谢谢你！

我们已收到您的询问。专家将在 1 个工作日内与您联系。

消息

本文中的所有信息和数据仅供参考。欲了解更多信息，请查看此处的条形图披露政策

分享

没有人可以否认英伟达（NVDA）是人工智能（AI）半导体竞赛中事实上的领导者。自人工智能热潮开始以来，它发布的每个平台都引起了超大规模企业和企业的强烈兴趣，需求往往连续多年超过供应。主要原因是 CUDA，Nvidia 的专有软件生态系统，允许对图形处理单元 (GPU) 进行编程以执行通用计算任务，包括人工智能训练和推理。在加密货币大流行期间，CUDA 也是 Nvidia GPU 热销的最大原因。

然而如今，这种主导地位正在受到挑战——但可能不是你想象的那样。

一些公司没有创造竞争性的通用芯片，而是通过提供针对客户特定工作负载定制的人工智能芯片（称为专用集成电路（ASIC））来瞄准其最大的客户。这些芯片旨在擅长执行一组狭窄的人工智能任务，提高能效，并允许超大规模企业以低于 Nvidia 市场领先产品的价格获得所需的芯片。

因此，这就提出了一个明显的问题：如果定制人工智能芯片正在成为人工智能基础设施难题中的一个更大的部分，是否会突然爆发一场针对英伟达领导地位的战争？如果是这样，哪些公司最有可能从这一运动中受益？

也许更重要的是，如果出现新的芯片大战，投资者实际上应该关注哪些定制芯片公司？

但大多数投资者都忽略了这一点：无论谁赢得了芯片大战，其中的每块芯片都会经过同样的几家公司，其中一家公司的地位如此之低，如果没有它，这一切都不存在。

为什么超大规模企业需要定制芯片

超大规模企业转向定制芯片制造商或自己生产这些芯片的第一个也是最重要的原因是成本。

训练前沿人工智能模型需要数以万计的 GPU 全天候运行。即使模型经过训练，通过推理将其提供给数百万用户也可能花费数十亿美元——这是一个永无休止的资本支出周期。

现在，想象一下：如果超大规模企业有机会每年削减 20% 到 30% 的成本，并且仍然获得执行所需任务的芯片，他们为什么不抓住它呢？尤其是当这 20%-30% 的节省很容易转化为数亿甚至数十亿美元时。

源效率。

让我们面对现实吧。如今，电力正在成为人工智能的最大瓶颈，安装在数据中心内的 GPU 需要大量电力。事实上，根据国际能源署 (IEA) 的数据，传统数据中心可能需要约 10 到 25 兆瓦 (MW) 的电力，而超大规模、以人工智能为中心的设施可能需要 100 兆瓦或更多。

现在，我承认，如果没有参考框架，这些数字可能看起来毫无意义。因此，从长远来看，这大约足以为大约 8,000 个美国普通家庭或美国一个中型城市供电一整年。该部门的任何节省都可以转化为公司、数据中心周围区域以及整体环境的物质利益。

回到芯片，GPU 比 CPU 使用更多的电力，因为它的设计更加灵活。然而，定制芯片具有更专业、更有意的设计。以运行没有图形功能的大型语言模型的超大规模程序为例。它可以使用针对矩阵乘法、内存带宽和令牌吞吐量进行优化的芯片。我知道，这是很夸张的说法，但重点是，它不需要每个 Nvidia GPU 都附带的通用图形功能。这意味着它不需要像通用芯片那样强大的功能来完成其工作。

最后，还有优化问题。

Nvidia 的 GPU 用途极其广泛，因为它们专为处理数千种不同的工作负载而设计。对于为数百万具有不同需求的客户提供服务的云提供商来说，这是一个主要优势。

但超大规模企业每天也运行自己的内部人工智能模型。谷歌运营双子座。 Meta 训练并服务 Llama。亚马逊为 Bedrock 和 Alexa 等服务提供支持。 Microsoft 支持 Copilot 和众多其他企业人工智能产品。

当您确切地知道将运行哪些模型时，您不一定需要能够完成所有操作的芯片。相反，您可以使用针对您的工作负载进行了优化的定制硅 ASIC，从而减少不必要的硬件成本，同时提高每瓦性能。

定制 AI 芯片的 2 条途径

既然好处已经更清楚了，我们来谈谈公司到底是如何获得定制芯片的。

内部开发

公司获得定制人工智能芯片的第一个也是最直接的方法是自己构建。对于超大规模企业来说，设计定制芯片的最大优势是完全控制。他们可以围绕自己的人工智能模型优化芯片的各个方面，降低功耗，降低推理成本，并避免对单一供应商的依赖。

还有一个战略好处是不依赖第三方，因为没有足够的芯片而排队购买下一个芯片。

但当然，进入这个兔子洞并不便宜。开发尖端的人工智能加速器需要数十亿美元的研发、多年的工程工作以及世界上最先进的半导体制造。只有最大的科技公司才能真正负担得起这项投资。

然而，如果成功的话，回报可能是巨大的。随着时间的推移，这些节省的费用总计可达数十亿美元，特别是当人工智能工作负载在数十万台服务器上运行时。

这正是 Alphabet (GOOGL)、亚马逊 (AMZN)、微软 (MSFT) 和元平台 (META) 所采用的思路。这些公司都在开发自己的内部芯片，以满足自己特定的工作负载需求。

让我们从 Alphabet 开始，它可以说是第一个认识到人工智能专用硬件需求的超大规模企业。该公司于 2016 年首次推出张量处理单元 (TPU)。谷歌工程师不再采用通用设计，而是更倾向于构建用于机器学习的 TPU，优化芯片以实现更好的张量计算。

对于那些不熟悉的人来说，张量计算是人工智能模型用来处理数据、应用学习权重和生成输出的大规模数学运算。每次你向人工智能聊天机器人提出问题时，它都会执行数十亿次计算来产生响应。使用已经训练的模型生成新答案的更广泛过程称为推理。

因此，这种专业化可以产生重大影响。谷歌表示，其第六代芯片 Trillium TPU 的每颗芯片的峰值计算性能比上一代提高了 4.7 倍，推理吞吐量提高了三倍。它还将能源效率提高了 67%。

现在，您可能想知道 Trillium 如何与 Nvidia 的 Vera Rubin 或 Blackwell 平台进行比较。不幸的是，您很难找到对这些芯片的准确比较评估，因为它们并不是为解决相同的问题而设计的。因此，这就像将苹果与橙子进行比较，或者更具体地说，将 TPU 与 GPU 进行比较。

我还必须提到 Alphabet 将 TPU 货币化的方式，因为他们不像 Nvidia 那样大规模生产和销售 TPU。相反，该公司在自己的数据中心使用这些芯片，然后将它们作为云基础设施的一部分出租。

亚马逊正在利用其 Trainium 和 Inferentia 芯片做同样的事情。但这两种芯片有不同的用途。 Trainium 针对训练大型人工智能模型进行了优化，开发人员通过在数周甚至数月内向模型提供大量数据集来教授模型。另一方面，Inferentia 是为推理而设计的。

因此，该公司开发了这两款芯片来改善人工智能生命周期的两端。一个用于训练，这是在构建人工智能模型之初发生的。另一个是为了提高主动操作和扩展期间的性能。

与 Alphabet 一样，亚马逊也通过将其计算作为 AWS 云平台的一部分出租来实现这些芯片的货币化。

微软对其 Maia 系列定制人工智能加速器采取了类似的方法，并将其部署在 Azure 的基础设施中。

与此同时，Meta 几乎完全为自己保留 MTIA 芯片。毕竟，该公司没有可盈利的云平台，因此它正在使用其定制芯片来改进 Facebook 和 Instagram 的推荐系统、广告定位和生成人工智能功能。

第三方定制芯片

当然，并不是每家公司都有工程人才、资本或规模来花费数十亿美元开发自己的人工智能加速器。事实上，并非我之前提到的每个超大规模企业都能处理 100% 的定制芯片生产。

这就是我们拥有第三方定制芯片设计人员的原因。

这些公司直接与超大规模厂商合作，设计适合每个客户工作负载的 ASIC。在许多情况下，超大规模企业拥有架构和软件需求，而芯片设计人员提供将这些想法转化为生产就绪的芯片所需的半导体专业知识。

例如，Meta 要求 Broadcom (AVGO) 共同开发多代 MTIA 芯片。该合作伙伴关系包括 2 纳米加速器和多年、数千兆瓦的 MTIA 部署。

需要明确的是，Meta 仍然拥有 MTIA——没有人质疑这一点。但是，博通通过提供将 Meta 的人工智能需求转化为可生产的芯片所需的芯片设计专业知识来做出贡献。它与 Meta 在芯片架构、高速互连、封装和集成等领域合作。

简而言之，Meta 决定芯片应该做什么，而 Broadcom 帮助确定如何构建它。

博通还与谷歌合作。 Broadcom 在 2026 年 4 月的 8-K 文件中表示，它和谷歌“已与 Broadcom 签订长期协议，以开发和供应定制张量处理单元。”

注意到这里的模式了吗？

博通当然可以创建自己的芯片并将其出售给需要此类技术的其他公司。但该公司选择与规模更大的超大规模客户合作，根据他们自己的设计制造芯片。

这样做为博通提供了更具吸引力的商业模式，其增长时机已经成熟。我们已经看到了效果。博通用了不到两年的时间，将其市值翻了一番，从 2024 年的 1 万亿美元增至 2025 年的 2 万亿美元。

但是，当然，博通并不是定制芯片领域的唯一一家。 Marvell Technology ( MRVL ) 与较小的公司（即云提供商）合作，制造专门针对客户工作负载定制的芯片。 Marvell 还提供第三系列产品，包括高速网络和光纤连接产品。

听起来很熟悉吗？那是因为它是。

Broadcom 提供与 Marvell 几乎相同的产品。然而，主要区别在于客户集中度和规模。博通已公开披露与 Meta 和 Alphabet 等“七巨头”公司的关系，并被广泛认为是定制人工智能芯片领域的最大参与者。

另一方面，Marvell 仍在建立不断增长的超大规模客户渠道。它还更加重视其网络和光纤基础设施业务。

现在，当投资者将一家较小的公司与一家较大的公司进行比较时，他们往往会倾向于较小的公司，因为它有更大的增长空间，因此现在进入的投资者多年来会获得更多收益。

事实上，Nvidia 首席执行官黄仁勋公开表示，Marvell 是“下一个万亿美元公司”。

代工厂：定制硅技术堆栈的底部？

但你知道什么是有趣的吗？

Broadcom 和 Marvell 都是无晶圆厂芯片生产商。这意味着他们设计芯片，但实际上并不制造芯片。一旦他们设计出芯片，他们就会将其发送到专门的半导体代工厂进行生产。

这也许就是整个人工智能供应链中最重要的公司的用武之地：代工厂。

台积电 (TSM) 是这一领域的主导厂商，是许多人工智能超大规模制造商制造芯片设计的首选。是的，甚至 Nvidia 也依赖 TSM 进行硅制造。

但它并没有完全主导整个铸造行业。

三星电子通过其代工部门成为 TSM 的紧密竞争对手。与 TSM 一样，它为外部客户生产先进芯片，目前正在大力投资较小的工艺节点。其中最明显的胜利是特斯拉 (TSLA)，该公司与三星签署了价值 165 亿美元的协议，使用三星 2nm 工艺生产下一代 AI5 和 AI6 芯片。三星也在扩大与苹果的关系，尽管这项工作的重点是下一代图像传感器，而不是苹果的主要处理器。不过，苹果的旗舰2nm芯片量仍然是通过TSM跑的。即便如此，仅特斯拉的胜利就标志着三星在人​​工智能芯片竞赛中真正站稳了脚跟。

除了定制芯片之外，三星的内存业务还生产高带宽内存（HBM），使该公司能够接触到人工智能技术的两个最关键的组成部分。

如果这还不是全部，英特尔 (INTC) 还试图将英特尔代工厂打造为另一个主要替代方案。虽然该公司过去一直生产自己的 CPU，但现在它向外部客户提供制造能力和技术。

尽管如此，正如过去几年所表明的那样，英特尔一直在努力推动其代工业务的发展。该公司在工艺技术和客户采用方面仍有很大的差距需要弥补。该公司正在努力将 Foundry 打造成一个可行的业务，但其最终盈利仍可能需要数年时间。

换句话说，人工智能公司可能会设计自己的芯片，但他们仍然依赖代工厂将这些设计转化为物理芯片。无论芯片来自 Nvidia、Broadcom、Marvell 还是内部团队，代工厂仍然需要大规模生产。

ASML：硅技术堆栈的实际底层

但你知道什么更有趣吗？

尽管代工厂接近人工智能供应链的底部，但还有另一家公司排名更低。没有它，任何技术都不会存在。

以 ASML Holding N.V. (ASML) 为例，它是全球领先的先进半导体光刻系统供应商，芯片代工厂需要使用这些机器来制造处理器。

因此，如果我们将人工智能视为现代淘金热，那么铸造厂正在出售镐和铲子，而 ASML 则实际上提供将裸铁和未切割的木材变成上述挖掘工具的设备。

其旗舰产品是极紫外（EUV）光刻系统，可以说是有史以来最复杂的机器。

这些系统将极其精细的电路图案投射到硅晶圆上，使 TSM、三星和英特尔等代工厂能够制造尖端的 3 纳米和 2 纳米芯片，为当今的人工智能革命提供动力。

现在，仅从这个描述来看，你就知道这些东西并不便宜。早期的 EUV 光刻系统每台售价通常远超过 1.5 亿美元，而 ASML 最新的高数值孔径 EUV 机器每台售价可达 4 亿美元以上。

据估计，现代制造工厂所需的 EUV 系统数量从 10 到 30 多个不等，ASML 正在利用人工智能的蓬勃发展。过去五年，该公司的收入增长了131%以上，净利润增长了188%。

现在，您可能想知道：如果 ASML 在人工智能领域如此重要，为什么它没有像同行那样发展得那么快？我的意思是，它实际上只比指数高出区区 40% 左右，而其余的都是多重的。

嗯，英伟达自己销售人工智能芯片，随着各公司竞相构建和部署生成式人工智能，对这些芯片的需求几乎在一夜之间激增。 Broadcom 和 TSM 也有同样的情况，但程度较轻。

相比之下，ASML 则销售用于制造这些芯片的设备。其客户不会在每次需要更多 GPU 时购买新的光刻机。相反，他们提前数年进行数十亿美元的资本投资，仅在需求合理时才扩大制造能力。

换句话说，英伟达和其他公司立即从不断增长的人工智能需求中受益，而阿斯麦则随着代工厂建立支持该需求所需的长期制造能力而逐渐受益。这是一项速度较慢的业务，但它也得到了极高的转换成本和长达数年的客户关系的支持。

冷酷无情的真相

在涵盖所有内容之后，人们可能会说很容易得出这样的结论：定制 AI 芯片即将取代 Nvidia。

我不认为这就是这里发生的事情。

Nvidia 仍然在构建最通用的 AI 加速器，而 CUDA 仍然是技术行业最具竞争力的护城河之一。不仅如此，定制芯片和 Nvidia GPU 还可以解决不同的问题。再次强调，苹果与橙子，或者 TPU 与 GPU。是的，超大规模企业可以在针对特定任务的优化、定制芯片上节省数十亿美元。但事实是，定制人工智能芯片无法在每个工作负载上与通用芯片相匹配，超大规模企业根本无法为他们运行的每种类型的人工智能应用程序制造新的定制芯片。

只有在大规模重复相同的工作负载时，定制芯片的经济性才有意义。对于其他方面，Nvidia 灵活的 GPU 平台仍然是更好的解决方案。这就是谷歌仍然购买 Nvidia GPU 的原因。亚马逊仍然在 AWS 上提供 Nvidia 实例。 Microsoft 继续利用 Nvidia 硬件扩展 Azure。 Meta 在投资 MTIA 的同时仍然严重依赖 Nvidia。

不，对投资者来说更好的结论是人工智能芯片“战争”不是零和游戏。

每个定制人工智能芯片仍然需要设计、制造、封装和测试。这不仅为 Nvidia 创造了机会，也为 Broadcom、Marvell、TSM、ASML 以及半导体生态系统的其他公司创造了机会。

这里的底线是定制芯片只是人工智能扩展的另一个方向。这个行业正在变得越来越大，越来越多的玩家正在加入这个游戏。

对于投资者来说，这意味着要超越那些显而易见的名字。人工智能的下一个十年将建立在整个技术生态系统的基础上，而不是建立在单个公司的基础上。您对这个生态系统了解得越多，找到明天赢家的机会就越大。