约20个百分点的份额。这一趋势会持续下去吗？（注：Epoch的数据未计入Meta、微软和Cerebras的AI算力，这几家体量相对较小。）

本文先看英伟达强大的产品阵容与近期的强劲增长预测；再审视超大规模云厂商与前沿模型开发商自研芯片的进展与优势；最后探讨在定制芯片性能逼近、竞争加剧的背景下，英伟达和AMD可以采取哪些举措守住份额。

英伟达：需求强劲，系统阵容完整

英伟达于8月26日发布财报，黄仁勋当天在接受CNBC采访时透露了以下要点：

•需求极其强劲，且仍在加速，令人难以置信；

•预计下一财年增长70%（受供应限制）；

•AI现在正在为所有人赚钱，所以每个人都想要更多算力；

•一半业务来自超大规模云厂商，另一半来自Neocloud、主权客户等所有其他客户；

•GPU具有通用性，可在整个生命周期内使用，并运行所有模型；

•云服务商反馈，五年前购买的AI算力如今更加值钱；

•AWS将采购200万块GPU和数百万颗（Vera）CPU。

至于OpenAI的Jalapeño和其他竞争芯片，黄仁勋在接受《Mad Money》采访时回应：“我没问题。市面上有那么多XPU在发布，很多项目启动了，也有很多项目被取消了。我们会全力支持我们的合作伙伴。”

英伟达每一代新GPU的能效都远超前代。而且，英伟达提供的远不止GPU：NVL72纵向扩展网络、机架、低延迟推理方案（Groq 3 LPX）、面向智能体优化的Vera CPU、BlueField DPU，以及Spectrum-6 SPX横向扩展网络——所有组件协同设计、协同工作，带来远超单靠GPU的性能提升。在Hot Chips 2026上，英伟达围绕各类新芯片发表了五篇论文，约占全部论文的五分之一。

英伟达还在会上披露了Vera CPU的细节。Vera采用大得多的单线程核心，专为AI智能体的低延迟计算而优化。据该公司估计，其智能体工作负载性能可达传统CPU的1.8倍。

Vera Rubin已全面进入量产爬坡，整机机架已在CoreWeave、谷歌云、微软Azure、甲骨文云和Nebius投入运行。结合英伟达强劲的收入增长与明年再增70%的预测，Vera Rubin的量产爬坡有望在2026—2027年提升其在全球已安装AI算力中的份额。Hot Chips上，英伟达展示了Vera Rubin相对GB300的帕累托性能（见图2）。

图2：Vera Rubin NVL72在DeepSeek-v4-PRO上的性能与GB300对比。来源：英伟达/Hot Chips 2026

电力是数据中心最稀缺的资源之一，因此运营商追求更高的TPS/MW（每瓦吞吐量）；同时，许多客户希望超大模型也能实现极快响应，即更高的TPS/user（每用户吞吐量）。Vera Rubin两者兼得。交互性越高、价值越高，因此Vera Rubin相对GB300的优势恰恰在价值最高的场景中最为显著——高达30倍。这既源于众多GPU层面的创新，也离不开Vera这类配套创新。

去年，英伟达获得Groq的LPU技术授权并吸纳其团队，使LPU可作为协处理器与Vera Rubin协同工作，为最有价值的工作负载提供更快的低延迟响应。Hot Chips上，英伟达详细介绍了LPU的架构与编程，并展示了LPU与GPU协同的多种方式。如下方基准测试所示（此处使用GPT-OSS-2T而非DeepSeek），Vera Rubin+LPU大幅降低了推理延迟，显著提升了TPS/user。

图3：LPU与Vera Rubin配合，同时提升TPS/MW和TPS/user。来源：英伟达/Hot Chips 2026

AMD MI455X与Helios

AMD围绕最新GPU和Helios机架进行了两场演示，性能规格较此前产品大幅跃升：纵向扩展域现已支持72块GPU，采用博通以太网交换机；Helios则是完整的机架级系统，与英伟达一样为客户提供一站式解决方案。短短几年间，AMD进步显著，全球已安装份额从0%升至6%。略有遗憾的是，AMD并未给出任何AI工作负载的性能数据。

自研芯片：模型开发商握有优势

Hot Chips上，Meta、微软和谷歌详细介绍了各自的下一代AI加速器；OpenAI则首次公开了其AI推理加速器Jalapeño，效果令人印象深刻。超大规模云厂商和前沿模型开发商承载着海量工作负载，自然希望把更多负载迁移到自己优化的芯片上。

模型开发商握有天然优势：他们比GPU厂商更了解自身工作负载，清楚训练与推理的比例，更清楚瓶颈所在和自己的战略方向；凭借庞大的已安装算力，也有条件对现有芯片、在研芯片特性乃至英伟达芯片进行详尽的基准测试。

在超大规模云厂商和模型开发商的总计算负载中，相当比例由自有模型消耗（含训练与推理服务）；谷歌和亚马逊还一直在向客户提供、甚至直接销售TPU/Trainium，以推动云客户的工作负载从GPU迁移过来。

随着超大规模云厂商、OpenAI和Anthropic部署的算力规模增长了一个数量级，针对特定工作负载定制芯片已经具备经济性——第一步就是区分专用训练芯片与专用推理芯片。几年前，开发两款芯片的增量成本可能超过1亿美元（其中掩膜、工具和团队费用即超3,000万美元），令人望而却步；但在今天的规模下，如果优化后的芯片能以10%~30%的硅面积缩减，换取10%~30%的吞吐量/瓦提升，这笔投入就完全划算——毕竟在当前供应受限、且很可能延续到2030年的环境中，电力和晶圆才是最稀缺的资源。

OpenAI Jalapeño：首作即似可与Vera Rubin匹敌

Jalapeño是OpenAI的首款芯片，表现令人印象深刻。Jalapeño由一个小团队在短时间内开发完成，并大量借助OpenAI自己的AI工具提效。它针对OpenAI自身工作负载做了优化，但同样能运行任意模型用于推理。团队决定同时针对预填充和解码进行优化，并将KV Cache内存保留在本地。

他们指出，HBM内存的原始容量本应支撑更高的token速率，因此架构设计着力消除瓶颈，以充分释放HBM容量；团队预计每一代都会更进一步（第二代已在研发中）。

网络方面，他们采用博通Tomahawk 6交换机构建由128颗Jalapeño组成的域，再用更多Tomahawk交换机构建由2,048颗Jalapeño组成的全局域。

Jalapeño已测试数月，OpenAI分享了多项基准测试结果。

图4：DeepSeek在Jalapeño与英伟达GB300上的性能对比。来源：OpenAI/Hot Chips 2026

由于测试时间有限，Jalapeño的基准全部采用单token预测（STP）；未来引入多token预测（MTP）后，性能有望再提升3~5倍。他们对GPT-OSS、DeepSeek R1和Kimi K2.5进行了测试，并与GB300的STP、MTP结果对比——Jalapeño在所有场景下都显著领先。

Jalapeño与Vera Rubin NVL72相比又如何？英伟达的演示显示，Vera Rubin比GB300快2~30倍（低交互性下2倍，极高交互性下30倍）。将GB300曲线按相应幅度平移，即大致接近Jalapeño的表现——据此粗略推断，Jalapeño足以与Vera Rubin一较高下。Hot Chips之后，SemiAnalysis发布分析，同样认为Jalapeño与Vera Rubin不相上下。

Anthropic：组建自研芯片团队

Anthropic近期为自研AI芯片项目聘用了OpenAI硬件团队的关键成员Clive Chan，并公开证实正在组建内部芯片团队、为Claude设计定制芯片，称这是“我们多芯片方案的最新一步”。

谷歌TPU 8t与8i

谷歌深耕AI计算已有十年：第一代TPU于2015年推出，面向推理；第二代TPU开始支持训练。此后，谷歌在训练与推理之间持续优化，通常隔年交替发力。

如今，谷歌同时推出面向训练的TPU 8t和面向推理的TPU 8i。业务规模增长了一个数量级，使并行开发两款芯片的成本变得可以承受，而充分利用稀缺电力与晶圆的回报也极具吸引力。TPU 8代性能约为前代的两倍。

图5：TPU 8i因配备更多HBM，尺寸为TPU 8t的1.4倍。来源：谷歌/Hot Chips 2026

8i与8t的尺寸之差，直观体现了专用化带来的节省：若一颗芯片要兼顾推理与训练，可能需要比TPU 8i再大10%~20%，以容纳训练所需的全部反向传播逻辑。

TPU的主要用户包括Anthropic、OpenAI、Meta和苹果。

摩根士丹利最近估计，谷歌TPU销售额今年下半年将达90亿美元，2027年达840亿美元，2028年达1,080亿美元——相当可观。作为参照：英伟达最近一个季度营收960亿美元，预计下一季度达1,080亿美元，其中约90%来自数据中心业务。

谷歌云服务于极为广泛的客户与工作负载，其中许多仍将继续使用或需要英伟达GPU，但谷歌云正积极引导他们迁移至TPU。

Hot Chips 2026上的其他定制加速器

Meta的首款AI推理加速器MTIA用于加速Facebook、WhatsApp和Instagram背后的推荐系统模型。Meta指出，GPU并不适合其工作负载——其中包含数TB的稀疏嵌入表和大量内存受限操作。第二代加速器MTIA 300专为训练推荐模型设计，目前在大批量训练中的每美元性能已略高于GPU；MTIA 400正在研发中，面向生成式AI与推荐系统。Meta的路线图显示，大约每六个月就会推出更多芯片。Meta最了解自身工作负载与瓶颈，因此能设计硬件精准发力。

与此同时，Cerebras发布了CS-4：token/用户速度为上一代CS-3的2倍，吞吐量/瓦最高可达10倍，这对追求最低延迟推理的客户极具吸引力。该公司表示，CS-5将在一年内让性能再翻倍，CS-6则会在下一年借助3D堆叠DRAM再翻一番。

图6：Cerebras CS-4在容量增至10倍的情况下，将低延迟TPS/用户提升一倍。来源：Hot Chips 2026

此外，微软、SambaNova和D-Matrix也展示了各自的最新AI计算芯片。

GPU厂商如何守住份额？

英伟达每年在技术研发和产品迭代上的投入已超过任何一家定制AI芯片开发商，强劲的收入增长还将带来更充裕的现金。

英伟达正以资本锁定供应。在最近的财报电话会议上，该公司管理层表示供应承诺已从1,190亿美元增至2,790亿美元，翻了一倍多。凭借与台积电的稳固关系以及在内存采购上的雄厚财力，英伟达很可能在未来几年内保持主导供应商地位，最大限度获取稀缺资源。

即便如此，英伟达仍受供应约束。正如其CFO在财报电话会上所言，若无供应限制，明年70%的需求增长可能会更高。供应端最大的瓶颈，可能是台积电的晶圆分配和HBM供应。

对此，英伟达可以分别推出专用训练芯片与专用推理芯片，更充分地利用稀缺资源；以其打造复杂芯片的能力，甚至可在两者之外再保留一款通用GPU。

AMD则可以考虑收购Cerebras（其市值仅为AMD的十分之一），为需要超低延迟推理的客户提供类LPU方案；或者，Etched等众多AI算力初创公司之一，也可能以更低成本提供类似能力。

谷歌表示，OCS（Optical Circuit Switching，光电路交换）是其优势的重要组成部分。英伟达和（或）AMD可以引入OCS，改进各自的横向扩展乃至纵向扩展网络。当前铜互连已逼近极限，GPU性能的进一步提升离不开光互连；超大规模云厂商态度谨慎，预计会优先采用风险较低的NPO，但NPO无法企及CPO的性能水平。英伟达和（或）AMD若能率先将CPO集成到GPU上，便可提供竞争对手难以匹敌的性能。（利益披露：笔者分别任职于某OCS公司和某光引擎公司的董事会。）

模型开发商因亲自开发模型，在构建推理方面更具优势。英伟达已投资开发Nemotron等开放权重免费模型——在Open Router最常用免费模型榜单中占据前四名中的三席；最近还与Poolside达成70亿美元的交易，获得其开放权重模型授权，并吸纳其逾百名工程师。免费模型并不直接创收，黄仁勋想必是看中了其中蕴含的洞察力与客户参与度。

结论

英伟达拥有强大的护城河，但它面对的也是资源极其雄厚的客户。随着晶圆和HBM供应在2~5年内超过需求，英伟达（以及AMD）面临的真正挑战将是：部分客户有能力开发并使用自研AI算力来运行自有工作负载。

Anthropic和OpenAI的工作负载100%属于自己；谷歌和Meta的负载可能大部分自有；亚马逊和微软的负载则主要来自其客户。英伟达和AMD必须继续全力奔跑，才能跑赢客户的自研芯片雄心。如果Jalapeño最终在生产部署中被证实与Vera Rubin相当（甚至更好），那将对GPU阵营敲响重大警钟。

参考链接：https://semiengineering.com/can-gpus-continue-to-dominate-ai-compute/

（校对/赵月）