当所有大模型公司都开始造芯片
"AI战争正在从'模型战争'进入'算力主权战争'。"
这句话来自昨天一篇流传甚广的文章。但它说反了。
不是算力主权战争——是全栈战争。
算力主权是结果，全栈才是驱动。当你的商业模式依赖别人最稀缺的资源，而那个资源每个季度都在涨价，你不是在做生意，是在替别人的芯片公司打工。
过去一周，这条逻辑的注脚密集出现：
- Meta宣布9月量产第四代自研AI芯片Iris，计划2026年部署约7吉瓦AI算力，2027年翻倍至14吉瓦
- DeepSeek被曝秘密研发AI推理芯片已一年，正在招募芯片设计工程师
- 智谱AI被爆正与国内ASIC厂商合作开发专用处理器
- OpenAI发布首款自研推理芯片Jalapeño，博通CEO称其性能与Blackwell和Google TPU相当
- Anthropic开始从OpenAI芯片团队挖人
英伟达的"超级客户清单"，正在变成"竞争对手清单"。
问题是——为什么是现在？为什么所有公司都在同一个月做同一件事？
答案藏在AI产业一次不易察觉但根本性的结构位移里。
一、训练是军备竞赛，推理才是生意
过去三年，AI公司比的是"谁的模型更强"。这是一个训练叙事：更大的参数量、更长的训练时间、更多的GPU。
训练模式下，英伟达是不可替代的。CUDA生态、NVLink互联、HBM带宽——竞争对手花五年也追不上。你造不出替代品，就只能买他的货。于是英伟达的毛利率持续在70%以上，GPU价格只涨不跌。
但2025到2026年，产业的重心悄悄转移了。
训练一个GPT-5.6或者Claude Fable，只需要一次。而推理——每一次ChatGPT回答提问、每一次AI Agent调用工具、每一次代码补全——每天发生几万亿次。
AI进入了"推理时代"。
推理的数学，和训练的数学完全不同：
- 训练看的是峰值性能——谁的HBM带宽更大、谁的互联更快
- 推理看的是边际成本——每生成一个Token花多少钱
Morgan Stanley甚至造了一个新词：Chip Inflation（芯片通胀）。GPU、HBM、光模块、交换芯片——整个AI供应链价格持续上涨。英伟达的H100/B200/Blackwell一代比一代贵，但AI公司的推理用量一代比一代大。
这是一场自己跟自己赛跑的通胀。你越成功，越依赖GPU，成本就越高。
二、为什么ASIC赢了推理
这里有一个经常被忽略的技术事实：
训练芯片和推理芯片，是两种完全不同的产品。
训练需要极高的FP32/FP64精度、超大HBM容量、高带宽芯片间互联。这些恰好是GPU的强项——CUDA Core从一开始就是为了通用并行计算设计的。
推理的需求截然不同：
- 成本敏感——每Token成本必须降
- 功耗敏感——数据中心电费占比越来越高
- 延迟敏感——用户等不起
- 部署效率——单位面积吞吐量是关键
ASIC（专用集成电路）天生适合推理。Google TPU证明了这一点——它的推理性能和能效远远超过同代GPU。Amazon Inferentia也证明了这一点。现在轮到OpenAI的Jalapeño、Meta的Iris、DeepSeek的推理芯片。
推理芯片不需要1000平方毫米的芯片面积、不需要800W的功耗。它只需要一件事做好：以最低成本运行Transformer推理。
越专用，越高效。
博通的定制AI芯片业务增速是最好的佐证：第二财季半导体营收108亿美元，同比增长143%。大公司不需要自己从零设计芯片——他们找博通定制，台积电生产，性价比比买英伟达成品高出一大截。
三、全栈战争法则：为什么只做模型不够了
过去十年，科技产业有一条清晰的规律：利润会从价值链的单一环节，向控制全栈的公司集中。
苹果是最好的例子。iPhone之所以利润是整个手机行业的85%，不是因为它的芯片最强，也不是因为它的iOS最好用——而是因为它同时控制了芯片（A系列）、操作系统（iOS）、应用商店（App Store）、硬件设计、品牌和渠道。整条价值链上，苹果在每个关键节点都有一块自己的领地。别的手机厂可以赢一个点，但苹果赢了一个系统。
AI正在复制这条路径。
很多人以为大模型公司的核心竞争力是模型。这种理解已经过时了。
今天领先的AI公司，没有一家只做模型：
- Google：Gemini + TPU + Google Cloud + 全球最大光纤网络
- Meta：Llama + MTIA芯片 + 14GW数据中心 + 全球最大社交网络
- OpenAI：GPT + Jalapeño芯片 + Stargate数据中心 + Oracle/SoftBank算力联盟
- DeepSeek：开源模型 + 自研推理芯片 + 国产芯片适配
- 智谱：GLM + ASIC合作 + 国产云生态
这不是巧合。这是"全栈战争法则"在起作用——当一项技术成为基础设施时，单一环节的竞争力无法转化为长期利润。利润只会流向那些能在芯片、模型、平台、应用之间做系统级优化的公司。
为什么？因为成本优化的最大空间不在于任何一个单点，而在于跨层级的协同。
苹果的芯片设计团队懂得iOS的内存管理策略，于是可以去掉不必要的缓存，把芯片面积省下来放进电池。同样道理，OpenAI的Jalapeño芯片知道自己要跑的是Transformer推理，于是可以在指令集层面做针对性优化，把每Token的成本砍到英伟达GPU的几分之一。
这种跨层级的优化，买现成的GPU永远做不到。
四、英伟达的十字路口：训练不失守，但推理正在失速
看空英伟达是危险的。过去五年，每一轮"英伟达要完了"的叙事都被事实打脸。H100的销量超过了所有人预期，Blackwell还没有交付就被订满。训练市场未来很多年仍然属于英伟达。
真正的变化发生在推理。
推理市场是增量市场。随着AI从"炫技"走向"日常使用"，推理消耗的算力最终将是训练的上千倍。这不是替换——是新增。
问题是：这部分增量蛋糕，英伟达还能拿到吗？
数据已经开始回答这个问题：
- Google Cloud越来越多地使用TPU而非GPU做推理，成本节省达40-60%
- Amazon SageMaker的推理默认推荐Inferentia
- Meta的推荐系统和广告排名已经全部迁移到自研MTIA芯片
- OpenAI自己的推理负载未来将逐步迁往Jalapeño
英伟达在推理市场的份额，正在被自己的客户一点点切走。
这不是一夜之间的事。但就像云计算取代本地服务器一样——缓慢而不可逆。
对于中国AI企业来说，这场迁移还有一个额外的变量。
美国出口限制让最先进的GPU无法进入中国。伯恩斯坦预测，英伟达在中国AI芯片市场的份额将从2025年的约40%降至2026年的约8%。集邦咨询预计，以华为昇腾和寒武纪为首的国产芯片供应商，2026年将合计占据中国AI服务器芯片市场近80%的份额。
中国AI企业在"全栈战争"中，芯片的自主权不是可选项，是生存项。
五、落到行动：三层博弈
如果你在评估AI产业链的投资或创业方向，这个"全栈战争"的框架可以帮你更清晰地判断谁在什么位置：
如果你是AI应用层创业者：不要假设推理成本会持续下降。短期看，自研芯片大厂的推理价格会更快下降，这会挤压没有芯片能力的AI公司的利润空间。你的生存策略不是和平台比性价比——是找到他们没覆盖的垂直场景，用产品深度而不是成本优势建立壁垒。
如果你是算力中间层从业者：万卡集群的大规模训练市场仍然是英伟达的天下，但推理基础设施正在经历碎片化。这恰恰是中间层的机会——多芯片调度、混合推理路由、跨平台的成本优化引擎——这些是自研芯片的大厂自己没动力做、但客户极其需要的事情。
如果你是投资决策者：判断一家AI公司的长期竞争力，模型评分正在变成一个越来越弱的指标。更重要的指标是：它在推理成本曲线上处在什么位置？如果它的每Token成本比竞品高50%，再好的模型也守不住市场份额。反过来，博通这家"卖铲子给造铲子的人"的公司，可能是这一轮全栈战争中风险最低的受益者。
来源：AI商业评论、36氪、路透社、The Information、集邦咨询、伯恩斯坦