辉达 GPU 与 Google、亚马逊 AWS 自研 AI 晶片的技术差异与未来市场走向

在生成式 AI 席卷全球的当下，驱动这一波革新的核心，是一颗颗高速运算的人工智慧晶片。过去十多年，辉达（NVIDIA）以 GPU 种下 AI 工业革命的种子，如今 Blackwell GPU 专为最先进的 AI 训练与推理打造，已成为全球资料中心的标准设备，去年出货量更达 600 万颗。在大型伺服器机架中，72 颗 GPU 可透过 NVLink 技术汇整为如同单一巨型 GPU 的运算单元。现今，AI 晶片市场已不再是辉达 GPU 独占的舞台，客制化 ASIC 、FPGA 正被大型科技企业采用，这些 AI 晶片的差别为何？未来会如何影响到 AI 发展，甚至可能会动摇辉达一家独大的局面？本文摘自CNBC 影片重点编译整理。

GPU：AI 黄金时代的开端

GPU 从游戏卡跃升为 AI 核心，可追溯至 2012 年的 AlexNet。研究团队首次将辉达 GPU 的平行运算能力用于神经网路训练，成功在影像辨识竞赛中大幅领先其他对手，也开启深度学习时代。

GPU 的核心优势来自其数千个并行处理核心，能高效执行矩阵乘法等张量运算，正适合 AI 训练与推理。现今辉达不仅向 OpenAI、各国政府与企业供应 GPU，也直接打造整套伺服器系统。单一机架的 Blackwell 伺服器售价高达 300 万美元，辉达甚至透露每周出货 1000 台，足见 AI 算力需求之狂热。辉达竞争对手 AMD 则依靠 Instinct GPU 与开源软体生态系加速进展，近期更获 OpenAI 与 Oracle 支持，成为 AI 基础设施市场重要推手，AMD GPU 的区别在主要使用开源软体，而 Nvidia GPU 则紧密围绕 CUDA 进行最佳化，CUDA 是 Nvidia 的专有软体平台。

专门为单一用途而设计的 ASIC 成为新趋势

从 Google、亚马逊、Meta、微软，到 OpenAI 与博通，各大云端巨头纷纷投入客制化 ASIC（应用专用积体电路）的研发。这些专为单一用途设计的晶片，在未来几年预计将成为成长速度最快的 AI 晶片类别。

随着大型语言模型步入成熟期，推理需求正快速超越训练。推理的成本、能耗与稳定度成为云端平台的痛点，而这正是 ASIC 的主战场，与万用的 GPU 不同，ASIC 如同一把「专用超精密工具」，针对单一类型 AI 工作负载进行硬编码最佳化，因此速度更快、功耗更低。缺点是灵活性较差，且开发门槛极高，一颗客制晶片的设计成本动辄数十亿美元，因此只有云端巨头能负担。

用于 AI 的客制化 ASIC 成本更高。极其昂贵，至少需要数千甚至数亿美元。但对于那些负担不起客制化 ASIC 的大型云端服务供应商来说，客制化 AS6 却能带来回报因为它们能效更高，而且减少了对辉达的依赖。

博通的 ASIC 强势挑战 AI 市占率

博通与 Marvell 等晶片代工设计公司，是超级大型云端企业的核心战略伙伴。Google TPU、Meta 自研加速器，以及 OpenAI 即将问世的 ASIC，都由博通深度参与。博通帮助建构 Google 的 TPU 和 Meta 的 AI 推理训练，分析师预估博通在客制化 ASIC 市场的市占率可达 70 % 至 80 %。

FPGA：介于 ASIC 与 GPU 之间的弹性选择

FPGA 用于在设备端而非云端为边缘 AI 提供支援的晶片。FPGA 最大优势在「可重新配置」。当企业需要在硬体尚未定案时测试架构时，FPGA 提供介于 GPU 通用性与 ASIC 高效能之间的选项。虽然效能不如 ASIC，但灵活度使其仍受到资料中心与嵌入式设备青睐。AMD（并购 Xilinx）与英特尔（并购 Altera）是 FPGA 市场的两大主力。

Google TPU

Google 是 ASIC 第一个大玩家，率先打造了用于人工智慧加速的客制化专用积体电路（ASIC），并在其首款 ASIC 于 2015年 问世时创造了 Tensor Processing Unit （张量处理器，TPU）这个术语。TPU 也促成 Google 于 2017 年发明了 Transformer 架构，成为 ChatGPT、Claude 等 AI 的共同基础。如今 Google 已发展到第 7 代 TPU Ironwood，并协助 Anthropologie 使用上百万颗 TPU 训练 Claude 系列模型。外界盛传 TPU 在某些情况下甚至超越辉达的 GPU，但 Google 传统上仅自用，因此 TPU 的真正潜力仍未完全释放。

AWS Tranium：云端推理矩阵

AWS 在收购 Annapurna Labs 后，全力投入自有 AI 晶片。Tranium 与 Inferentia 已成为 AWS 训练与推理平台的重要支柱。Tranium 以大量小型张量引擎组成，高度灵活，据 AWS 表示性价比高于云端中的其他硬体 30 % 至 40 %。2024 年，Anthropic 在 AWS 北印第安纳资料中心以 50 万颗 Tranium 2 训练模型，其中甚至完全没有辉达 GPU，可见 ASIC 的地位正在擡头。

NPU（神经网路处理器）：手机、电脑、车用装置的边缘 AI 晶片

除了资料中心，AI 晶片也向个人装置延伸。NPU（神经网路处理器）为专门在装置上运行边缘人工智慧而设计的晶片，而不是在云端运行，可以保障个人隐私。现已整合在高通 Snapdragon、AMD、英特尔与苹果 M 系列 SoC 中，用于手机、笔电、智慧家庭、汽车甚至机器人。设备端 AI 将带来更高的隐私保障、更低延迟与更强的控制性，是下一波 AI 普及的重要推力。

台积电成为晶片争夺战的核心

无论是辉达 Blackwell、Google TPU 或 AWS Tranium，大多数 AI 晶片最终都由台积电代工。这让 AI 算力供应与全球地缘政治紧密绑定。美国正试图透过台积电亚利桑那厂与英特尔 18A 制程，将部分晶片制造能力拉回本土。然而，中国企业如华为、阿里巴巴也正积极打造自家 ASIC，在出口管制下寻求本土替代方案。

AI 晶片群雄时代来临

无论是辉达 GPU 的强势霸权，还是 Google、AWS、Meta、OpenAI 等企业的 ASIC 赛道与 NPU 正将边缘 AI 推往每一台手机与汽车，晶片战争仍在加速升温。虽然要撼动辉达的地位并不容易，但 AI 市场规模巨大，新玩家不断涌入，未来十年的晶片版图势必更加激烈。

这篇文章 辉达 GPU 与 Google、亚马逊 AWS 自研 AI 晶片的技术差异与未来市场走向 最早出现于 链新闻 ABMedia。