AI行业竞争焦点转变 - AI行业竞争焦点从模型参数量转向对底层算力基础设施的掌控能力[2] - 仅拥有模型而缺乏算力等“家底”将面临发展瓶颈[2] 谷歌的“农场+物业”整合模式 - 谷歌自2013年起启动自研TPU项目，已迭代至第七代，最新一代Ironwood性能较上一代提升4倍[4][6] - 自研ASIC架构的TPU能效是同期GPU的2至3倍，制造成本比购买现成芯片低一半以上[6] - 谷歌将自产TPU出售给Meta、Anthropic等同行公司[8] - 谷歌拥有搜索（20亿月活用户）、YouTube（6.5亿月活用户）等自有流量平台，为模型训练提供数据[10] - 该模式整合了自有芯片算力与用户数据，形成“前店后厂”的闭环，加速模型迭代[10] OpenAI的“租房买粮”依赖模式 - OpenAI早期训练GPT-3使用了1万块V100芯片[15] - 当前高端芯片如H100单价达24万，大规模训练需数百至上千块，硬件成本高昂[15] - OpenAI每年需向微软Azure支付25亿美元算力费用，并与甲骨文签署了百亿美元级别的补充协议[15] - 微软从算力合作伙伴转变为推出Copilot的直接竞争对手[17] - OpenAI已招募40人团队并与博通合作尝试自研芯片，但芯片从设计到量产需3-5年，且面临台积电产能争夺的挑战[19] 行业竞争格局与趋势 - AI行业的长期竞争关键在于可持续性，拥有算力、数据和场景的全产业链布局者更具优势[22][24] - 智能手机行业的竞争历史表明，最终存活的是拥有“家底”（如自研芯片和系统）的公司[22] - OpenAI若想改变局面，需建立自己的算力基础[24] - 对于初创公司而言，走“专精特新”的差异化道路可能是生存之道[24]