“自研芯片真能帮云厂商敲开英伟达的铜墙铁壁。

英伟达的GPU有多难买、多贵，搞AI的人心里都有数。H100一卡难求，Blackwell还没捂热就被抢光。全球云厂商一边排着队给英伟达送钱，一边闷头在自家实验室里搞另一套方案——自研芯片。

这不是什么营销噱头。这是一场从“省点钱”到“自己说了算”的漫长博弈。走到今天，云厂商的芯片到底干到哪一步了？

算力饥荒与造芯自救：

三大驱动力

云厂商为什么非要自己造芯片？最直接的原因就是：太贵了。

自研芯片在推理场景下，总拥有成本能降30%到50%。谷歌就是个典型。2013年，首席架构师Jeff Dean算了一笔账：如果每个Android用户每天对着手机说三分钟话，用CPU跑语音识别，谷歌得把数据中心规模翻一倍。这笔账把他吓着了，于是TPU项目上马。15个月后，第一代TPU就进了数据中心。

第二个原因是供应链安全。高端GPU产能有限，还受出口管制，云厂商必须给自己留后路。国内的情况最典型，英伟达在中国的数据中心份额，从95%的高点一路往下掉，华为们趁机起来了。

更深层的是技术护城河。软硬一体优化，为自己的AI、数据库、视频转码定制算力，这事做成了就是竞争壁垒。腾讯的“沧海”转码芯片、阿里的“倚天710”CPU，都是这个思路。第三方机构预测，云厂商自研芯片的年复合增长率正在快速攀升。

谷歌、AWS、微软的芯片三国杀：

谁跑在了前面？

海外三巨头的路子各不相同。谷歌TPU出货最大，外部商业化最快；AWS Trainium已经长成几十亿美金的生意，客户版图扩张最猛；微软起步最晚，Maia量产一波三折，倒是Cobalt CPU走得还算稳。

谷歌TPU：出货量最大，生态闭环最完整

TPU的故事始于2013年那场算力危机。此后十年，谷歌闷头迭代了八代。v5代开始搞“双轨并行”：v5e打性价比，v5p主打训练。2025年底发布的第七代Ironwood，是谷歌第一款面向推理时代设计的主力芯片，FP8算力4.6 PetaFLOPS，比英伟达B200的4.5还高一点，单颗性能是v5p的10倍。单个超级Pod集成9216颗芯片，算力42.5 ExaFLOPS。内部用的话，单颗TCO比GB200低约44%。

2026年4月，谷歌发布了第八代TPU，首次将训练和推理拆分为两款独立芯片。训练款TPU 8t（Sunfish）用台积电2nm，博通设计，FP4算力12.6 PFLOPs，单个Pod 9600颗芯片，总性能121 ExaFLOPS，预计2027年底量产。推理款TPU 8i（Zebrafish）首次跟联发科合作，片上SRAM是Ironwood的三倍，通信延迟降低5倍。两款都搭载谷歌自研的Axion CPU，支持PyTorch原生迁移。

出货量方面，有非官方的市场分析预测，2026年TPU出货量约为150万–300万颗，乐观情形下或可达400万–500万颗。这背后不只是谷歌自用，Anthropic签了上百亿美元的协议，承诺用100万颗TPU；Meta签了数十亿美金的多年租用协议；苹果也在论文里承认，用8192颗TPU v4和2048颗v5p训练了Apple Intelligence的基础模型。

但谷歌的TPU不对外单独卖，生态比较封闭，还是依赖TensorFlow和JAX，跟英伟达的CUDA体系差得远。

AWS：Trainium业务已达数十亿美元

AWS自研芯片的起点是2015年收购Annapurna Labs，花了大概3.5亿美元。当时没人太在意，现在回头看，这是亚马逊芯片版图的钥匙。

首先做起来的是Nitro。2013年AWS发现，用Xen虚拟化方案，将近30%的CPU算力被系统开销吃掉了。收购Annapurna之后，2017年推出Nitro System，把虚拟化、网络、存储全卸到专用硬件上，客户可用算力从不到70%拉到接近100%。Nitro卡已经演进到第5代，每瓦性能提升40%。

推理芯片Inferentia2018年首发，第一代Inf1实例比可比GPU吞吐量高2.3倍，推理成本降70%。2026年4月，Inferentia3发布，性能再翻一倍。

训练芯片Trainium才是大头。Trainium2在2025年全面推出，性价比比可比GPU高30%到40%。AWS CEO Matt Garman表示 Trainium2 业务年化营收达数十亿美元级别。2025年10月，AWS跟Anthropic合作的Project Rainier在印第安纳州部署了近50万颗Trainium2芯片，到年底扩大到100万颗，专门训练Claude模型。2026年4月，Anthropic又加码，承诺未来十年在AWS上投入超过1000亿美金，覆盖Trainium2/3/4以及未来各代芯片。

Trainium3在2025年底re:Invent上发布，台积电3nm，每颗FP8算力2.52 PetaFLOPS，性能比Trainium2提升4.4倍，能效比提升4倍以上。2026年初正式出货，几乎满单。Trainium4的路线图也出来了，FP4吞吐量提升6倍，还支持跟英伟达NVLink Fusion混合部署。

亚马逊CEO Andy Jassy在2026年4月的股东信里说，AWS自研芯片业务（Graviton、Trainium、Nitro）年化收入突破 200 亿美元，机构预估分拆后峰值可达 500 亿美元。自研芯片累计收入承诺超过2250亿美金，覆盖Anthropic、OpenAI等客户。OpenAI也在2026年2月确认，将通过AWS消耗约2GW的Trainium容量。

需要说明的是，AWS的自研芯片主要通过云服务提供，客户买的是算力不是芯片。与此同时，AWS也在大规模采购英伟达GPU，两边不矛盾。

微软：Maia出师不利，起步太晚

相比谷歌和AWS，微软的进度明显慢了。

2023年11月，微软高调发布Maia 100和Cobalt 100。Maia 100用台积电5nm，理论算力1600 TFLOPS MXInt8和3200 TFLOPS MXFP4。但数字好看没用，据The Information报道，Maia 100发布后只做了内部测试，并未实际投产。原因较为复杂：其设计始于2019年，当时主要针对图像处理任务优化，对后来爆发的大模型支持不足；此外，后续芯片Braga在开发过程中遇到设计频繁变更、芯片模拟不稳定以及团队人员流失等问题，导致量产至少推迟了六个月。

Maia 100的拉胯直接拖累了后续芯片。微软原本计划Braga在2025年量产，结果推迟了至少六个月。原因包括OpenAI在开发后期不断提新需求导致设计频繁变更、芯片模拟不稳定，以及团队约五分之一人员流失。

2026年1月，微软终于发布了Maia 200，定位改成“AI推理主力”。Maia 200有超过1000亿个晶体管，FP8性能约5 PetaFlops，每美元性能比上一代提升30%。微软声称它的FP4性能是亚马逊第三代Trainium的三倍。目前Maia 200已在微软中部Azure区域部署，但初期还是内部用例为主，首批用户是微软自家的Superintelligence团队和OpenAI。全面向客户开放，还要等。

反倒是Cobalt CPU这条线走得稳。Cobalt 100是5nm ARM处理器，性能功耗比x86同类实例高50%，已经在Teams、Azure SQL里用了，外部客户包括Adobe、Databricks、Snowflake。覆盖了Azure约一半的区域。下一代Cobalt 200设计已完成。

据Digitimes Research统计，2026年微软自研AI芯片预计出货33万颗，在四大云厂商里垫底。摩根士丹利说，微软在自研芯片上的滞后，让它跟亚马逊、谷歌的云计算竞争中处于不利位置。不过微软砸钱不含糊：2025财年投了800亿美金建AI数据中心，2026年3月又跟英伟达签了采购100万颗GPU的多年协议。

三家海外巨头有个共同点：先推理后训练，先内部后外部。推理是自研芯片最先撕开的口子——推理任务针对特定模型优化，不需要训练那么强的通用性，正是ASIC的用武之地。训练侧短期内还是离不开英伟达的CUDA和NVLink。

TrendForce预测，2026年ASIC市场整体增长率44.6%，远超GPU的16.1%，ASIC份额有望从20.9%升到27.8%。这场“三国杀”的终局，比的不是谁先出牌，而是谁能率先在推理时代把自研芯片做成主力。

从“备胎”到“主力”：

国产自研芯片的真实段位

如果说海外云厂商自研芯片是为了省钱和效率，那国内厂商就是被逼出来的。A100、H100被禁，H20出口受限，国内AI芯片一年缺几百万张，国产替代的窗口突然就打开了。

据IDC数据，2025年中国AI加速卡总出货约400万张。英伟达还是第一，约220万张，但份额从95%暴跌到55%。AMD出货16万张，占4%。本土厂商合计出货165万张，首次突破40%。其中华为昇腾81.2万张，独占国产近一半；阿里平头哥26.5万张；百度昆仑芯和寒武纪各11.6万张；海光信息8万张。国产阵营的基本盘，已经清楚了。

华为昇腾：制裁下的逆袭

昇腾是国产芯片里体量最大的。2019年，昇腾910商用，7nm工艺，FP16算力256 TFLOPS，直接对标英伟达V100，号称当时全球最强AI处理器。后来910B、910C持续迭代，910C用双Die封装，把两颗910B封在一起，算力800 TFLOPS（FP16），国产化率约55%。

2026年3月，华为正式发布昇腾950PR，首次引入FP8/FP4低精度格式，FP4算力1.56 PFLOPS，大约是英伟达中国特供H20的2.87倍。更重要的是，950PR在CUDA兼容性上做了实质性提升，让习惯了英伟达生态的开发者迁移起来容易了不少。

软件生态上，2025年8月，华为宣布CANN算子库和工具链全面开源，轮值董事长徐直军直说：让昇腾“更好用、更易用”。到2025年底，CANN已经跟90多个开源社区深度对接。当然，CUDA有18年的先发优势和数千万开发者，CANN要追上还早。但950PR的兼容性突破和CANN的开源，至少打开了一个口子。

出货量上，2025年昇腾81.2万颗，占国内整体市场20%，占国产近一半。2026年Q1已经出了15万张910系列卡，全年目标更激进。到2026年Q1销售额口径，昇腾市占率升到35%到40%，而英伟达的份额相比此前大幅下降。

阿里平头哥：47万片交付，六成卖给外面

平头哥的路子很务实。2019年9月，含光800推理芯片发布，在ResNet-50测试里性能比业界最好芯片高4倍，能效是第二名的3.3倍。2021年推出倚天710服务器CPU，5nm工艺，当时处于领先水平。

2026年1月，平头哥官网上线“真武810E”高端AI芯片，自研架构，96GB HBM2e内存，片间互联带宽700GB/s，能跑训练、推理和自动驾驶。业内人说，真武整体性能跟英伟达H20差不多，市场供不应求。

2026年3月，阿里CEO吴泳铭在财报电话会上说，截至2026年2月，平头哥自研GPU累计规模化交付47万片，年化营收百亿级别，60%以上卖给了外部客户，服务400多家企业。真武PPU已经在阿里云上了多个万卡集群，客户包括国家电网、中科院、小鹏汽车、新浪微博等。千问大模型的训练和推理也跑在真武上。IDC 2025年数据里，平头哥出货26.5万颗，国产第二。

百度昆仑芯：省钱的起点，性价比突围

昆仑芯的故事起点很朴素——省钱。李彦宏在2023年一个论坛上算过账：买别人芯片1万美元一片，自己造只要2万人民币。“所以就逼着自己做。”2011年，百度内部启动了FPGA AI加速器项目，团队后来成了昆仑芯的核心。

2021年，昆仑芯从百度分拆独立，芯片首席架构师欧阳剑当CEO。2024年推出第三代P800，自研XPU-P架构，INT8算力256 TOPS，16GB HBM内存。P800对MoE架构特别友好，单机8卡就能跑671B参数的大模型，这在业内算比较领先的。

2025年2月，百度智能云点亮了昆仑芯P800万卡集群，国内自研芯片里第一个；4月又点亮了国内首个全自研3万卡集群。2025年8月，昆仑芯中标中国移动AI服务器集采，在“类CUDA生态”标段拿了70%、70%和100%的份额，合计超10亿元。2025年营收约35亿，接近盈亏平衡，高盛预测2026年能到65亿。IDC数据里，2025年昆仑芯出货11.6万颗，跟寒武纪并列国产第三。2026年5月，昆仑芯正式启动科创板上市辅导。

腾讯的“三芯”战略：自研专用，外部补位

腾讯走的路跟别人不一样：自己不做大而全，而是内部做专用芯片，外部投资补通用算力。

2021年11月，腾讯首次披露三款芯片：AI推理芯片“紫霄”、视频转码芯片“沧海”、智能网卡芯片“玄灵”。紫霄在腾讯会议实时字幕场景里，处理能力是T4的两倍，成本节省超45%。沧海在MSU硬件视频编码比赛中包揽两个赛道8项评分全部第一，压缩率比市面标品高35%以上，已经部署了数万片。玄灵实现了主CPU“0占用”，性能提升4倍。

除了自研，腾讯还是燧原科技的第一大股东，持股20.26%。燧原的产品已经在腾讯云、游戏等核心场景大规模部署。但燧原对腾讯依赖很深——2023年对腾讯销售额占总营收33.34%，2024年37.77%，2025年飙到80%以上。燧原至今没盈利，2022年到2025年前三季度累计亏损51.79亿，正在冲刺科创板IPO。

2026年4月，据路透社报道，腾讯跟阿里、字节一起启动了昇腾950PR的紧急采购，带动950PR价格上涨约20%。腾讯现在是三条线同时跑：自研专用芯片、投资绑定训练算力、采购国产通用算力。布局广度不是最深的，但调度灵活度值得关注。

四家国产厂商都先从自己的业务场景里把芯片跑通，再往外走。但在英伟达新的AI加速卡恢复对华销售之前，国产厂商能争取到多少时间窗口，能在多大程度上缩小跟英伟达的生态差距，是这轮国产替代能不能走到第二程的关键。

从训练到推理：

AI算力战场正在悄悄转移

云厂商自研芯片之所以能在短期内看到成效，与AI负载结构的变化密不可分。

训练场景仍是英伟达的主场。前沿大模型需要巨大的算力、高速的互联带宽和成熟的软件生态，英伟达的CUDA生态和NVLink互联技术在此优势难以撼动。但在推理场景中，自研芯片的成本和能效优势开始显现。推理任务往往针对特定模型进行优化，不需要训练那样的通用性和灵活性，这正是ASIC类芯片最擅长的领域。

TrendForce预测，TrendForce预测，2026年ASIC在AI服务器加速方案中的出货占比将从20.9%升至27.8%，而GPU的占比相应下降至69.7%（2025年为75.9%）。

另一个不容忽视的趋势是：如果未来AI训练范式从“大炼模型”转向稀疏模型、小模型加多模态的方向，推理侧的算力需求将进一步爆发，自研芯片的机会窗口也将进一步扩大。

打破CUDA城墙

还差几步？

需要强调的是，以上所有自研芯片的快速增长，主要集中在推理侧。在训练侧，CUDA生态和NVLink互联仍然是难以绕过的壁垒。云厂商自研芯片会成为AI算力体系的重要补充，并在推理、视频转码、数据库等特定负载中分走一部分需求，这已是不可逆的趋势。但从“补充”到“替代”，还有很长的路要走。

CUDA生态壁垒是最大的障碍。英伟达用二十年的时间搭建了数千种工具、编译器与库组成的软件体系，全球累计数亿块设备接入，形成了“装机量-开发者-生态”的强劲飞轮。开发者基于CUDA开发应用，形成对英伟达硬件的深度依赖。

互联技术也是关键瓶颈。英伟达的NVLink和NVSwitch在集群互联性能上大幅领先。硬件互联之外的配套软件工具链，同样需要时间和大量投入才能补齐。

未来三到五年，AI算力市场很可能形成这样的格局：英伟达继续主导训练与通用AI计算，云厂商自研芯片形成“第二算力源”。这不是一场非此即彼的替代战争，而是一场从芯片硅片到软件栈的全方位生态竞逐。谁的生态更开放、谁的工具链更易用、谁能在推理时代率先规模化落地，谁就能在这场博弈中拿到更大的份额。

来源：数据猿