AI 晶片戰爭加速升溫

想像一下一座巨大而燈火通明的資料中心——一座永不入眠的人工之城。成千上萬塊 GPU 晝夜不停地運轉，散熱風扇轟鳴如瀑布傾瀉。電流在無盡的伺服器機架間奔流，讓整棟建築彷彿成為一個有生命、有呼吸的有機體。幾乎在每一塊電路板上，你都能看到熟悉的綠色輝達（Nvidia）標誌，從生成式人工智慧、搜尋引擎、推薦系統，到你此刻正在使用的聊天機器人，一切都由它驅動。

但再仔細看看。在同一座資料中心的某個角落，另一種晶片正在悄然崛起。谷歌的 TPU Ironwood 與亞馬遜的 Trainium3 正在暗中蓄力，準備挑戰輝達在 AI 計算領域長期建立的統治地位。一場很可能成為過去十年最具決定性意義的科技對決，正在拉開序幕。

輝達的統治：高利潤、強實力，也越來越被質疑

輝達的霸主地位不僅在技術上無可匹敵，在商業上同樣極其成功。公司最近公佈的季度營收高達 570 億美元，其中 512 億美元 直接來自資料中心 GPU。其 GAAP 毛利率飆升至 73.4%，甚至超過了許多軟體巨頭。

簡單來說，輝達每賣出一塊 GPU，就能帶來驚人的利潤。這正是投資者將其稱為 “AI 時代的軍火商” 的原因。但這份利潤，卻成了其他企業沉重的負擔。訓練最前沿的 AI 大模型，往往需要成千上萬塊 GPU。再疊加高頻寬視訊記憶體（HBM）、龐大的儲存叢集、先進的網路系統以及不斷上漲的電費，總體成本結構迅速失控。即便是一些深受使用者歡迎的 AI 服務，也依然難以實現盈利。

於是，高管和投資者開始反覆追問一個緊迫的問題：

我們究竟還能承受輝達這樣高昂的定價多久？

正是這個問題，為谷歌和亞馬遜打開了一扇全新的機會之門——它們正從輝達的最大客戶，轉變為最直接的競爭者。

谷歌 TPU Ironwood：資料中心裡的“沉默巨獸”

谷歌最新發布的第七代 TPU 晶片 Ironwood，專為高吞吐量機器學習任務而設計。它具備 4,614 TFLOPS 的 FP8 算力，配備 192GB 的 HBM3e 視訊記憶體，頻寬高達 7.3TB/s。

真正的突破在於規模。最多可將 9,216 顆 Ironwood 晶片 互聯成一個統一系統，整體 FP8 算力超過 40 Exaflops，共享記憶體高達 1.7PB。谷歌毫不猶豫地將這一系統稱為 AI 超級計算機。

更值得關注的是，谷歌甚至公開將 Ironwood 與輝達即將推出的 GB300 進行對比，並宣稱其 FP8 效能更具優勢。傳遞出的資訊非常明確：

驅動 AI 未來的，不再只有輝達一個引擎。

目前，Ironwood 已在谷歌內部承擔實際工作負載，並通過部分 Google Cloud AI 例項對外提供。儘管尚未全面商業化，但輝達“唯一王者”的時代顯然已經開始鬆動。

亞馬遜 Trainium3：重塑 AI 基礎設施的經濟邏輯

亞馬遜雲端計算服務（AWS）同樣動作迅猛。由 Annapurna Labs 設計、採用 3nm 製程工藝 的 Trainium3，可提供 2.52 FP8 Petaflops 的算力，搭配 144GB HBM3e 視訊記憶體 與 4.9TB/s 的頻寬。

AWS 將 144 顆 Trainium3 整合進全新的 EC2 Trn3 UltraServer。單個機架即可實現：

• 362 FP8 Petaflops 的計算效能
• 20.7TB 的 HBM3e 視訊記憶體
• 706TB/s 的系統頻寬

該平臺專為 超大規模模型訓練 及 上下文長度超過百萬 Token 的超長推理任務 而設計。

其背後的戰略非常直接：

AWS 希望為客戶提供更低成本的 AI 基礎設施，並奪回目前被輝達佔據的大量利潤空間。

其中一個關鍵變化尤其引人注目。AWS 宣佈，下一代 Trainium4 將通過 NVLink 與輝達 GPU 實現互聯互通。在這種混合架構中，最重負載由輝達承擔，而低壓力的推理任務則交由 Trainium 處理，目標並非徹底取代輝達，而是 顯著降低總體成本。

為什麼開發者仍然選擇輝達：CUDA 依然不可撼動

從紙面上看，切換到 TPU 或 Trainium 似乎並不困難。但若真正去問工程師，他們往往只給出同一個答案：

CUDA 用起來更簡單。

自 2006 年以來，輝達持續打造 CUDA 生態體系，使其成為全球最成熟的 GPU 程式設計平臺。早在生成式 AI 爆發之前，研究人員、物理學家和深度學習先驅們就已經在 CUDA 上進行探索。即便到了今天，大量新的機器學習特性，仍然優先在輝達硬體上釋出。

現實擺在企業面前十分殘酷：整個軟體棧——包括流水線、核心與最佳化方案——都深度繫結 CUDA。遷移到 TPU 或 Trainium 意味著要重寫大量程式碼，並進行大規模系統級調優。理論上的成本節約，往往無法抵消真實世界中的技術風險。

儘管谷歌與 AWS 一再強調其晶片相容 PyTorch、TensorFlow 與 JAX，並表示切換框架像改幾行程式碼一樣簡單，但這隻適用於小規模演示。在真正的生產級 AI 系統中，現實截然不同。那是一個由定製核心、通訊層和手工極致調優演算法構成的複雜迷宮。

這正是輝達護城河看起來更難被攻破的根本原因。

輝達的反擊：用“絕對速度”擊退一切對手

輝達早已意識到威脅的存在，並迅速展開反擊。即便 Blackwell 架構 尚未全面部署，輝達便率先公佈了 Rubin 架構 以及下一代 Vera Rubin NVL144 系統。

Rubin 的目標是單 GPU 達到 50 FP4 Petaflops 的推理效能；NVL144 機架整體效能超過 3.6 Exaflops，是上一代 GB300 NVL72 的三倍以上。

隨後，輝達還推出了 Rubin CPX——一款專門負責長上下文推理的配套晶片，而 Rubin GPU 則專注於內容生成。二者組成的 Vera Rubin NVL144 CPX 機架目標效能為：

• 8 Exaflops 的 NVFP4 算力
• 100TB 記憶體
• 1.7PB/s 的系統頻寬

輝達的戰略只有一句話：

如果對手追得上來，那就把產品節奏加快到他們永遠追不上。

這也讓押注 TPU 或 Trainium 的企業不得不面對一個現實問題：

兩三年後，如今的成本優勢是否還會存在？

輝達還能守住王座嗎？

當前最可能出現三種局面。

第一種： 輝達繼續保持霸主地位，但利潤率下滑。隨著谷歌、AWS 和 AMD 規模化擴張，輝達 70% 的毛利率不可能永久維持。

第二種： 市場走向多極化格局。正如 CPU 從英特爾一家獨大，演變為英特爾、AMD、ARM 以及各國晶片公司並存，AI 加速器市場也可能走上同樣的道路。輝達仍是領頭羊，但不再擁有壟斷權力。

第三種： AI 泡沫降溫，企業投資熱情減弱，GPU 支出放緩，輝達最先受到衝擊。但從當前的產業普及速度來看，更像是降速，而非崩盤。

最現實的結果，很可能是前兩種情況的結合：輝達依然是巨頭，但谷歌與亞馬遜正在持續蠶食其版圖。

這對所有人意味著什麼？

對於普通使用者和開發者來說，真正的問題在於：

未來十年，AI 的使用成本和能力將發生怎樣的變化？

AI 訂閱服務會變便宜嗎？模型是否能支援更長的上下文視窗，並在文本、影片、3D、遊戲等場景中實現真正的多工協同？我們是否會迎來一個由專用晶片主導應用演進的 AI 生態？

AI 晶片之戰不僅關乎輸贏，更關乎 未來十年計算規則由誰來書寫。

輝達依然穩坐王座，但谷歌和亞馬遜已不再只是旁觀者——他們正在王庭之內磨刀霍霍。

AI 的未來，將取決於這些巨頭選擇如何開戰。

**免責宣告：**本文僅代表作者個人觀點，半導體行業觀察轉載該文僅為呈現不同視角，並不代表其對文中觀點的認同或支援。如有異議，請聯絡半導體行業觀察。