从CPU到XPU

英伟达巩固其在人工智能芯片领域的主导地位三年后，该公司仍然控制着约80%的市场，估值表明其主导地位至少还能持续10年。然而，像埃隆·马斯克、萨姆·奥特曼和桑达尔·皮查伊这样的科技巨头已经初露锋芒，准备通过打造自己的定制芯片来降低这种依赖。

市场将这些人工智能芯片称为XPU——一种包罗万象的处理器，它不仅与图形处理（如GPU）或传统计算（如CPU）挂钩，还可以满足训练、推理、网络、游戏、数据分析等定制需求。

张量处理单元 (TPU) 的开发商谷歌，可能率先撼动英伟达的主导地位。预计到 2026 年，TPU 的出货量将达到 270 万台，而英伟达的出货量为 940 万台。

华尔街分析师估计，如果谷歌将其 DeepMind 研究实验室与 TPU 业务一起剥离，合并后的实体估值可能达到 9000 亿美元，约为英伟达 4 万亿美元市值的四分之一。

与此同时，英伟达正向英特尔投资 50 亿美元，用于构建机架式超级计算基础设施。

与此同时，据报道，OpenAI 已与博通达成一项价值 100 亿美元的协议，将从 2026 年开始生产自己的人工智能芯片。

马斯克也在加速推进芯片计划。上个月，特斯拉与三星签署了一项价值 165 亿美元的协议，将在 2026 年底前生产 AI5 芯片。马斯克表示，AI5 芯片将“史诗般”，而即将推出的 AI6 芯片“有望成为迄今为止最好的 AI 芯片”。

与此同时，人工智能研究实验室 Anthropic 的主要投资者亚马逊预计将使用 AWS 的 Trainium 和 Inferentia 芯片为后者构建两个大型千兆瓦级集群。Constellation Research 副总裁兼首席分析师 Chirag Mehta 表示：“我们所见证的并不是大卫与歌利亚之间的简单较量。这是大型企业认识到他们不能完全依赖 Nvidia 来处理他们最关键的AI 工作负载。对于超大规模企业来说，定制芯片不是面子工程，而是供应链保险。”

然而，他警告说，仅仅拥有芯片是不够的。

“Nvidia 真正的护城河不仅在于 GPU，还在于构成 AI 操作系统的 CUDA（他们的软件编程生态系统）、库和开发工具。”

“所以，是的，超大规模企业将获得优势，但这与推翻 Nvidia 无关，而与确保对成本、供应和特定工作负载性能的控制有关，”Mehta 说。“随着人工智能工作负载的多样化，基础设施也必须随之多样化。也就是说，基于通用 GPU 的千篇一律的数据中心基础设施已无法满足所有工作负载的需求，因为每种工作负载都有其特定的要求。”Counterpoint Research 副研究总监 Gareth Owen 表示。

事实上，他解释说，定制化对于任何大规模部署人工智能的公司来说都具有战略意义，因为它可以实现最佳的每瓦性能。“定制的 XPU 也将比 Nvidia GPU 更便宜，并使客户能够避免被 Nvidia 锁定。它还能降低功耗，这对数据中心运营商来说是一个越来越重要的指标。”

Owen 表示，并补充说这代表着一个数十亿美元的市场机遇。“就连 Nvidia 也计划参与其中，并将在其通用 GPU 之外提供自己的定制硅芯片。”这些数字令人难以置信AMD 董事长兼首席执行官苏姿丰预计，到 2027 年，人工智能芯片市场规模将达到 4000 亿美元。英特尔首席执行官预计，到 2030 年，人工智能芯片将成为一个价值 1 万亿美元的市场，几乎是 2023 年整个芯片行业规模的两倍。Nvidia首席执行官黄仁勋预计，到 2028 年，全球数据中心的资本支出将达到 1 万亿美元。

美国研究公司 650 Group 上周发布了一份乐观报告，将 2029 年人工智能服务器市场的预测从 3860 亿美元上调至 5810 亿美元，增幅达 40%。Gartner高级分析师 Naresh Singh 表示，博通等公司在人工智能硬件堆栈方面取得的进步为超大规模企业提供了专注于其软件堆栈的基础。“这对于与 Nvidia 运行良好的领先人工智能堆栈竞争至关重要，”他说。 “尽管 Nvidia 继续保持领先地位，但它确实认识到超大规模企业的内部采购趋势，并采取了平衡措施。”此外，专家表示，随着人工智能工作负载从训练转向推理，Groq 和 Sambanova Systems 等规模较小的挑战者也有望获得市场份额。

Constellation 的 Mehta 表示：“随着越来越多的模型投入生产，效率、延迟和每次推理的成本比峰值训练吞吐量更重要。但采用仍然是比性能更大的障碍。对于挑战者来说，真正的突破不是更快的芯片，而是更快的采用。”