今年3月，ARK Invest（方舟投资管理公司）下一代互联网研究负责人Frank Downing公开发表观点："别只盯着英伟达了"。
他预测到2030年，定制人工智能芯片（ASIC）在计算市场中的份额将超过三分之一。
这番话的背景并不复杂。当前，AI产业的重心正在从训练大模型转向实际应用落地，算力需求的结构性变化正在重塑芯片行业的竞争格局。
Downing的判断基于一个朴素的商业逻辑。
当AI进入推理阶段，企业关注的不再是"能否训练出更大的模型"，而是"处理每个请求的成本是多少"。这意味着算力的经济账被重新计算。
而在这个节骨眼上，OpenAI与亚马逊达成深度合作。亚马逊承诺投入500亿美元，而OpenAI将大规模使用亚马逊的自研芯片Trainium。
这个信号足够明确——即使是目前算力需求最旺盛的公司，也开始为特定任务寻找比英伟达GPU更经济的解决方案。
1.客户与对手的双重围剿
目前英伟达的处境可以用一句话概括：市场地位依然稳固，但竞争格局正在悄然生变。财报显示，英伟达2026财年数据中心业务营收创下新高，但这组亮眼数字的背后隐藏着两个不容忽视的变化。
第一个变化来自它的核心客户。英伟达超过50%的数据中心收入来自几家头部云厂商，如谷歌、亚马逊、Meta。这些公司如今正是定制芯片最积极的推动者。
它们的逻辑很简单，算力是云服务最大的成本项，与其让英伟达赚走大部分利润，不如自研芯片将这部分成本内部化。这种"去英伟达化"的趋势在过去一年明显加速。
第二个变化来自技术路线的分化。GPU作为通用加速器在训练阶段优势明显，但在推理场景中，其能效比并非最优。
以Groq公司开发的LPU（语言处理单元）为例，它在特定推理任务中的表现比传统GPU高出一个数量级。这类专用架构的出现，证明了算力市场正在从"通用芯片主导"走向"专用芯片细分"。
面对这种局面，英伟达正在采取攻防兼备的策略。技术层面，它斥资近200亿美元获得Groq公司LPU技术的核心授权，计划将其整合进下一代产品线，打造"GPU+LPU"的混合架构，试图补齐推理能效的短板。
产品层面，它开始展现出灵活性，比如首次为Meta单独提供不捆绑高端GPU的CPU服务器，以满足客户的成本控制需求。
生态层面，英伟达通过资本手段编织"护城河"。2026财年用于投资合作的现金流出超过700亿美元，通过深度绑定OpenAI、Anthropic等模型公司，确保这些定义行业未来的模型优先跑在英伟达的架构上。
2.训练与推理的两场战争
将视角拉远，当前芯片行业的变局其实源于AI发展重心的切换：从"训练"到"推理"。这是两个完全不同的战场。
训练阶段追求的是吞吐量和并行计算能力，这正是GPU的强项。但推理阶段看重的则是延迟、能效比和单位成本。后者恰恰是定制芯片（ASIC）的优势所在。
与英伟达的通用GPU不同，ASIC是为特定算法"量身定制"的。谷歌的TPU、亚马逊的Trainium都属于这类产品。它们在执行特定模型推理时，能效比和成本往往数倍于同级别的通用芯片。
这就解释了为什么ARK预测到2030年定制芯片能与GPU平分秋色。
当算力需求从"不惜一切代价训练最强模型"转变为"以最低成本处理海量推理请求"时，性价比和总拥有成本就成了客户选择芯片的核心标准。台积电等代工厂的先进封装产能，也因此成为决定这场算力分配权的战略资源。
可以预见的是，未来AI算力市场将不再是英伟达一家独大的格局，而是GPU与ASIC、CPU等各类芯片各司其职、异构并存的局面。
对行业而言，这意味着更多的选择和更快的创新节奏；对英伟达而言，这意味着它需要在一个规则不断变化的市场中，与曾经的合作伙伴和如今的竞争对手，展开一场关于算力标准的漫长博弈。
匿名用户
