美投

AI全新时代来临！自研芯片将乘上行业快车？是否会威胁英伟达霸权？
2025.08.25
播放量 10.4k
现在能够排的上号的大科技基本都在做自研芯片，包括谷歌，Meta，亚马逊，特斯拉等等。这些大公司的自研芯片直接对标英伟达的GPU。而且有意思的是，这些大科技同时也是英伟达最大的客户。可见现如今市场对于自研芯片的追捧。那么自研芯片到底能否威胁英伟达的地位？自研芯片本身又是否是个好的机会呢？
#NVDA
#自研芯片
#英伟达的威胁
开通服务即可查看评论～
文字稿
如果你投资英伟达的话，自研芯片你必须要了解，因为他可以说被认为是当今市面上对于英伟达最大的威胁了！现在能够排的上号的大科技基本都在做自研芯片，包括谷歌，Meta，亚马逊，特斯拉等等。这些大公司的自研芯片直接对标英伟达的GPU。而且有意思的是，这些大科技同时也是英伟达最大的客户。很显然，他们都在给自己留后手。而专门帮助大科技做自研芯片的公司，博通，近一年来的表现甚至还要超过英伟达。可见现如今市场对于自研芯片的追捧。那么自研芯片到底能否威胁英伟达的地位？自研芯片本身又是否是个好的机会呢？今天这期视频我们就来深扒一下这个话题。
我们不妨先快速科普一下什么是自研芯片。英伟达提供的，是像“万金油”一样的通用芯片，功能全面，可以应对各种不同的任务。而自研芯片，则是客户为了满足自身某一项特定的业务需求，从零开始量身打造的专用芯片。它的设计目标从一开始就极为明确，会剔除所有不相关的功能，将每一分资源都用在刀刃上，为的就是让任务完成更为高效。目前，谷歌，亚马逊，Meta，字节跳动，OpenAI等公司，都在说要做自研芯片。当然了，他们不会自己去搞研发，而是和博通或者Marvell这样的公司合作，共同设计。
而之所以不少人认为，英伟达的未来会被自研芯片威胁，是因为自研芯片确实展示出了几项核心优势，是英伟达所不具备的。
首先，也是最直观的优势，就是成本低。以谷歌的TPU为例，最新一代TPU v5p的单位算力成本，据测算仅为英伟达H100的三分之一左右。而在能效方面，根据MLPerf的基准测试，TPU v4在处理特定模型时，功耗也仅为英伟达A100的50%到75%。同样的亚马逊也宣称，通过部署其自研的Trainium和Inferentia芯片，可以节省高达50%的成本。
那为什么自研芯片能这么便宜呢？这就要说到自研芯片的第二个优势了，那就是他的高度适配性。这个适配性主要体现在AI推理场景中。相较于复杂多变的训练任务，推理任务的逻辑更为固定和重复，它对芯片的通用性和灵活性要求不高，但对能效和单位成本却极为敏感。而自研芯片正是为了最大化某一特定算法的执行效率而设计的。它剔除了那些和对应场景无关的芯片功能，只留下能实现特定任务的部分，从而在用最少资源的情况下，实现最好的效果。而随着未来推理任务的需求越来越大，自研芯片未来可能会占有更多的市场份额。
最后，是很多大科技对于自研芯片有更深一层的战略考量。对于谷歌、亚马逊这样的公司而言，AI算力已经成为其核心业务的基石。将如此关键的基础设施完全系于单一供应商之上，无疑存在巨大的战略风险。因此，开发自己的芯片，也是为了保障供应链的安全与韧性。
总的来说，自研芯片的威胁主要源于其更高的成本效益，特别是在推理端。同时，大科技出于战略安全的动机，也为其发展注入了强大动力。
这么看来，自研芯片的优势似乎难以阻挡。那英伟达未来真的会遭到威胁吗？要做出判断，我们还必须了解自研芯片的劣势和问题。
首先，是自研芯片高度定制化的问题。为了保证效率最大化，自研芯片在设计之初，绝大部分都是为了服务于单一、固定的任务。如果服务的业务场景发生变化，那么这款高度定制的芯片就失去了很大部分的价值。所以它天然就具有较高的市场风险。而我们也知道，现在AI的应用场景还处于快速变化当中，很多今天我们看到的需求，在未来或许都会被颠覆，这就大大降低了自研芯片的价值。而通用芯片，由于它的灵活性，这个场景用不上，可以用在另一个场景上，就不存在这个问题。
其次，是自研芯片前期投入成本过高。自研芯片的开发是一项漫长且投入巨大的工程，从立项到流片再到规模化部署，往往需要数年时间，动辄花费上亿美元的成本。而这就会导致一些问题。比如研发的风险很高。自研芯片的前期研发存在失败的可能性，一旦失败，就可能是上亿美元的损失，让很多客户感到望而却步。而即便研发成功，由于整个研发周期时间长达数年，可能在芯片研发成功之后，性能和成本又变得落后了，这也是研发周期长导致的一大风险。
另外，自研芯片最核心的优势，成本，也没有想象中那么绝对。许多广为流传的成本计算存在一个误区：它们往往只比较了芯片本身的制造成本或单位算力成本。但这样计算其实是不完整的。如果考虑进前期的高昂投入，以及后期软件的适配和优化，也许自研芯片的成本优势并没有想象中那么高。事实上，对于大部分不成熟的应用场景来说，自研芯片甚至是没有优势的。只有在极大规模且长期稳定的工作负载下，自研芯片的总成本优势才有可能体现出来。
然而，自研芯片和英伟达相比，更大的劣势还不是硬件，而是软件。英伟达拥有像TensorRT和NVLink这样成熟的软件工具与互联技术，能持续优化GPU性能。而自研芯片缺乏同等级的配套支持，这不仅影响了其最终的性能表现，也成为了限制其技术进步的关键瓶颈。
但要说自研芯片和英伟达最大的差距，还是在于CUDA。CUDA是英伟达历经20年精心构建的软件系统生态，它可以让开发者通过统一的编程模型，调用英伟达GPU的算力。正是因为有了CUDA，开发者才可以低门槛地、方便快速地，按照他们想要的效果去做AI模型。相比之下，自研芯片也没有一个类似于CUDA这样的软件。虽然谷歌、亚马逊等公司也宣称有类似的工具，但这些软件更多是为了特定功能服务的补丁，和CUDA完全不在一个量级。这意味着，如果开发者决定使用自研芯片，他们还要在软件上花大量时间和精力，去搭建开发环境、甚至编写底层代码。这道高门槛天然就挡住了绝大部分的用户。
而这个差距，目前已经在市场层面体现出来了。三大云厂商——亚马逊、微软和谷歌——虽然都有自研芯片，但只是提供给公司内部使用。面向云服务的外部客户时，它们还是要提供来源于英伟达的算力，因为这些客户的AI，无论是技术栈、算法模型，还是开发流程，早已深度绑定于CUDA。很多人可能不理解，以为亚马逊、微软，和谷歌都做自研芯片，他们未来的云服务就可以彻底不用英伟达的芯片了，其实根本离不开。只要这些云的最终使用者还是需要CUDA，那么云巨头们为了满足市场需求，就还是要给客户提供英伟达的算力。
最后，软件的缺失还存在一个问题，那就是技术进步太慢。自研芯片的算力提升几乎完全依赖于迭代缓慢的硬件升级。相比之下，英伟达的算力进步除了在硬件上，还能通过软件持续优化，释放硬件潜力。这就进一步拉大了双方的差距。
到这里，我们不妨给自研芯片的优势和劣势做一个总结。
自研芯片的优势，在于其针对特定大规模推理场景的极致成本效益，同时满足了大科技保障供应链安全与技术自主的战略需求。这是当前市场对自研芯片感到鼓舞的核心原因。
但自研芯片也有不少问题。最大的问题在于软件与生态的缺位，尤其是缺乏类似CUDA的成熟生态，极大地抬高了开发者的使用门槛，同时绑定住了绝大部分的开发者。其次，高昂的前期投入、漫长的研发周期、以及高度定制化，让让它快速变化的AI领域面临巨大的研发风险和市场风险，技术迭代也相对缓慢。而当我们将所有成本纳入考量后，其最核心的“成本优势”也大幅缩水，仅在少数超大规模且稳定的场景下成立。
好了，现在，我们了解清楚了自研芯片和英伟达通用芯片之间的优劣势。那这对于投资来说意味着什么呢？未来自研芯片是否会威胁英伟达呢？
为了回答这个问题，我们首先要看清两者在满足市场需求上有什么不同。
英伟达的通用芯片，核心价值在于其强大的通用性、灵活性以及背后成熟的CUDA软件生态。对于绝大多数企业和开发者而言，AI技术仍在高速演进，应用场景层出不穷。在这种背景下，直接去买英伟达的芯片是最直接、最高效的选择。这不仅能让他们快速部署AI应用，保证性能，还能灵活适应未来的变化。因此，通用芯片的需求是广泛且基础的，尤其是在技术和市场方向尚未完全固定的新兴领域。
而自研芯片的需求则完全不同，它追求的是在特定场景下的极致成本效益。这种需求主要来源于少数科技巨头。当他们的某项核心业务，比如谷歌的搜索、Meta的推荐算法等，已经极其成熟，并且每天要处理天文数字般的稳定负载时，自建一套“专用”方案就变得极具吸引力。通过为这一个任务量身打造芯片，他们可以在未来数年内大幅降低运营成本，并保障供应链安全。这是一种着眼于长远效益的战略投资，其需求是深度、稳定但范围相对狭窄的。
看懂了这点就会发现，其实自研芯片和英伟达的通用芯片并非处于你死我活的竞争关系。对于一些企业来说，他们可能非常愿意花钱去做自研芯片，为长远效益做准备，但这并不妨碍还有另外一大部分的企业直接去买英伟达的芯片。所以本质上，两者是服务于不同的市场、不同的客户和不一样的需求。
这里咱们不妨做一个简单的类比，用电。绝大多数家庭和企业，他们都会选择直接从电网买电，享受其便捷和稳定。然而，对于一些用电量巨大且需求极其稳定的工业园区或数据中心来说，也完全可以“自己发电”，比如自备发电机，甚至自建发电厂。长期下来，可能更具成本效益，也能保障在关键时刻的电力安全。
但你说，因为人们可以从电网购电，自备发电机的需求就会消失了吗？或者反过来，因为有自备发电机的存在，就没有人会从电网购电了吗？显然不会。
而英伟达就像是那个能给所有人提供电力的电网，谁需要用电，直接付钱就可以了。自研芯片就像是自备发电机，在用量极大、极其稳定的情况下，就有成本效益。所以他们俩都有属于自己的使用场景，自己的市场，也就意味着两者能共存。
不光共存，长期来看，两者未来的需求还都足够大。英伟达这边自然就不用说了，毕竟通用芯片这边是企业们更广泛更基础的选择，只要行业在增长，英伟达就会是企业们的首选。
而自研芯片这边，需求也非常大。从用电的这个例子中可以想到，未来只要是那些用量很大，很稳定的应用场景，就不得不考虑成本问题。这就使得像OpenAI的大语言模型、Meta的广告推荐、谷歌的搜索引擎，亚马逊的电商推荐等，都非常适合做自研芯片。这个需求本身就非常大。
不仅如此，自研芯片需求的确定性还非常高。对于科技巨头来说，他们决定做自研芯片，更多还是着眼于将几年后的成本效益做准备。这意味着，科技巨头们投资自研芯片的节奏，是独立于英伟达的芯片发展而存在的。毕竟，如果你是大科技的管理层，你会因为看到英伟达的技术迭代快一点，就不为几年后的成本效益做准备了吗？肯定不会，因为管理层必须要自己留一份后手。毕竟，要是自研芯片出来的效果很好，进步也足够快，那未来就能省下一大钱，也能变得更加主动。所以这个长期战略的准备还是很有必要的。而这便意味着，自研芯片这个需求的确定性也是很高的。
而这放在投资上看，意味着英伟达和博通之间，各自有着独立的增长逻辑。自研芯片的需求，更多是管理层对于长远效益的追求，是一种未雨绸缪的战略准备。它的增长逻辑和英伟达没有那么直接的关系。因此，博通的超预期增长，不应被草率解读为英伟达在面临压力；反之，博通的放缓，也并不意味着这部分预算会直接流向英伟达。两者的逻辑是独立存在的。
说到这里，你可能会好奇，那未来的市场份额将如何分配呢？咱们不妨看一看华尔街几个主要机构的预测。
下图展示了大摩对于2030年之前，自研芯片和通用芯片之间市场份额的占比。可以看到，在2030年，大摩认为英伟达等通用芯片将继续占据85%以上的绝对主导地位，而以博通为代表的自研芯片市场份额将从11%缓慢增长到15%左右。而整个行业会维持平均34%的超高增速。
另一边，高盛的预计也很类似。他们预测了了未来两年，英伟达，AMD，博通，和Marvell的市场份额对比，英伟达依然占据绝对的市场份额，不过略微下降一点，从87%下降到2027年的84%。而博通则从8%上升到11%。
总结来说，我认为至少在未来五年，我们将看到一个清晰的共存局面：英伟达依然是行业中当之无愧的霸主，享受着市场的最大红利，并牢牢占据着约85%的市场份额；自研芯片作为重要的补充，在特定的、超大规模的细分领域里快速成长，市场份额会有提升，但还是占据小部分。而由于整个行业的发展速度很快，空间也很高，两者都会从行业的增长中持续获益。
那么这个共存真的就能这么一直延续下去吗？这个过程中是否存在一些变数呢？长期来看英伟达的地位是否能够一直稳固下去呢？要想回答这些问题，我们不妨来回看一段历史，这便是CPU的发展史，你会发现它和现如今的GPU发展惊人的相似，或许我们能够从中找到一些启发。
上世纪八十年代，在个人电脑革命的早期，CPU的自研芯片才是主流，像英特尔这样的通用CPU根本排不上号。在90年代初期，自研芯片迎来了它的巅峰，其应用遍布全球，从东芝、松下的消费电子，到思科、北电的网络设备，再到索尼、任天堂的游戏主机，几乎无处不在。当时没有人认为自研CPU会被颠覆，直到两个巨大的挑战出现。
首先，是日益增长的复杂性与成本。随着技术飞速进步，客户的要求越来越高，他们希望自研芯片能承担更多、更复杂的任务。而这就导致了芯片的设计越来越复杂，成本越来越高。到后来，单个自研芯片的初期成本，从最初的几万美元，飙升到数百万美元，成本上升了100倍。不仅如此，整个设计周期也越拉越长，动辄要花上一两年时间才可以研发出来。在当年PC革命和互联网发展日新月异的年代，企业们根本等不起。
其次，也是更致命的打击，来自通用CPU的崛起。这里最重要的挑战者就是英特尔。当时，英特尔的奔腾处理器在90年代遵循“摩尔定律”，实现性能的爆炸式增长，加上其庞大的软件生态系统和巨大的规模经济，很快就在性能和成本上都取得了指数级别的进步。而另一边，由于资源相对分散，自研芯片的迭代本就跟不上通用芯片。很快，通用芯片就成为了更便宜而且更好用的选择。最终没有几年时间，自研芯片的市场就在英特尔的强大攻势下，逐渐式微。
回看历史，在CPU时代，自研芯片陷入困境主要来源于越来越复杂的设计，越来越高昂的成本，以及技术迭代太慢。这些与今天AI自研芯片的问题如出一辙。另一边，英伟达正如当年英特尔的奔腾处理器一样，得益于其通用性和强大的生态系统，持续进步。
这就不得不让人思考，会不会未来，AI自研芯片也会走向当年CPU自研芯片的老路呢？我们从终局思维来看，英伟达和自研芯片的竞争，最终谁会胜出呢？这个问题我想很久都没有答案，不过这边，我可以说说我自己一些很主观的想法，不一定对，仅供参考和讨论。
我认为，长期来看，英伟达是有可能颠覆掉自研芯片的。这背后的原因有很多，但我认为最根本的原因，是在应对变化的能力上，自研芯片远不如英伟达。
现在的自研芯片，就是为了那些最成熟的AI应用场景来设计的，只能用于这些场景。今天我们觉得已经很成熟的AI应用和技术，在十年后回头看，可能都已不复存在了。比如现在的电商场景，现在的搜索场景，或许AI时代会完全不同。那么，为这些成熟场景量身定做的自研芯片，到那个时候作用还有多大呢？这是一个很大的疑问。而如果要重新开始设计，成本高不说，还可能错失机会。而且越到后面，重新开始设计的难度就会越大，周期也可能会越长，这就导致自研芯片会不断被拉开差距。
相比之下，英伟达的逻辑就要稳固得多。通用芯片的设计初衷，就是为了拥抱AI世界里层出不穷的变化，让它可以灵活地通过软件层面的优化，去适应和加速未来的新算法。而且从技术迭代的速度去看，英伟达也比自研芯片更有优势，成本的持续降低也更有确定性。所以，只要AI技术还在高速发展，英伟达的优势就非常稳固。而且未来AI发展得越快，变化得越多，英伟达的优势就会越显著。从这个角度去看，我认为英伟达完全有可能，复制当年英特尔在CPU时代的故事，凭借更快的迭代速度和更广的适应性，最终颠覆自研芯片。
当然了，我的这个判断也是有出错可能的。至少和当年的情况比起来，今天自研芯片的设计门槛已经大幅降低了。过去，企业不仅缺乏成熟的设计工具，还需自己承担制造的重任。而今天，我们有EDA、IP这种成熟的设计工具，有博通这样专业的自研芯片服务公司，以及台积电这样的先进代工厂。他们共同构成了一个完整的生态。在这个生态下，自研芯片的设计和开发，要比过去容易得多。也因此，我们不能简单地因为历史，就草率地推断这次自研芯片会被英伟达颠覆。只是我个人从终局的角度上看，我认为英伟达颠覆自研芯片的可能性就还是存在的，至少是远大于自研芯片颠覆英伟达的可能性。
那什么时候英伟达才可能反过来被自研芯片威胁呢？我想，只有一种可能，那就是英伟达它自己犯了错。比如在关键的技术路线上出现误判，或者因为过于成功而变得傲慢，导致技术迭代的速度明显慢了下来，又或者产品的成本降不下去，让大家觉得“买电”的      	性价比已经远不如“自己发电”划算的时候，自研芯片才可能真正抓住机会，吃掉更多的市场份额。
所以你发现没有，说到最后，英伟达想要保持它今天的地位，持续引领行业，核心还是要保持快速的技术进步，去不断推出性能更强、成本更优的产品。只要它能持续引领技术浪潮，那么我认为，英伟达的这笔投资就足够有保障。
说到这里，咱们不妨回到视频一开始留下的问题：英伟达会被自研芯片威胁吗？相信答案已经非常清晰了，而且我们今天探讨的内容，也已经远远超出了这个问题的范畴。
首先，这个威胁对于英伟达来说几乎是不存在的。是的，自研芯片有它的优势，尤其在成本效益上。但自研芯片相对于英伟达也有众多劣势，包括没有软件生态，前期投入太大，高度定制化，以及其成本效益只在特定应用场景下才得以体现。在这些劣势下，自研芯片几乎不可能威胁到英伟达。    
在中期内，至少在未来五年，两者将因服务不同市场而共存，而且都会活得很好。英伟达如同电网，凭借强大的软件生态和灵活性服务于绝大多数AI应用，继续受益于整个行业的增长。而自研芯片则像少数科技巨头的自备发电机，为满足其超大规模、x稳定业务的极致成本效益和战略安全需求而存在。这个需求也足够大，而且确定性也很高，甚至比英伟达还要更高。再加上现在推理端的需求在快速爆发，因此，以博通为代表的自研芯片也有足够高的投资价值。
而说到更长期，当我们从一个终局思维去思考问题的时候，会发现，还是通用平台的生命力更强。AI技术日新月异，为特定成熟技术定制的自研芯片，其应对未来快速变化的能力更弱一些。相比之下，英伟达的通用平台更能拥抱AI的演进，优势将愈发稳固，而且它的成本也能在技术进步下持续推进，甚至有反过来颠覆自研芯片的可能。也因此，英伟达的领导地位，更多是取决于其自身的创新节奏。只要它能持续推出性能更强、成本更优的产品，其核心地位就无法被撼动，它就仍然是AI芯片领域的首选。