几天前，英伟达再一次创造了历史。

7 月 3 日，英伟达市值短暂攀上 3.92 万亿美元，超越了苹果此前保持的 3.915 万亿美元纪录，成为有史以来市值最高的上市公司。AI 算力的狂飙猛进，把这家 GPU 厂商推向了前所未有的高点。

尤其是自 2024 年底，性能与能效双双跃进的 Blackwell 平台开始出货后的销售表现，打破了外界的疑虑，英伟达创始人兼 CEO 黄仁勋在最新财报电话会议上表示，仅在 2025 年第一季度，这套新平台就已经贡献了英伟达数据中心收入的近七成。

但就在英伟达市值冲顶、光环加身之时，来自生态内部的裂缝也在浮现。最典型的例子，正是英伟达的重要客户—— OpenAI。几乎就在英伟达市值达到高峰的同时，The Information 援引 OpenAI 内部人士称，OpenAI 正在使用谷歌自主研发的 TPU 芯片来为 ChatGPT 及其其他产品提供算力支持。

TPU 服务器，图/谷歌

虽然后续的回应中 OpenAI 刻意淡化了「转向」，强调是测试且「暂无大规模采用计划」。但对于一家曾亲手定义 AI 新时代的公司来说，哪怕只是「测试」，也足以引发市场的高度敏感。

与此同时，这也让谷歌稍早前发布的第七代 TPU —— Ironwood 再次成为焦点，这是一颗为推理场景量身打造的专用 AI 芯片，不仅在每瓦性能上直指 Blackwell，更在成本与部署灵活性上展现出颇强的吸引力。

更重要的是，真正让英伟达面对结构性挑战的，是那些比起「通用」，更强调「效率」的 ASIC 芯片阵营。谷歌、亚马逊、Meta 等云巨头正持续加码自研加速器，绕开英伟达 GPU 的高成本；而如 Cerebras、Graphcore 等初创企业，则从芯片架构和系统设计层面重新定义「AI 专用计算」，试图构建一条完全不同于 GPU 的技术路径。

对于英伟达来说，世界第一的宝座，并不安稳。

进击的 ASIC，正在成为英伟达的「心腹大患」

俗话说得好，最了解一个人的，往往是他的对手。

5 月 19 日，英伟达发布了全新互联架构 NVLink Fusion，这套架构被定义为「AI 工程合作平台」，通过授权 NVLink 芯片间互联（C2C）和整合交换模块，使第三方厂商能将自研加速器或 CPU 接入英伟达主导的算力系统。

相比过去 NVLink 的封闭式设计，Fusion 的「半开放」姿态看似包容，但本质依然要求合作方依附在英伟达的生态轨道上，任何定制芯片都必须连接到英伟达的产品，同时也只是选择性地开放了 900GB/s 的 NVLink-C2C 接口。所以 NVLink Fusion 尽管表面上展现了英伟达的开放姿态，实则更多是一次防御性出招：

为了防御 UALink 联盟。

图/ UALink 联盟

2024 年 10 月，由 AMD、Intel、谷歌、Meta、微软、AWS 等联合发起的 UALink 联盟就已悄然成型，随后又加入了苹果、阿里云、新思科技等，迅速扩张为一个囊括芯片设计、云服务、IP 供应链的庞大阵营。

今年 4 月，UALink 发布了 1.0 版本互联标准，支持高达 1024 个加速器节点、800Gbps 带宽互联、以及开放的 memory-semantics 协议——这不止是一项通信技术，而是一次瞄准「去英伟达化」的系统性布局。在 AI 芯片互联架构这件事上，英伟达或许比任何人都明白：

真正值得警惕的，不是某一家厂商，而是一整条开始摆脱 GPU 依赖、试图重建硬件秩序的 ASIC 阵营。

不同于通用的 GPU 架构，ASIC 是为特定任务定制的芯片，在 AI 时代意味着它们可以针对推理、训练、推流等核心计算路径进行极致优化。这种理念如今已在微软、Meta 和亚马逊等巨头内部深度落地，都在探索从英伟达 GPU 平台向自研 AI ASIC 芯片迁移。

谷歌就是最好的例子，TPU 系列自发布以来已进化至第七代 Ironwood，专为推理任务而设计，每瓦性能直接超越了英伟达 Blackwell。OpenAI 研究员在 X 平台上更认为 Ironwood 与 GB200 性能相当，甚至略胜一筹。更重要的是，TPU 系列已经支撑起了 Gemini 大模型从训练到推理的大规模应用。

图/谷歌

与此同时，除了老对手 AMD，包括 Meta、AWS 等新晋芯片厂商也在试图「赶超」英伟达 GPU。基于与博通的合作，Meta 首款 AI ASIC 芯片 MTIA T-V1 就被曝规格可能超过英伟达的下一代 Rubin 芯片，AWS 则是在与 Marvell 合作的基础上，启动了不同版本的 Trainium v3 开发，预计于 2026 年陆续量产。

而据野村证券稍早前发布的最新报告指出，2025 年谷歌 TPU 出货量预估 150 万至 200 万，AWS Trainium 和 Inferentia 预估 140 万至 150 万，等到 Meta 与微软开始大规模部署，有望 2026 年在出货量上首次超越英伟达 GPU（500 万至 600 万）。

初创公司方面，研发出全球最大芯片的 AI 芯片「独角兽」Cerebras，以 Wafer‑Scale Engine（WSE）引领训练芯片架构的革新，在多个政府和科研超算项目中落地；软银收购的 Graphcore 虽经历波折，但仍坚持在神经网络处理架构（IPU）上寻求突破；Tenstorrent、Rebellions 等新秀则在 AI 推理、边缘计算等细分领域持续积累客户与出货量。

全球最大芯片，图/ Cerebras

英伟达当然看懂了这股暗流，所以选择用 NVLink Fusion 做出回应。但现实是，越来越多的玩家已经不再满足于做配角。ASIC 的崛起，不只是一次技术路线的迭代，更是一场由巨头主导、由联盟推动、由生态背书的系统性挑战。英伟达固然强大，但面对这样的对手，仍然警惕。

巅峰之下，英伟达的三个软肋

市值冲上 3.92 万亿美元的那一刻，英伟达站上了全球资本市场的顶点。但在这个耀眼的高度之下，越来越多的问题开始浮出水面。从产业依赖，到产品结构，再到生态策略，英伟达仍然存在可能，被它自己一手打造的成功逻辑反噬。

其一在于超大规模客户的集中依赖。英伟达目前约 88% 的营收来自数据中心业务，而其中大头集中在极少数几家云计算巨头手中：微软、AWS、阿里、Meta、谷歌，以及越来越有野心的 OpenAI。也正是这些客户不仅自研 AI 芯片，还组建了 UALink 联盟，正在亲手削弱英伟达 GPU 的统治力。

谷歌有 TPU，亚马逊有 Trainium，Meta 和微软分别推出了 MTIA 与 Maia 系列加速器。OpenAI 也在测试谷歌 TPU 的同时，自研 AI 芯片的消息不断流出。这些客户不是不需要英伟达，而是不想「只」依赖英伟达。

其二在于性价比。Blackwell 平台带来了几乎碾压式的算力提升，特别是 GB200 架构在训练和推理性能上的跃升。但与此同时，这一代产品的复杂性、功耗和成本也大幅攀升。据汇丰银行消息，一套 GB200 NVL72 服务器售价高达 300 万美元左右，让许多客户望而却步。

GB200 NVL72，图/英伟达

这种极致设计策略确实锁定了高端市场，但也带来了两个副作用：一是把中小客户甩在了门外，二是推动客户寻找更便宜、更省电的替代品。当 AI 推理成为主流任务，性价比往往比绝对性能更重要，而这正是 ASIC 等专用芯片擅长的领域。

此外针对云厂商等大客户，早期愿意为性能付费。但随着部署规模扩大、模型标准化、预算紧缩，即便是大型厂商也越来越希望能有更多自主权和谈判空间。当英伟达变成「不得不用」，也就意味着产业链已经开始寻找「有没有可能不用」的选项，而谷歌 TPU 的成功更是一种激励。

其三在于英伟达的生态壁垒。英伟达 CUDA 是目前业界最强大的 AI 编程生态，但它的高度封闭也让它逐渐成为一个「属于英伟达」的世界。在 UALink 联盟、OneAPI、MLIR 等开放生态兴起的背景下，越来越多开发者和系统设计者开始追求跨平台兼容、异构协同，而不是将命运绑定在一家公司的工具链上。

CUDA 一度是英伟达的护城河，但如今也在一定程度上成为了限制开发者自由流动的「生态高墙」。当更多厂商期望在不同架构间灵活切换，CUDA 的壁垒也可能成为他们转身的理由。

回头来看，英伟达固然仍然是今天最强的 AI 芯片厂商，站在技术、产品和市值的巅峰。但巅峰从来不是终点，它只是更多挑战的起点。更关键的是，英伟达面对的不是一次技术换代的风险，而是一次由客户主导的去中心化。正如前文所言：英伟达的世界第一，并不稳。