AI晶片的「去Nvidia化」：梦想、现实与成本曲线
生成式人工智能热潮把Nvidia推上算力王座，也令全球科技企业产生同一焦虑：当最重要的生产工具由单一供应商掌握，晶片价格、交付周期和议价权便难以控制。因此，Google扩大TPU部署，亚马逊推进Trainium，微软、Meta等亦投资自研晶片；AMD则以Instinct系列正面挑战。市场遂出现「去Nvidia化」想像，仿佛只要推出另一款加速器，便能打破其垄断。
现实却复杂得多。Nvidia的护城河从来不只是一块GPU，而是由CUDA软件、开发工具、模型函式库、高速互连、伺服器架构及工程人才组成的完整系统。企业购买的不是晶片规格，而是把模型快速训练、部署及持续升级的能力。若转用其他平台，即使晶片单价较低，也可能要重写程式、重新测试模型、培训团队，甚至调整数据中心网络。算力便宜了，上市时间却延后半年，对AI竞赛中的企业而言，代价可能更高。
真正竞争不在晶片价格，而在每个Token成本
替代者并非没有机会。AMD的MI300X配备192GB HBM3记忆体，较适合大型模型推理及记忆体密集型工作；Google第六代TPU Trillium的单晶片峰值运算能力较TPU v5e提高4.7倍，能源效率提升超过67%；AWS亦以Trainium2配合Neuron软件，支援PyTorch、vLLM及大型开源模型，尽量降低迁移门槛。
但晶片比较不能只看峰值算力。真正决定成本的是每个Token的综合成本，包括晶片购入或租用价格、记忆体容量、互连效率、电力、散热、集群利用率，以及软件工程投入。某款晶片理论性能再高，若模型只能发挥六成效能，或者调试时间较长，其实际成本未必较低。这亦解释了为何云端巨头有能力自研ASIC，中小型企业却多数继续使用Nvidia：前者每天处理数以万亿计Token，可用庞大固定工作量摊薄设计和软件成本；后者工作量不足，采用成熟平台反而更划算。
「去Nvidia化」首先会在推理市场发生，而不是最前沿模型训练。训练工作负载变化快，需要高度灵活的通用运算能力，Nvidia在软硬件协同、集群规模及故障管理方面仍占优势。推理则相对标准化，模型一旦定型，企业可以透过量化、剪枝及专用晶片降低成本。因此，搜寻、推荐、广告及固定模型服务，最适合转移至TPU、Trainium或自研ASIC；探索性研发及大型模型训练，则仍可能留在Nvidia平台。
中国市场的「去Nvidia化」还多了一层供应链安全考虑。国产AI晶片不仅要追赶运算性能，更要建立编译器、算子库、互连、伺服器和开发者社群。政策和出口管制可以创造替代需求，却不能自动消除软件差距。若企业为满足自主可控而同时维护两套甚至三套技术栈，短期成本反而可能上升。国产替代的成功标准，不应只是晶片能否点亮，而是能否长期稳定运行主流模型，并把迁移及维护成本降至可接受水平。
因此，未来并非「Nvidia被取代」，而是AI算力市场逐渐分层：最前沿训练由Nvidia继续主导，大型云端平台以自研晶片承接固定工作负载，AMD争取需要通用GPU但希望降低供应商依赖的客户，国产晶片则在特定市场及政策环境中扩张。Nvidia的市场份额或会下降，但AI算力总需求仍在增长，其收入未必因此收缩。
所谓「去Nvidia化」，更准确的说法应是「降低Nvidia的边际依赖」。梦想是摆脱单一供应商，现实是软件生态难以绕过，而最终胜负则取决于成本曲线。当替代平台能在不牺牲模型性能和开发速度的前提下，持续降低每个Token的成本，去Nvidia化才会从企业口号变成真正的产业趋势。
义合控股投资者关系部
(芯片与算力系列之82)
$NVIDIA(NVDA)$ $Dell Technologies Inc.(DELL)$ $Hewlett Packard Enterprise(HPE)$
免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。
