NVIDIA 必须比前沿实验室更快地变成芯片公司——一场围绕定制 ASIC 的攻防
一篇关于 NVIDIA 未来命运的分析指出,其最大威胁来自自家客户:Google 已有 TPU,OpenAI 和 Meta 正与 Broadcom 合作开发定制 ASIC,Anthropic 组建了自研芯片团队,SpaceX/xAI/Tesla 则在推进 Terafab 项目。在递归自我改进(RSI)的框架下,每家前沿实验室和超大规模云厂商都必须成为芯片公司,否则就会输掉竞赛。 论证的核心机制是:纯软件层面的自我改进存在物理极限,软件无法改变芯片的带宽、内存容量和互联。要真正获得 RSI 的复利效应,必须让模型与芯片协同设计,形成双向反馈——更聪明的模型设计出更好的定制芯片,这些芯片再训练下一版模型。购买与所有人相同的 NVIDIA GPU 无法带来专有优势,而向 NVIDIA 提交下一代架构需求则意味着提前数年共享路线图。同时,AI 已能自动编写编译器、把 CUDA 内核移植到其他芯片,这直接侵蚀了 CUDA 护城河。 Jensen Huang 曾反驳称模型迭代太快,固定硬件的定制 ASIC 不比 GPU 更划算,且 Broadcom 等合作伙伴抽成不低。但文章认为,当 AI 参与协同设计时,硬件不会落后于模型变化;加上 RSI 需要 7×24 小时的内部推理,定制 ASIC 在成本和能效上远优于通用 GPU(NVIDIA 毛利率超 75%)。NVIDIA 的应对是收购 Groq(快速推理 IP)、Poolside + Nemotron(内部编码模型)和 Hugging Face(分发渠道),并押注开源权重模型来留住企业客户——否则企业将直接调用运行在实验室自有芯片上的 API。
Current read
这篇讲透了前沿实验室为什么都在自研芯片:模型和芯片要一起迭代才有效果,买同款 GPU 拿不到任何专属优势。看完你会明白 NVIDIA 收购 Groq、Hugging Face 这些动作背后的焦虑,做基础设施或算力决策的人都该看看。
Evidence
11 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.