黄仁勋和英伟达的“天塌了”？中美四大巨头，全部转向自研芯片|amd|gpu|英伟达|黄仁勋

黄仁勋大概没料到，一天之内让英伟达蒸发近千亿美元市值的，不是AMD，不是英特尔，而是他自己最贵的那批客户。

短短一周之内，四条新闻挤在同一个时间窗口冒出来：短时间内，多家头部AI公司被曝正在探索自研推理芯片路线。从OpenAI到Anthropic，再到DeepSeek等企业，行业正在出现一个越来越明显的趋势：模型公司开始尝试掌握部分底层硬件能力。硅谷、首尔、杭州、北京，四个坐标，动作却像事先对过表——都要造自己的芯片，都要绕开英伟达。

这四家，恰好是过去两年英伟达最舍得掏钱的四位大客户。它们同时出手，市场立刻嗅出了不对劲。英伟达盘前跳水，千亿美元市值一夜蒸发。

这绝不是四家公司各自决策的巧合，而是一场蓄势已久的产业切割。AI芯片产业的话语权正在出现重新分配，下游模型公司开始试图获得更多主动权。这次转移的规模、速度和参与者的分量，都远远超出了大多数人的预期。

要看懂这件事，得先分清两个概念——训练芯片和推理芯片。这两样东西经常被混着说，但对英伟达来说，商业含义完全不同。

训练相当于盖楼，一次性资本开支，模型练完就封顶了。这活儿又累又短，需要海量并行计算，英伟达的CUDA生态加上NVLink互联构成了极深的护城河，短期内谁也别想撼动。

推理是把楼盖好之后天天开门做生意。它是持续运营成本，每生成一个词元（token）都在烧钱。Agent时代一到，token消耗量以百倍速度膨胀。高盛此前测算，到2030年Agent场景下的token用量将增长约24倍。

真正的问题出在这里：英伟达的GPU本质上是一颗通用计算芯片，晶体管里塞了图形渲染、科学计算、深度学习等各种功能。跑推理时，绝大部分电路是闲着的。

在部分大规模推理场景中，通用GPU存在大量资源无法被充分利用的问题，这也是ASIC等专用芯片出现的重要原因。

翻译成人话就是：客户花了一整颗芯片的钱，只用到很小一部分算力，剩下的都是在为＂用不到的灵活性＂付租金。

只要AI进入规模化服务阶段，模型公司就一定会算这笔账，算过之后就一定会转向自研。这不是＂如果＂的问题，是＂什么时候＂的问题。今年这四家同时动手，只是把一个原本要拖到2026、2027年才发生的事情提前了一年。

美国这两家的动机很直白——省钱。

据业内分析，专用芯片理论上有机会显著降低推理成本，但实际效果仍要等量产和部署验证。市场也传出部分AI公司正在评估不同晶圆代工路线，包括先进制程合作可能。两家走的是同一条思路：把模型架构里那些确定不变的部分直接固化成硅片，让算子变成电路，让内存通路照着注意力机制的压缩格式布线。

对OpenAI来说，一年几十亿美元的算力开支是压在头顶的大山。自研芯片如果真能砍掉一半推理成本，省下来的钱要么直接变利润，要么用来降价打市场。在模型能力越来越接近、价格战越打越狠的下半场，推理成本就是毛利率，毛利率就是活下去的资本。

Anthropic的选择更妙。它一手用谷歌TPU，一手找三星做芯片，一手还继续买英伟达。这不是选择困难症，是清醒的供应链安全策略——鸡蛋分几个篮子放，才不至于一次全砸。

再看中国这两家，处境完全是另一个逻辑。DeepSeek和智谱不是想不想做，而是必须做。DeepSeek此前大量依赖英伟达GPU，同时也积极推进与国产算力平台适配，并被报道探索自研推理芯片路线。

好在国产替代的底座已经打好。华为昇腾已经成为中国AI算力生态的重要参与者。国内大厂对昇腾的需求非常旺盛，产能还在爬坡。这时候一线大模型公司自己再往下延伸做专用芯片，本质上是在给国产算力生态补齐＂最后一公里＂。

这里要多说两句。国内舆论场上有一种声音，一提到＂自研芯片＂就下意识地皱眉，觉得又是被逼出来的无奈。但如果拉长时间轴看，这种＂被逼出来的自研＂恰恰是中国科技产业最值得押注的一条线。

理由有三。其一，被限制的往往是通用产品，反而催生了针对场景的定制方案，而定制方案在效率上通常比通用方案高出一个量级。其二，中国的应用场景规模足够大，任何自研芯片一旦跑通，都有足够的国内订单摊薄成本，不需要一开始就出海抢市场。其三，也是最容易被忽视的一点——被卡脖子倒逼出来的技术栈，往往更贴近实际需求，反而更有生命力。这一点在通信、新能源、高铁上都已经反复验证。

DeepSeek和智谱走到自研这一步，表面看是＂没办法＂，往深里看则是＂正合适＂。

更值得关注的是，中国团队还摸出了一条独特的商业路径——＂模型免费加芯片收费＂。开源模型本身不直接赚钱，但如果把GLM、DeepSeek这类模型的权重和架构直接固化到芯片里，用户想要最极致的推理效率，就得买专用芯片。模型是钩子，芯片才是收银台。

这是一条把美国同行都看得眼睛发亮的路。开源做生态，硬件收租金，本质上是用开放换规模、用规模换硬件溢价。相比OpenAI＂封闭模型加订阅＂的老套路，这种模式更符合AI大规模普及的产业逻辑，也更适合中国团队的能力结构。

绕回来讲英伟达。四家公司同时动手，除了成本和供应，还有一层更深的原因：没有人比模型公司自己更懂自己的模型。

举个例子。DeepSeek的多头潜在注意力（MLA）把KV Cache压到常规架构的几十分之一，细粒度MoE让每次推理只激活一小部分参数。

这些创新跑在通用GPU上，只能靠软件层去凑合适配硬件。但如果芯片是自己设计的，算子可以直接固化成电路，访存通路照着MLA的压缩格式排布，性能和能效瞬间是另一个数量级。

这就是＂软硬件协同设计＂的套利空间。Groq、Cerebras这些独立芯片公司拿不到这层暗知识，只能做通用推理加速器，由于缺少大型模型公司的深度协同，它们面临生态建设挑战。而模型公司自己下场，等于把这层套利空间收进了自己口袋。

AI芯片行业未来五年最重要的一条主线，是＂模型定义硬件＂取代＂硬件定义模型＂。过去开发者要迁就CUDA和GPU的架构去写代码，未来会是芯片跟着最强的那批模型架构去布线。这个方向逆转的影响，会比任何单颗芯片的发布都深远。

那英伟达是不是就完蛋了？

短期内英伟达的天没塌，但长期看，这家公司必须重新定义自己。

短期看，自研芯片从立项到大规模量产至少要2到3年。这段时间里，英伟达的订单一颗都不会少。训练环节的CUDA生态依然锁死，GPT-6、Claude 5级别的下一代模型训练仍离不开B200和后续型号。OpenAI一边推自研，一边还在排队抢货，这就是现实。

中长期的压力却是真实的。当2027、2028年这批推理专用芯片集中量产，部分推理负载可能逐渐向ASIC和专用加速器迁移，英伟达的销售空间会被明显压缩。

但英伟达并非没有防线。NVLink Fusion这套互联技术已经在向外授权——就算你不买它的GPU，只要还用它的互联标准，＂过路费＂依然要交。

加上训练端的绝对优势，英伟达可能从绝对领先者转变为多种AI计算方案竞争格局中的核心玩家，估值逻辑需要从＂永远高增长＂修正到＂增长趋于常态＂。

这次千亿美元级别的市值蒸发，反映的就是这个修正。不是末日，是回到常识。

再往大了看，这件事的意义远超一家公司的股价起落。四家头部模型公司同一周动手，标志着AI算力市场从＂英伟达单极＂进入＂多极战国＂。谷歌有TPU，亚马逊有Trainium，OpenAI有自研芯片，Anthropic牵手三星，DeepSeek和智谱有国产自研，再加上Etched、Groq、Cerebras这些独立芯片公司，ASIC阵营快速壮大。

黄仁勋不再是那个＂你不买就没得选＂的霸主。

对资本市场来说，这意味着一次深度的重新定价。上游硬件端的＂信仰溢价＂在退潮，下游应用端的＂刚需逻辑＂在升温。

过去两年AI概念股的估值几乎完全被GPU厂商定义，接下来大概率会向真正跑出商业化闭环的应用公司迁移。这个再定价过程会持续两三年，中间会有反复，但方向已经清楚。

对中国来说，这是一次难得的战略窗口期。全球AI产业正在探索降低对单一计算体系依赖的方法，等于全世界都在验证华为昇腾、寒武纪，以及DeepSeek、智谱这些自研路线的正确性。