算力云王座的权力游戏：云厂商自研芯片围攻英伟达

过去几年，提到 AI 算力，几乎等同于提英伟达。 但从 2024 年开始，形势悄悄变了：亚马逊、谷歌、微软这些云计算巨头，不再满足于“买英伟达的铲子挖金”，而是开始自己开“铁厂”，大规模上自研 AI 芯片。

这不是一场简单的技术秀肌肉，而是一场关乎成本、议价权、生态控制的长期权力博弈。

本文就尝试回答几个核心问题：

• 英伟达现在到底强势到什么程度？
• 云厂商为什么非要自己做芯片？
• 自研 ASIC 芯片，真的比 GPU 划算吗？
• 这场博弈，最终会把 AI 算力市场推向哪里？

一、英伟达的统治地位：六成份额与 69% 毛利率

先看格局。

到 2025 年，英伟达仍然稳稳占据全球 AI 芯片市场 六成以上 的份额，可以说是货真价实的算力霸主。

更关键的是它的赚钱能力： 英伟达 2025 年的综合毛利率高达 69%。这意味着：

云厂商每花 100 元买英伟达的芯片，有 69 元变成了英伟达的利润，真正的硬件成本只有 31 元。

对于 AWS、Azure、GCP 这一类做云服务的公司来说，这个结构非常扎眼。 因为它们的生意，本质上就是：

自己买设备，切片打包以后租给别人用。

设备成本被英伟达抬得这么高，云厂商要么跟着涨价，把压力转嫁给客户；要么自己少赚钱，让股东不满意。长久下去，两头都不好看。

所以，自研芯片不是“想不想”的问题，而是“早晚”的问题。

二、云厂商为什么要自研芯片：一笔明确的经济账

从商业逻辑看，自研芯片的目标很直接：

• 把总拥有成本（TCO）压下来
• 把原本留给英伟达的利润，拿回一部分给自己
• 另一部分通过降价让利客户，提升云服务竞争力

云服务本质是规模生意。 在动辄上百万颗芯片的采购量级上，哪怕每颗芯片单小时成本便宜几十美分，长期累积都是天文数字。

这也是为什么几家云巨头一边还是英伟达的超级大客户，一边又拼命砸钱做自研——它们并不是要把英伟达“一刀切掉”，而是要增加自己的筹码和议价权。

三、AWS 百万芯片大军：从收购到完整家族

亚马逊其实很早就“埋雷”了。

早在 2015 年，AWS 就收购了以色列芯片公司 Annapurna Labs。当时外界并没有太多关注，现在回头看，这几乎是提前十年的布局。

到 2025 年，AWS 对外透露： 它们的数据中心里已经部署了 超过 100 万枚自研芯片。这个数字，对英伟达来说，绝对不是小数目。

这些自研芯片并不是一个型号，而是一个完整的家族：

• Graviton 系列 CPU：替代英特尔和 AMD，用于通用计算
• Inferentia：专门做 AI 推理
• Trainium：专门做大规模 AI 模型训练

简单理解就是：

原来全靠买英伟达“瑞士军刀”， 现在 AWS 自己造了一整套“螺丝刀、扳手、电钻”。

名气可能不如英伟达响亮，但胜在一个字：划算。

四、谷歌 TPU vs 英伟达 GB200：一笔明牌成本账

自研芯片到底便宜多少？ 可以看一组公开测算数据。

2025 年 11 月，SemiAnalysis 做过一个对比：

• 谷歌自用 TPU v7，内部核算成本约为：1.28 美元 / 小时
• 英伟达 GB200 方案，对应成本约：2.28 美元 / 小时

简单一算：

谷歌自研 TPU 的成本，大约只有英伟达方案的 56%。

如果谷歌把 TPU 拿出来对外出租，算上自己的利润：

• TPU 对外云上价格约 1.6 美元 / 小时
• 仍然只有 GB200 方案的 51% 左右

对客户来说，同样一个 AI 训练或推理任务：

• 用英伟达方案，账单是 100
• 换成谷歌 TPU 或 AWS Trainium，账单可能直接砍半

对于每月在算力上烧掉几百万美元的 AI 创业公司，这不是小数，是生死线级别的差距。

五、GPU vs ASIC：瑞士军刀和电动货车的差异

要理解自研芯片为何能降成本，得先看两类芯片的基本思路。

通用 GPU：一把豪华瑞士军刀

英伟达的 GPU 一开始是为游戏场景设计的。 因为它在大规模并行计算上表现出色，才被 AI、科学计算等行业“顺手借用”。但随着需求越来越多，GPU 里集成的功能也越来越杂：

• 游戏渲染
• 挖矿
• 科学计算
• AI 训练和推理
• 视频编解码
• 各种图形和计算接口兼容

这就像一把豪华瑞士军刀，什么工具都有。 问题是：

你买的时候，不管用不用得到，都得为所有功能买单。

这在很多只做 AI 训练和推理的场景里，其实是一种浪费。

自研 ASIC：只干一件事的电动货车

像 AWS 的 Trainium、Inferentia，就属于 ASIC（专用芯片） 路线。

它们的设计逻辑是：

• 不追求“大而全”
• 砍掉所有和 AI 任务无关的功能模块
• 电路结构更简单，制造成本更低
• 能耗更小，单位算力成本更低

可以把它类比成一辆电动货车：

• 不越野
• 不讲豪华
• 也不适合赛车
• 但非常适合按吨计费地送货

对于大量只需要稳定跑训练任务、推理任务的企业来说，它们根本用不到 GPU 的全部功能，只想要一个“便宜好用、油耗低、拉得多”的工具，这正是 ASIC 的机会。

六、微妙的平衡：自研芯片和英伟达生态的共存

即便 AWS 已经上了百万片自研芯片，它在控制台里依然提供最新一代英伟达 GPU 供客户选择，这一点非常关键。

这说明：

现在谈“替代英伟达”，更多是一种 分流，而不是你死我活的全面对抗。

原因就在于 生态壁垒。

• 全球有几百万 AI 开发者在用 CUDA
• 主流开源 AI 框架和模型优先支持英伟达
• 很多企业的研发流程、工具链、监控系统，都深深绑在 GPU 生态上

对企业来说，把一整套已经跑顺的工程体系，从英伟达环境迁移到一套新芯片和工具链上，本身就是巨大的不确定性风险。

所以现实的格局更像这样：

• 研发和前沿探索阶段： 追求的是通用性、成熟工具和最高效率，英伟达的 GPU 仍然是首选
• 模型稳定并进入大规模商业化部署阶段： 在可接受的工程改造范围内，逐步迁移到 Trainium、Inferentia、TPU 这类自研芯片，以换取长期成本优势

云厂商推动自研，并不是为了把英伟达“赶出去”，而是为了在谈判桌上多一张牌。

七、对开发者和企业的直接影响

对开发者和企业用户来说，这场“算力王座的权力游戏”，带来的直接变化主要有三点。

1. 算力价格下行

当市场不再只有英伟达一家主要供应商，而是多家云厂商带着自研芯片加入竞争时：

• 供给变多
• 选择变多
• 算力单价自然往下走

这对初创公司尤其友好——进入门槛会比过去低一大截。

2. 选型变成“场景题”，而不是“单选题”

未来更合理的策略可能是：

• 研发阶段： 用英伟达 GPU，图的是生态成熟、调试方便、踩坑少
• 上线规模化部署后： 根据成本压力和业务结构，评估是否迁移到 TPU、Trainium、Inferentia 等专用芯片

对于很多企业而言，这是一个“分层架构”的过程，而不是一次性切换。

3. 英伟达也被迫加速创新和调整价格

当 AWS、谷歌、微软手里都有了可用的自研方案，并且规模已经上到百万级芯片时，英伟达也不可能无动于衷。

它只能：

• 加快自家产品迭代节奏
• 在价格和打包方案上更有弹性
• 在软件生态上继续加大投入

长期来看，这种多方博弈，反而会让整个行业朝着更高性能、更低成本、更丰富选择的方向发展。

晨涧云算力平台提供了丰富的英伟达显卡类型可供选择，包括A100、4090、3090等都是行业内极具竞争力的租用价格。

结语：算力王座，不是一把椅子，而是一张桌子

表面上看，这是一场“谁能坐上算力王座”的竞争； 但实际上，更接近一场围绕“规则制定权”的博弈。

• 英伟达掌控的是 通用 GPU 和 CUDA 生态
• 云厂商掌控的是 数据、场景、基础设施和客户关系

自研芯片，让后者在这张桌子上，终于有了可以拍一下的筹码。

对整个 AI 行业来说，算力正从过去那种“稀缺奢侈品”，慢慢变成更接近“水电一样的基础设施”。 当算力价格真正降下来，更多创业者和企业有能力长期使用大模型、训练自家模型时，AI 创新的密度和速度，才有可能真正爆发。

对个人开发者和技术团队来说，理解这场权力游戏背后的成本和生态逻辑，可能比盯着下一代显卡规格表，更有长期价值。