想象一下一座巨大而灯火通明的数据中心——一座永不入眠的人工之城。成千上万块 GPU 昼夜不停地运转，散热风扇轰鸣如瀑布倾泻。电流在无尽的服务器机架间奔流，让整栋建筑仿佛成为一个有生命、有呼吸的有机体。几乎在每一块电路板上，你都能看到熟悉的绿色英伟达（Nvidia）标志，从生成式人工智能、搜索引擎、推荐系统，到你此刻正在使用的聊天机器人，一切都由它驱动。
但再仔细看看。在同一座数据中心的某个角落，另一种芯片正在悄然崛起。谷歌的 TPU Ironwood 与亚马逊的 Trainium3 正在暗中蓄力，准备挑战英伟达在 AI 计算领域长期建立的统治地位。一场很可能成为过去十年最具决定性意义的科技对决，正在拉开序幕。
英伟达的统治：高利润、强实力，也越来越被质疑
英伟达的霸主地位不仅在技术上无可匹敌，在商业上同样极其成功。公司最近公布的季度营收高达 570 亿美元，其中 512 亿美元 直接来自数据中心 GPU。其 GAAP 毛利率飙升至 73.4%，甚至超过了许多软件巨头。
简单来说，英伟达每卖出一块 GPU，就能带来惊人的利润。这正是投资者将其称为 “AI 时代的军火商” 的原因。但这份利润，却成了其他企业沉重的负担。训练最前沿的 AI 大模型，往往需要成千上万块 GPU。再叠加高带宽显存（HBM）、庞大的存储集群、先进的网络系统以及不断上涨的电费，总体成本结构迅速失控。即便是一些深受用户欢迎的 AI 服务，也依然难以实现盈利。
于是，高管和投资者开始反复追问一个紧迫的问题：
我们究竟还能承受英伟达这样高昂的定价多久？
正是这个问题，为谷歌和亚马逊打开了一扇全新的机会之门——它们正从英伟达的最大客户，转变为最直接的竞争者。
谷歌 TPU Ironwood：数据中心里的“沉默巨兽”
谷歌最新发布的第七代 TPU 芯片 Ironwood，专为高吞吐量机器学习任务而设计。它具备 4,614 TFLOPS 的 FP8 算力，配备 192GB 的 HBM3e 显存，带宽高达 7.3TB/s。
真正的突破在于规模。最多可将 9,216 颗 Ironwood 芯片 互联成一个统一系统，整体 FP8 算力超过 40 Exaflops，共享内存高达 1.7PB。谷歌毫不犹豫地将这一系统称为 AI 超级计算机。
更值得关注的是，谷歌甚至公开将 Ironwood 与英伟达即将推出的 GB300 进行对比，并宣称其 FP8 性能更具优势。传递出的信息非常明确：
驱动 AI 未来的，不再只有英伟达一个引擎。
目前，Ironwood 已在谷歌内部承担实际工作负载，并通过部分 Google Cloud AI 实例对外提供。尽管尚未全面商业化，但英伟达“唯一王者”的时代显然已经开始松动。
亚马逊 Trainium3：重塑 AI 基础设施的经济逻辑
亚马逊云计算服务（AWS）同样动作迅猛。由 Annapurna Labs 设计、采用 3nm 制程工艺 的 Trainium3，可提供 2.52 FP8 Petaflops 的算力，搭配 144GB HBM3e 显存 与 4.9TB/s 的带宽。
AWS 将 144 颗 Trainium3 集成进全新的 EC2 Trn3 UltraServer。单个机架即可实现：
- 362 FP8 Petaflops 的计算性能
- 20.7TB 的 HBM3e 显存
- 706TB/s 的系统带宽
该平台专为 超大规模模型训练 及 上下文长度超过百万 Token 的超长推理任务 而设计。
其背后的战略非常直接：
AWS 希望为客户提供更低成本的 AI 基础设施，并夺回目前被英伟达占据的大量利润空间。
其中一个关键变化尤其引人注目。AWS 宣布，下一代 Trainium4 将通过 NVLink 与英伟达 GPU 实现互联互通。在这种混合架构中，最重负载由英伟达承担，而低压力的推理任务则交由 Trainium 处理，目标并非彻底取代英伟达，而是 显著降低总体成本。
为什么开发者仍然选择英伟达：CUDA 依然不可撼动
从纸面上看，切换到 TPU 或 Trainium 似乎并不困难。但若真正去问工程师，他们往往只给出同一个答案：
CUDA 用起来更简单。
自 2006 年以来，英伟达持续打造 CUDA 生态体系，使其成为全球最成熟的 GPU 编程平台。早在生成式 AI 爆发之前，研究人员、物理学家和深度学习先驱们就已经在 CUDA 上进行探索。即便到了今天，大量新的机器学习特性，仍然优先在英伟达硬件上发布。
现实摆在企业面前十分残酷：整个软件栈——包括流水线、内核与优化方案——都深度绑定 CUDA。迁移到 TPU 或 Trainium 意味着要重写大量代码，并进行大规模系统级调优。理论上的成本节约，往往无法抵消真实世界中的技术风险。
尽管谷歌与 AWS 一再强调其芯片兼容 PyTorch、TensorFlow 与 JAX，并表示切换框架像改几行代码一样简单，但这只适用于小规模演示。在真正的生产级 AI 系统中，现实截然不同。那是一个由定制内核、通信层和手工极致调优算法构成的复杂迷宫。
这正是英伟达护城河看起来更难被攻破的根本原因。
英伟达的反击：用“绝对速度”击退一切对手
英伟达早已意识到威胁的存在，并迅速展开反击。即便 Blackwell 架构 尚未全面部署，英伟达便率先公布了 Rubin 架构 以及下一代 Vera Rubin NVL144 系统。
Rubin 的目标是单 GPU 达到 50 FP4 Petaflops 的推理性能；NVL144 机架整体性能超过 3.6 Exaflops，是上一代 GB300 NVL72 的三倍以上。
随后，英伟达还推出了 Rubin CPX——一款专门负责长上下文推理的配套芯片，而 Rubin GPU 则专注于内容生成。二者组成的 Vera Rubin NVL144 CPX 机架目标性能为：
- 8 Exaflops 的 NVFP4 算力
- 100TB 内存
- 1.7PB/s 的系统带宽
英伟达的战略只有一句话：
如果对手追得上来，那就把产品节奏加快到他们永远追不上。
这也让押注 TPU 或 Trainium 的企业不得不面对一个现实问题：
两三年后，如今的成本优势是否还会存在？
英伟达还能守住王座吗？
当前最可能出现三种局面。
第一种： 英伟达继续保持霸主地位，但利润率下滑。随着谷歌、AWS 和 AMD 规模化扩张，英伟达 70% 的毛利率不可能永久维持。
第二种： 市场走向多极化格局。正如 CPU 从英特尔一家独大，演变为英特尔、AMD、ARM 以及各国芯片公司并存，AI 加速器市场也可能走上同样的道路。英伟达仍是领头羊，但不再拥有垄断权力。
第三种： AI 泡沫降温，企业投资热情减弱，GPU 支出放缓，英伟达最先受到冲击。但从当前的产业普及速度来看，更像是降速，而非崩盘。
最现实的结果，很可能是前两种情况的结合：英伟达依然是巨头，但谷歌与亚马逊正在持续蚕食其版图。
这对所有人意味着什么？
对于普通用户和开发者来说，真正的问题在于：
未来十年，AI 的使用成本和能力将发生怎样的变化？
AI 订阅服务会变便宜吗？模型是否能支持更长的上下文窗口，并在文本、视频、3D、游戏等场景中实现真正的多任务协同？我们是否会迎来一个由专用芯片主导应用演进的 AI 生态？
AI 芯片之战不仅关乎输赢，更关乎 未来十年计算规则由谁来书写。
英伟达依然稳坐王座，但谷歌和亚马逊已不再只是旁观者——他们正在王庭之内磨刀霍霍。
AI 的未来，将取决于这些巨头选择如何开战。
**免责声明：**本文仅代表作者个人观点，半导体行业观察转载该文仅为呈现不同视角，并不代表其对文中观点的认同或支持。如有异议，请联系半导体行业观察。
