为什么英伟达的客户们开始自研芯片？

上个月，OpenAI与博通联合发布了首颗自研芯片Jalapeño——专为大模型推理设计的 ASIC（专用集成电路）。事实上，自研芯片的不仅是OpenAI，英伟达的大客户们：亚马逊、OpenAI、Meta、微软——都在做同一件事：自研芯片。

规模到了这个量级，自研芯片的经济账才算得过来。Anthropic 2026年运营收入年化已越过300亿美元，2025年底还只有约90亿美元——但至今没造过芯片，Claude每次调用跑的都是合作伙伴（也是竞争对手）的芯片。这笔账，迟早要自己算。

这篇文章，我们来看这场"造芯运动"的全貌，以及它背后的深层逻辑。

一、谁在造芯

海外阵营：从"买芯片"到"造芯片"

谷歌 TPU Ironwood（第九代）：售价约1.3万美元，而英伟达B200单价3.5万美元——同等算力级别，价格仅为37%。Anthropic已大规模部署TPU训练和运行Claude。TPU推理利用率达80%-90%，远超GPU的30%-40%。

亚马逊 Trainium：累计部署140万颗，Trainium 2支撑Anthropic Claude的全部推理算力；Trainium 3（台积电3nm）AI训练成本较行业平均降低50%。CEO安迪·贾西："Trainium已经是AWS的数十亿美元业务。"

OpenAI Jalapeño：与博通合作，台积电3nm，从设计到流片仅9个月，推理成本降低50%，计划2026年底量产。

Meta Iris：2026年9月量产，制造成本比英伟达同级GPU低50%。同时Meta已开始使用AMD MI300——不再把鸡蛋放一个篮子里。

中国阵营：从"国产替代"到"自主定义"

字节跳动：年度AI基建预算2000亿元，自研芯片代号"C"2026年Q4量产，2027财年计划10万颗。同时昇腾订单超400亿元，寒武纪芯片已进入搜广推核心场景。

阿里巴巴：平头哥自研芯片累计约60万颗，含光9000推理能效比H100提升2倍，国内云厂商中部署量最大。

百度：昆仑芯规模化部署，国产替代比例高达90%，自研芯片部署比例最高的云厂商。

腾讯：紫霄芯片已量产，提供3倍加速性能和45%成本节省，但自研占比仍仅8%-10%。

全景速览

二、为什么要"自研芯片"？

原因一：供应链安全——90%即风险

SemiAnalysis数据显示，2026年Q1全球AI训练芯片英伟达占约92%，推理芯片占78%。一家公司独占90%以上的关键供应链，任何产能波动或地缘变化都是灾难。

现实已经验证：英伟达B200月出货120万颗仍卖断货，backlog堆到360万颗。美国对华出口管制持续收紧，黄仁勋亲口承认中国市场高端芯片份额从95%跌到0%，2026财年因此计提45亿美元费用。

原因二：成本——英伟达太贵

先看硬数据：

100万颗芯片的采购，每颗省2万美元，就是20亿美元的差距。高盛预计2025-2030年五大云厂商AI资本开支合计5.8万亿美元，芯片成本的每一个百分点都是数十亿美元。

已有先行者用脚投票：Midjourney把推理负载从英伟达GPU迁移到谷歌TPU后，月度算力开销从约210万美元降到约70万美元，降幅65%。

更关键的是，推理成本直接决定AI商业化能否落地。OpenAI 2025年运营亏损209亿美元，推理成本居高不下是主因。英伟达自己毛利率71.1%，但下游大面积亏损——它的高定价权，正在成为整个AI行业的利润瓶颈。

原因三：推理效率——GPU空转过半

这是最致命的结构性问题。

Cast AI 2026报告：生产环境K8s GPU集群平均利用率仅5%。VentureBeat调研（573家企业）：86%的企业GPU运行在50%容量以下。国内中小企业自建GPU平均闲置率高达62%。

花大价钱买的GPU，大部分时间在空转。通用GPU为训练、推理、图形渲染全能设计，但在推理场景下超过九成的电路资源形同虚设。

而专用ASIC所有晶体管只为AI推理服务，利用率稳定在85%以上。谷歌TPU推理利用率达80%-90%，同等数量芯片的有效推理算力是GPU的2-3倍，叠加更低的单价，每token成本差距可达5-10倍。

《芯片战争》作者Chris Miller有个精准比喻：GPU像瑞士军刀，什么并行计算都能干；ASIC像单一用途工具，高效但锁死只做一类活。训练阶段需要瑞士军刀的灵活，一旦定型服务海量请求，专用工具反而更省电更便宜。

2026年全球AI推理任务已占算力负载的三分之二。推理时代，通用GPU做推理，就是航母去捕鱼。

更要命的是，智能体推理是"循环成本"而非"查询成本"——一个目标触发几十上百次推理调用。当智能体大规模铺开，推理成本会以非线性方式膨胀，通用GPU的低效将更不可忍受。

原因四：软硬件协同——自研芯片=定制手术刀

大模型厂商比任何芯片公司都更懂自己的架构。MoE调度、注意力压缩、量化格式——这些算法"暗知识"可以直接固化进自研芯片硬件。

DeepSeek自创UE8M0 FP8格式（动态范围扩大32倍，显存减少50%-75%，计算速度提升3倍），华为昇腾等已全力适配。谷歌TPU专门针对Gemini架构优化，亚马逊Trainium为Claude推理深度调优——通用GPU做不到这种"定制手术刀"级别的适配。

原因五：打破CUDA锁定+争夺定价权

CUDA生态绑定超500万全球开发者，这是英伟达最深的护城河。但2026年正在被三面瓦解：PyTorch成为硬件中立的事实标准框架；DeepSeek通过开源工具栈定义"什么芯片最适合跑自己的模型"；谷歌亚马逊的自研芯片经过万亿次推理验证，迁移信心已建立。

迁移仍有代价：据Spheron分析，把服务栈从vLLM移植到亚马逊Neuron SDK往往要花2-6周工程时间，某些模型架构甚至根本不被支持。但巨头们正在用规模摊薄这笔一次性成本。

更深层的是定价权博弈。自研芯片即使不能完全替代，它的存在本身就是最有效的谈判筹码——"你不降价，我就用自研的"。

三、英伟达的护城河还在吗？

短期依然坚固：大模型训练GPU无可替代；CUDA十余年积累难以速替；英伟达200亿美元收购Groq补齐推理短板，Vera Rubin平台推理成本再降10倍。

但增量风向已变。TrendForce数据：2026年定制ASIC出货增速44.6%，商用GPU只有16.1%——定制芯片增速首次超过GPU。未来主流形态是"GPU+ASIC双路线并行"——训练用英伟达，推理用自研ASIC。英伟达不会倒下，但定价权、市场份额和生态垄断，正在被一点点蚕食。