第 2.5 章｜AI 芯片与加速器

“谁卖出最多 AI 芯片”至少有三个互不兼容的答案：自研 ASIC 可能赢得颗数，商用 GPU 可能赢得收入，而真正交付的有效算力取决于整套系统。投资者不应追逐一个份额数字，而要追踪谁控制系统、利润和客户迁移成本。

CPU 擅长按顺序快速处理许多不同任务，AI 加速器则让数千个计算单元同时执行神经网络最常见的矩阵运算。它牺牲一部分通用性，换取更高并行效率。模型训练和推理因此从传统服务器转向 GPU、TPU 和各种专用 ASIC。

可是，一颗加速器不会独立工作。它需要旁边的 HBM 持续供应数据，需要芯片间互连同步，需要数据中心网络连接更多机架，还需要电源、液冷、驱动、编译器和软件库。集群越大，单颗芯片的峰值性能越不能代表客户真正得到的产出。

过去投资者按芯片颗数和平均售价理解半导体；现在更合适的销售单位越来越接近一整座机架。

先分清三张份额榜

Google、Amazon、Microsoft、Meta 和 OpenAI 都在扩大自研芯片。固定、规模巨大、长期重复的内部任务很适合 ASIC：设计者可以删掉不需要的通用能力，用更低功耗完成特定工作。按颗数统计，自研芯片可能成为最大阵营。

但颗数不等于收入。一颗只在内部使用、成本较低的推理 ASIC，与一套包含 GPU、CPU、网络、液冷和软件的数百万美元机架，不是同一种经济单位。内部芯片甚至没有外部销售收入，只通过降低云成本创造价值。

因此，任何“AI 芯片份额”都应先说明分母：

这几张榜完全可以同时出现不同冠军。Nvidia 的颗数份额下降，不妨碍它通过更高系统内容扩大收入；云厂商自研 ASIC 没有外部芯片收入，也可能显著改善自身云毛利；中国系统连接更多单颗较弱的芯片，理论总量很大，实际有效算力仍要经过利用率和软件验证。

芯片已经变成一套共同交付的系统

一颗 AI 加速器的性能至少受五项约束：

1. 计算格式。 FP8、FP4 等低精度格式用少量精度换取更高吞吐，但不同任务对精度容忍度不同。
2. 内存容量与带宽。 芯片再快，数据供不上也只能等待。
3. 芯片间互连。 单个模型可能跨越多颗 GPU，通信速度决定扩展效率。
4. 数据中心网络与故障恢复。 数万颗芯片中任何节点故障，都可能影响整个训练任务。
5. 软件。 编译器、算子库和开发工具决定理论性能能否被工程师使用。

Nvidia 的战略，是把这些环节一起设计并一起销售。客户购买的不再只是 GPU 板卡，而是包含 GPU、CPU、NVLink、交换机、网卡、电源、液冷和软件的整机架。这样既提高单笔订单价值，也把竞争门槛从“做出一颗芯片”提高到“按时交付一整套可运行系统”。

主要阵营的真实控制点如下：

Nvidia 的护城河是一张同步更新的时间表

Nvidia 以接近一年一代的节奏推进 Blackwell、Blackwell Ultra、Vera Rubin 和后续系统。Vera Rubin NVL72 把 72 颗 Rubin GPU、36 颗 Vera CPU、HBM4、NVLink 和整套网络放进统一平台。厂商在观察日尚未公布可与现有系统直接比较的完整机架功率，因此第三方估计必须标为估算；更远期 Rubin Ultra 的高功率数字仍属于路线图情景，不能当作已交付产品事实。¹²

一年一代最难复制的部分不是 GPU 设计本身，而是所有供应链必须同时到位：

• TSMC 按时交付逻辑裸片；
• SK Hynix、Samsung、Micron 提供通过认证的 HBM；
• CoWoS 和基板能容纳更大封装；
• 网络芯片、光模块和线缆准备好；
• 数据中心供电与液冷能支持更高机架密度；
• CUDA、库和框架在发布日可用；
• OEM、云厂商和客户已经完成验证。

任何一项延迟，整机架收入都会延迟。Nvidia 把更多环节纳入平台，获得更大收入，也承担更集中执行风险。系统化并不是没有代价：更新过快会缩短旧设备经济寿命，客户可能推迟采购等待下一代，供应链的某个小故障还会影响整个产品节奏。

Nvidia 真正销售的是交付确定性。前沿模型公司支付溢价，不只是为了更高峰值 FLOPS，而是希望在明确日期获得一套经过验证、软件可用、可以扩展到万卡的系统。

为什么机架级销售改变利润池

只卖裸芯片时，收入大致等于出货量乘单价；卖整机架后，供应商可以同时捕获 CPU、交换机、网卡、互连和软件价值。客户也更难逐项议价，因为系统性能依赖整体匹配。

这会产生三个投资后果。

第一，Nvidia 的收入增长可能快于 GPU 颗数增长。第二，网络与系统业务不再只是附属品，而成为平台锁定的一部分。第三，AMD 或其他竞争者即使推出性能接近的芯片，也必须补齐机架、网络、软件和服务，才能真正争夺同一预算。

因此，比较 Nvidia 和 AMD 不能只看芯片基准，还要比较：

• 每个机架的可交付时间；
• 客户从安装到生产的周期；
• 大规模集群利用率与故障恢复；
• 软件迁移和工程师培训成本；
• 每单位有效算力的总拥有成本。

第 2.13 章将把 Blackwell Ultra、Vera Rubin、Ascend 910C 与 Ascend 950 从封装、系统到 100 MW 设施统一拆解，避免用一颗 GPU 对比一个 SuperPoD。

AMD 是第二来源，Intel 更像远期制造选择权

客户不希望所有算力依赖一家供应商。第二来源可以降低价格、缓解交付风险，并在技术路线变化时提供选择。AMD 的 Instinct 系列和 MI400/Helios 机架因此拥有真实机会。

AMD 的优势不是必须立即超过 Nvidia，而是达到“足够好、可以部署”的门槛。只要软件、网络和供应稳定，模型公司就愿意把部分工作负载分配给第二平台。大型客户承诺提供需求锚，但设计中标还要经过量产、集群验证、利用率和后续续单，才会变成稳定利润。

AMD 的主要限制是安装基础与软件生态。ROCm 进步能够减少迁移成本，却仍要在真实生产中证明长期可靠。价格折扣也可能帮助拿到份额，却让收入增长不一定带来同等利润。

Intel 的 Gaudi 未达到最初预期，后续 Jaguar Shores 与硅光子提供远期可能。对公开市场投资者而言，Intel 更重要的 AI 逻辑可能逐渐来自美国先进制造和政策支持，而不是近期加速器份额。把“GPU 份额反转”和“美国代工选择权”混成一个估值故事，会误判时间与风险。

自研 ASIC 会优先拿走什么工作负载

GPU 的优势是通用与成熟，适合模型和算法仍在快速变化的前沿训练。ASIC 的优势是针对特定任务优化，在负载足够稳定、规模足够大时降低功耗和成本。

所以，自研芯片更可能按以下顺序替代：

1. 搜索、推荐等长期稳定的内部推理；
2. 规模大、模型变化较少的生成式 AI 推理；
3. 已固定架构的部分训练；
4. 最后才是最前沿、变化最快的大模型训练。

这不是一条绝对路线，但解释了为什么 ASIC 颗数可以快速上升，而 Nvidia 仍控制高价值前沿系统。云厂商也不必向外部销售自研芯片，只要内部使用能减少采购和电力成本，就已经创造回报。

Broadcom 与 Marvell 是这条路线的“赋能者”。它们帮助云厂商设计定制计算、互连和网络，可以同时参与多个项目，不必押注单一云平台。不过，客户数量仍然很少，单个项目延期、下一代设计转移或客户自行开发，都可能显著影响收入。

判断 ASIC 替代速度，不能只记录流片和发布。更有价值的证据是：

• 是否形成连续几代产品；
• 是否在内部大规模部署并披露利用率或成本优势；
• 是否从内部任务扩展到外部云客户；
• 软件能否让应用在不同硬件间平滑迁移；
• 项目收入是否足以覆盖高额设计和制造投入。

中国正在用系统规模弥补单点差距

先进 GPU 受限后，中国形成以华为昇腾为核心、寒武纪、海光及多家国产厂商补充的平行体系。Ascend 910C 与 Atlas 900 A3 已进入部署，Ascend 950 系列和 Atlas 950 SuperPoD 指向更大规模集群。

差距必须按层表达，而不是只说“追上”或“落后”。单颗芯片性能、能效、HBM 容量、先进制造良率和软件成熟度仍受约束；华为通过连接更多加速器、自有网络和系统软件，换取可用总算力。

这条路线的经济代价也很清楚。若完成同一任务需要更多芯片，就需要更多交换机、线缆、电力、冷却和故障管理。节点越多，某个部件失效的概率越高，系统软件必须更有效地隔离故障和调度工作。

因此，中国算力不能只按卡数比较。更有意义的是：

同一模型、同一精度、同一完成时间下，需要多少芯片、多少电力、多少人工调优，以及集群能维持多高利用率？

华为的优势是能够同时控制芯片、CANN、网络、服务器和云，形成系统学习循环。政策采购也能提供首批需求。它的上限则取决于中芯国际先进制程良率、国产 HBM、先进封装和软件生态。任何一项持续改善，都会放大整个本土市场的学习速度；任何一项停滞，也会成为系统上限。

路线图只有变成交付，才有投资价值

半导体行业充满发布日期、性能倍数和长期合作。投资者需要把一颗芯片的生命周期分成至少六个阶段：

路线图产品不能按已交付产品进入收入或 100 MW 总量。厂商披露与第三方报道也要区分；规格、功率和出货数字需要明确证据等级。

谁能把芯片增长变成股东回报

不同证券捕获的是不同利润：

• Nvidia：整机架、网络、软件税和年度平台节奏；
• AMD：第二来源与份额提升，但要承担软件投入和价格竞争；
• Broadcom、Marvell：云厂商自研芯片与网络，多项目分散但客户集中；
• 云厂商：自研 ASIC 通过成本节省与云毛利创造价值；
• 寒武纪、海光等中国公司：国产替代与政策需求，同时承担估值、技术和可交易性风险；
• 制造与 HBM 供应商：不决定架构，却可以从每代内容增长和资格认证获利。

投资者应同时跟踪三条利润路径：商用加速器毛利、自研芯片给云厂商带来的成本节省，以及系统周边内容增长。只看芯片出货，会漏掉后两条；只看 TAM，又会忽略竞争、资本强度和买入价格。

哪些证据会改变当前判断

当前基准判断是：商用 GPU 仍控制前沿训练和高价值系统，自研 ASIC 会持续吸收稳定推理，中国则通过更大系统与垂直整合弥补单点差距。

以下证据会改变这一判断：

1. 自研 ASIC 不仅内部大规模部署，还能向外部客户提供通用、易迁移的训练与推理平台；
2. Nvidia 在推理中的收入份额持续下降，而且整机架和软件收入无法抵消；
3. AMD 或其他平台在大规模前沿训练中实现接近的部署速度、利用率和总成本；
4. 中国先进制造、HBM、封装和 CANN 同时出现连续量产改善；
5. 模型效率增长长期快于使用量，使整条加速器需求曲线下移。

最重要的结论不是某家公司永远领先，而是：

芯片投资已经从比较一颗硅片，变成比较谁能把计算、内存、网络、冷却和软件在同一天交付，并让客户持续使用。

图表与关键证据来源

本章图表与关键主张的链接证据：^{3 1 2}