文章核心观点 - 控制从原材料到最终交付的整个供应链正成为当今市场最重要的战略优势 能够主导供应链的公司日益掌控定价权 发展速度和利润 [1] - SpaceX收购xAI是这一论点最新且最大胆的证明 标志着垂直整合走向了逻辑的极致 [2] SpaceX的战略整合 - SpaceX通过整合发射能力 卫星制造 轨道带宽和前沿AI模型 旨在控制端到端的AI计算供应链 范围可能从地球延伸至轨道 [3] - 若其部署高达100万颗轨道“数据中心”卫星的计划实现 公司将可能成为AI基础设施层本身 而不仅仅是另一个AI参与者 [3] - 公司内部猎鹰9号发射成本约为每次1500万美元 以及星舰的潜力 意味着其能以竞争对手无法企及的成本部署基础设施 [5] - SpaceX将直接受益于特斯拉的成功 特斯拉既是其资金引擎 也是其依赖的大规模技术的试验场 [4] - 特斯拉在AI 自动驾驶 电力电子 电池和大规模制造方面的进步 可直接转化为航天应用 帮助SpaceX降低成本并加速在航空航天领域的迭代 [4] 行业垂直整合趋势案例 **Kraig生物工艺实验室** - 公司通过控制东南亚生产基地附近政府拥有的桑园 锁定了蜘蛛丝制造的关键生物原料（桑叶）[7] - 此举旨在提高物流效率 稳定成本 并在商业化需求出现时减少对第三方的依赖 [8] - 蜘蛛丝超纤维是先进材料领域最具吸引力的前沿之一 其强度强于钢铁 韧性优于凯夫拉 且更灵活 同时具备可生物降解和轻量化等可持续特性 [9] - 从市场角度看 蜘蛛丝的商业化潜力有望在国防 航空航天 高性能服装和医疗等多个领域释放数十亿美元的机会 [10] **苹果公司** - 据报道 苹果计划在2026年大规模生产自家AI服务器芯片“Baltra”并建设专有AI数据中心 将其著名的集成硬件战略延伸至云端 [12] - 此举旨在减少对第三方云提供商的依赖 从而加强对成本 安全性和可扩展性的控制 [13] **亚马逊公司** - 亚马逊进军定制数据中心芯片领域 旨在减少对第三方芯片供应商的依赖 缓解供应限制 并针对AWS工作负载优化性能 [14] - 通过将自研AI加速器（Trainium用于训练 Inferentia用于推理）与AWS软件 网络和存储紧密集成 公司能够以更低的单位计算成本提供AI服务 [14] - 公司对电力基础设施和全球物流网络的所有权进一步放大了这一优势 使其能够以少数竞争对手可及的方式控制AI部署成本 [15]

核心观点 - 人工智能芯片热潮正进入第二阶段 从英伟达通用GPU主导转向ASIC与GPU的激烈竞争 博通和台积电有望成为最大赢家 [1] AI芯片市场格局演变 - 研究机构Counterpoint预测 博通将在2027年继续保持其作为顶级AI服务器计算ASIC设计合作伙伴的领先地位 市场份额进一步扩大至60% [1] - 台积电作为定制芯片的主要代工选择 几乎完全吃下全球前十大数据中心及ASIC客户的晶圆制造订单 市场份额接近99% [1] - Marvell此前被视为博通的主要挑战者 但目前面临设计订单增长困境 Counterpoint估计其设计服务市场份额到2027年可能下滑至8% [3] ASIC与GPU的技术与成本比较 - 博通为谷歌设计的TPU 其能效比是英伟达H100的2到3倍 推理成本则低30%至40% [2] - 高盛分析师指出 TPU技术从v6发展到v7还将帮助每个token的成本下降70% [2] - 亚马逊的Trainium芯片在推理成本上相较于H100低30%至40% 其单位算力成本是H100的60% 推理吞吐量则比H100高25% [2] - 英伟达的CUDA软件是其维护企业客户的关键护城河 该通用并行计算平台覆盖全球95%以上的AI开发者 [3] 行业竞争动态与未来展望 - 越来越多大型数据中心运营商为降低成本 正在采购定制芯片(ASIC) [1] - 业内预期 未来几年市场更可能是ASIC和GPU并存的局面 现在仍无法断言哪种策略会被最终淘汰 [3] - Marvell曾与亚马逊合作Trainium 2项目 但由于表现不佳失去了Trainium 3的设计合约 另一家台湾公司Alchip最后参与了Trainium 3的开发 [2]

涉及的公司与行业 * **公司**：亚马逊公司 (Amazon.com Inc, AMZN) [1] * **行业**：美国互联网、云计算 (AI Cloud) [1] 核心观点与论据 * **投资评级与目标价**：对亚马逊给予“跑赢大盘”评级，目标价300美元，较2026年2月2日收盘价242.96美元有23%的上涨空间 [1][5][6] * **AWS增长前景乐观**：预计AWS收入增长将从2025年第四季度的约22%加速至2026年的约25%和2027年的约26%，在极度乐观情景下，2027年增长率可能超过30% [12][67][70] * **AWS产能扩张领先**：预计AWS在2027年前将新增约10吉瓦的产能，实现产能翻倍目标，未来两年新增产能将超过任何其他超大规模云服务商 [2][14] * **供应紧张与定价能力**：行业处于供应受限环境，AWS在2025年第三季度重新夺回新增云支出份额领先地位，预计此领先优势将在2026年及以后持续，Anthropic云成本披露和AWS GPU价格上涨暗示了定价能力环境，应能转化为AWS利润率上升 [3][12] * **核心业务需求强劲**：专有SSO工作和CIO调查显示非AI需求强劲，预计AI的加速采用将推动相关的存储和CPU需求 [4][12] * **AI收入贡献显著**：预计Anthropic（训练和推理）对AWS收入的贡献在2025年约为120-170个基点，2026年约为5-8%+，2027年约为7-11% [49] * **Project Rainier**：该项目（Anthropic大规模模型训练集群）已于2025年第四季度上线，初始批次包含近50万颗Trainium2芯片，预计占AWS 2025年第四季度收入的2-4%+，2026年收入的3-7%，2027年收入的4-7% [49][61] * **关键合作伙伴与交易**： * **Anthropic**：是Trainium芯片的主要用户，预计2025年将获得100万+颗Trainium2芯片 [30] * **OpenAI**：AWS与OpenAI达成了一项价值380亿美元、为期七年的计算交易，涉及“数十万颗最先进的NVIDIA GPU” [51] * **自研芯片进展**： * **Trainium**：主要用于亚马逊内部工作负载和Anthropic，超过一半的Bedrock推理已发生在Trainium芯片上 [30][53] * **产能分配**：预计新增产能中约3吉瓦将用于Trainium驱动的工作负载，约1吉瓦+用于NVIDIA GPU，约1吉瓦用于剩余的CPU工作负载 [29] * **估值方法**：采用50/50的加总估值法和现金流折现法对亚马逊进行估值，其中零售业务按2026年预估企业价值/销售额3.0倍估值，现金流折现法采用9%的加权平均资本成本和3.5%的永续增长率 [13][86] 其他重要内容 * **市场情绪与背景**：在发布本报告（第二部分）之前，市场对AWS的情绪明显负面，但2025年第三季度业绩超预期并上调指引，以及一项OpenAI交易暂时改变了情绪 [1] * **与竞争对手的比较**： * **Azure**：认为Azure的收入减速是特殊现象，与新增产能的时间和战略分配决策有关，预计AWS 2025年第四季度收入增长将加速，并在2026年进一步加速 [4] * **产能对比**：据估计，2025年AWS新增了超过3.8吉瓦的电力容量，超过其他云提供商，而微软和谷歌在同一时间段内分别新增了约2.5+吉瓦和约3+吉瓦 [14] * **GPU分配**：有分析显示，相对于其当前的云市场份额，AWS获得的NVIDIA GPU分配不足 [36][37] * **风险因素**： * **监管**：亚马逊目前在国内和国外面临多项反垄断和隐私监管调查，任何监管行动都可能对其财务和估值产生负面影响 [87] * **新投资**：在杂货、医疗保健、AI等新领域的投资可能导致新的投资周期，资本密集度提高，运营利润率受压，自由现金流减少 [88] * **市场份额**：核心业务（电商和AWS）面临新进入者的份额损失风险 [88] * **AI代理商务**：关于AI代理商务的疑问，可能对亚马逊电商商品交易总额和零售媒体广告附着率构成风险，可能限制其估值倍数 [13] * **财务预测更新**：将2026年销售额预估从8080亿美元上调至8120亿美元，将2027年销售额预估从9060亿美元上调至9190亿美元 [13] * **关键假设与不确定性**： * 关键假设包括AI计算供应在可预见的未来持续紧张，以及新增的计算产能主要分配给云服务 [18] * 承认围绕Trainium市场、领先前沿模型的需求、NVIDIA GPU分配、云支出随AI工作负载转移的重力等问题答案仍未知 [11] * 指出如果AWS能将更多产能分配给GPU（例如从3吉瓦Trainium/1吉瓦GPU变为2吉瓦Trainium/2吉瓦GPU），可能为其增长带来额外动力，估计这种转变在基准情景下可为2026年和2027年带来约3个百分点的收入增长 [72][77][78]

文章核心观点 - 英伟达面临的最大竞争威胁并非来自外部竞争对手如博通和AMD，而是来自其最大的客户——“科技七巨头”的内部自研AI芯片计划，这可能会削弱英伟达的定价能力、毛利率和未来的升级周期需求 [4][10][17] 英伟达的市场地位与优势 - 人工智能被视为继互联网之后最重要的技术进步，预计到2030年将为全球GDP增加超过15万亿美元 [2][3] - 英伟达的图形处理器是AI数据中心和大型语言模型训练的“大脑”，自2023年初以来，其市值增加了近4.3万亿美元，凸显了其硬件的核心地位 [3][4] - 英伟达在部署的GPU中占据最大份额，其Hopper、Blackwell和Blackwell Ultra等多代AI GPU性能远超竞争对手 [5] - 公司首席执行官黄仁勋通过每年推出新芯片来保持竞争优势，例如预计在今年下半年接替Blackwell Ultra的Vera Rubin GPU [6] 外部竞争对手的挑战 - 博通和AMD是英伟达在AI数据中心领域的重要竞争对手，但并非其最大的威胁 [4][9] - AMD凭借其品牌认知度和价值主张，其Instinct AI加速芯片提供了成本更低、供应更充足的替代方案，以应对英伟达GPU的供应短缺和订单积压 [7][8] - 博通通过其专用集成电路在定制化市场取得进展，预计未来几年将从部分超大规模客户那里获得600亿至900亿美元的销售额 [9] 内部竞争（主要客户自研）的威胁 - 英伟达最大的风险来自于其顶级客户，特别是“科技七巨头”中的成员，如Meta、微软、亚马逊和Alphabet，它们都在内部开发用于自身数据中心的AI芯片或解决方案 [10][11][12] - Meta开发了多代MTIA芯片，微软推出了Azure Maia 200芯片，亚马逊拥有Inferentia2和Trainium芯片，Alphabet的Google Cloud则使用自研的张量处理单元 [13] - 这些内部开发的芯片虽然不一定比英伟达的GPU更快或更高效，但通常更便宜且更容易获得 [12] - 客户自研芯片将直接冲击英伟达的定价能力和毛利率，其超过70%的GAAP毛利率很大程度上依赖于持续的GPU供应短缺 [14] - 内部芯片开发可能延迟未来的数据中心升级周期，降低大客户购买英伟达最新GPU的意愿 [15] - 英伟达激进的年度创新周期可能导致前代GPU快速贬值，若客户能用自己的最新自研GPU来补充这些前代芯片，则可能减少对英伟达下一代GPU的依赖 [16]

行业趋势：生成式AI模型驱动云计算平台变革 - OpenAI和Anthropic已从AI实验室演变为基础设施巨头 未来基础设施项目承诺投资额达数万亿美元[1] - 两家公司的目标是成为所有AI构建的默认平台 其深度融入将惠及更广泛的科技股[2] 微软：通过OpenAI合作建立飞轮效应 - 微软是OpenAI的首个超大规模云投资方 为其提供了开发和扩展ChatGPT的基础设施[3] - 合作使微软获得了生成式AI整合的先发优势 ChatGPT现已深度集成于其云服务Azure中[3] - OpenAI软件使用量的增长推动了Azure AI工作负载的激增 并引导企业使用微软的增量云服务[4] - OpenAI的采用与Azure之间形成了飞轮效应 成为Azure长期发展的关键顺风[5] 亚马逊：通过大规模协议与自研芯片成为AI基础设施强者 - 亚马逊在AI领域拥有显著的大型基础设施协议[6] - AWS近期与OpenAI达成价值380亿美元的GPU租赁协议 以缓解其容量压力[7] - 亚马逊已向Anthropic承诺投入80亿美元资本[8] - 合作使AWS成为Anthropic GPU集群的主要用户 并且Anthropic采用了亚马逊自研的ASIC芯片（Trainium和Inferentia）[8] - 自研芯片旨在降低训练和推理成本并提升特定工作负载性能 Anthropic的采用将验证其垂直整合基础设施战略[9] - 若亚马逊的AI加速器能成为NVIDIA和AMD通用GPU的高规格替代品 AWS将获得可观的定价权并提高用户转换成本[10][11] 谷歌：获得AI领军企业的认可并强化云业务竞争力 - 尽管市场曾担忧生成式AI威胁其搜索业务 但谷歌云部门在AI革命中实现了可观的收入增长并持续产生运营利润[12] - 谷歌云的两个标志性客户正是OpenAI和Anthropic[13] - OpenAI利用谷歌云补充算力 Anthropic则在其NVIDIA GPU和亚马逊ASIC芯片栈中补充了谷歌自研的TPU芯片[13] - Anthropic决定在TPU上训练下一代模型 这将强化谷歌云的竞争地位[14] - 随着OpenAI持续解决容量瓶颈 谷歌云将从用户采用加速以及更广泛的数据中心建设中受益[15]

行业趋势与市场预测 - 人工智能服务器运算ASIC的出货量预计将在2027年增长两倍 [1] - 到2028年，AI服务器运算ASIC的出货量将超过1500万颗，超过数据中心GPU的出货量 [2] - 排名前十的AI超大规模数据中心运营商在2024年至2028年期间累计部署的AI服务器运算ASIC芯片将超过4000万颗 [2] - 市场正进入内部定制XPU时代，AI加速器针对特定训练或推理工作负载量身定制，不再仅仅依赖通用GPU [2] 主要参与者与市场份额动态 - 博通预计在2027年继续保持其在AI服务器运算ASIC设计合作伙伴领域的领先地位，市场份额将达到60% [1][3] - 到2027年，Alchip预计占据超大规模数据中心ASIC设计服务合作伙伴市场份额的18% [3] - 谷歌在2024年主导AI服务器运算ASIC出货量，市场份额为64%，但预计到2027年将下降至52% [3] - 亚马逊在2024年市场份额为36%，预计到2027年将下降至29% [3] - 迈威尔科技在ASIC设计服务市场的份额预计将从12%下降至8% [3] - 台积电在AI服务器运算ASIC出货量排名前十的公司中占据了近99%的晶圆制造份额 [2] 增长驱动因素 - 谷歌、亚马逊、苹果、微软、字节跳动和OpenAI加速部署用于训练和推理工作负载的芯片是增长主要驱动力 [1] - 具体需求包括对谷歌TPU基础设施的需求（支持Gemini项目）、亚马逊Trainium集群的持续扩展，以及Meta的MTIA和微软的Maia芯片的产能提升 [1] - 超大规模数据中心运营商基于自身技术栈构建了规模庞大的机架级AI基础设施，如谷歌的TPU Pod和AWS的Trainium UltraCluster，使其能够像超级计算机一样运行 [2] 竞争格局与战略动向 - 市场格局正迅速多元化，随着Meta、微软和其他公司进入该领域，谷歌和亚马逊的主导地位将减弱 [3] - 超大规模数据中心正逐渐摆脱对英伟达的过度依赖，转而寻求自研定制芯片以满足部分计算需求 [3] - 迈威尔科技的端到端定制芯片产品组合因定制硅创新技术（如定制的HBM/SRAM存储器和PIVR解决方案）及对Celestial AI的收购而更加稳固 [4] - 对Celestial AI的收购不仅每年能为迈威尔科技带来数十亿美元的收入增长，还有可能在未来几年内推动其在光规模化连接领域占据领先地位 [4]

核心观点 - 尽管亚马逊在人工智能领域取得显著进展并推动整体业务强劲增长，但其股价在过去12个月仅微涨2%，表现相对平淡 [1] - 公司将于2月5日发布2025年第四季度财报，该报告可能成为推动其股价上涨的积极催化剂 [2] - 人工智能正在深刻改变公司的云计算和电子商务业务，并推动其整体盈利能力大幅提升 [8] 云计算业务 (AWS) - 亚马逊网络服务是全球最大的云计算平台，也是人工智能开发者的首选目的地，因其拥有先进的数据中心和其他服务 [4] - AWS数据中心不仅配备了英伟达等顶级供应商的AI芯片，还自主研发了Trainium和Inferentia芯片 其中最新的Trainium2芯片在训练AI模型时，其性价比比竞品硬件高出40% [5] - 领先的初创公司Anthropic正在使用多达100万个Trainium2芯片 [5] - AWS为开发者提供Bedrock平台，该平台托管了来自Anthropic、Mistral和Meta Platforms等公司的数百个已完成的基础模型 [6] - 2025年前三季度，AWS总收入为931亿美元，较去年同期增长18% [7] - 人工智能是AWS增长的主要动力 截至第三季度末，AWS拥有高达2000亿美元的订单积压，这些订单来自等待更多数据中心基础设施上线的开发者 [7] 整体业务与市场表现 - 亚马逊是一家科技巨头，在电子商务、云计算、流媒体等多个行业占据主导地位 [8] - 过去12个月，公司股价仅上涨2%，表现平平，与其在AI领域的巨大进展形成反差 [1] - 即将发布的2025年第四季度财报将为投资者提供关于AI如何影响其云计算和电子商务业务的最新信息 [2]

文章核心观点 - 即将到来的微软、Meta、亚马逊和Alphabet的财报会议，将成为衡量AI基础设施投资意愿的公开记分牌，其资本支出指引和措辞将直接影响市场对AI建设持续性和规模的判断，并最终为英伟达的财报定下基调 [1][4][22] 资本支出公投 - 市场将密切关注四大科技巨头在资本支出上的措辞，是使用“加速”、“产能”等扩张性语言，还是转向“纪律”、“优化”、“有节制的投资”等谨慎措辞，这比简单的盈利超预期或不及预期更重要 [1][5] - 微软面临分屏问题：市场既希望看到Azure的强劲增长和AI收入提升，同时也要求保证资本支出账单的增长速度不超过收益 [7] - Meta的资本支出公投更为纯粹，其商业模式简单（广告支付账单），市场关注其AI支出计划是否值得无条件信任，以及能否在不引发“无限支出”担忧的情况下谈论投资 [8][9][13] - 亚马逊和Alphabet的情况使资本支出公投对英伟达更有趣，因为两家公司都在继续购买英伟达芯片的同时，坚持开发自己的定制AI加速器（如AWS的Trainium/Inferentia和谷歌的TPU） [10][11] 盈利与投资逻辑 - 微软拥有最明显的货币化叙事，通过向现有企业客户销售软件附加服务（如Copilot）来实现，市场关注其AI服务收入提升是否具有持续性 [13] - Meta的盈利逻辑在于其广告机器，市场关注AI支出是否能改善广告表现，以及公司能否解释其“前沿”野心而不吓坏那些更看重利润率扩张的投资者 [13] - 亚马逊的盈利故事通过AWS和运营杠杆实现，看多观点认为AWS增长引擎有望重新加速，且零售业务的效率工作（及大量裁员）能在公司积极投资AI和云的同时保持现金流生成 [14] - Alphabet拥有最完整的“技术栈”故事，涵盖搜索分发、云增长、模型和定制芯片，但其挑战在于云和AI驱动的货币化能否足够快地显现，以证明其高额支出是战略而非惯性 [15] 对英伟达的传导效应 - 市场将微软和Meta视为芯片增量需求的直接管道，而亚马逊和Alphabet则能证实或削弱AI需求广泛性的观点 [17] - 在英伟达2月25日发布财报前，市场将通过这四家公司的指引和分析师报告构建叙事，关键在于这是“上调预测”还是“增加疑虑”的叙事 [18] - 在“上调预测”的叙事中，客户需求依然旺盛，订单持续，且“英伟达替代品”的故事线被控制在长期边际管理的范畴，而非近期需求转移 [19] - 在“增加疑虑”的叙事中，措辞开始收紧，“节奏”和“纪律”成为焦点，资本支出范围可能维持但语气改变，市场开始认为“人人购买一切”的最佳日子正在被“人人购买，但人人讨价还价”所取代 [20][21] - 英伟达的财报将被其他公司的财报电话会议预先定价，市场试图在收据（英伟达财报）到达之前，为同一个故事定价 [21]

微软推出第二代自研AI芯片Maia 200 - 微软重磅推出由台积电3nm制程制造的第二代自研AI芯片Maia 200，旨在为云端AI训练/推理提供高能效比与性价比的算力基础设施，作为英伟达AI GPU的替代方案[1] - Maia 200在多项测试中性能超越亚马逊第三代Trainium和谷歌第七代TPU，被微软官方称为“所有超大规模云计算服务商中性能最强的自研内部专属AI芯片”[3] - 该芯片每美元性能比微软当前最新一代硬件提升30%，在FP4精度下的整体推理性能是亚马逊第三代Trainium的三倍，FP8性能超过谷歌第七代TPU[5] Maia 200的技术规格与性能 - Maia 200采用台积电3nm工艺，包含超过1400亿个晶体管，在750瓦功耗下，FP4精度算力超过10 petaFLOPS，FP8精度算力超过5 petaFLOPS[5][6] - 芯片配备216GB、带宽达7TB/s的HBM3e存储以及272MB的片上SRAM，每块芯片提供2.8TB/s的双向专用扩展带宽，支持在6144个加速器集群中实现高性能集合操作[6] - 微软已向开发者开放Maia 200软件开发工具包的预览版，并计划未来向更多客户开放云端服务器租用，该芯片将用于支持微软下一代AI大模型训练、企业版Copilot及托管型AI推理服务[3][5] 云计算巨头加速自研AI ASIC芯片 - 生成式AI热潮推动亚马逊、谷歌、微软等云计算巨头加速开发内部专属的AI ASIC芯片，以打造更具成本效益和能效的算力基础设施[2] - 经济性与电力约束是推动科技巨头自研AI ASIC的核心动力，旨在优化“单位Token成本、单位瓦特产出”，应对AI数据中心不断增长的能耗需求[7] - 自研AI ASIC能为云计算巨头提供“第二曲线产能”，在采购谈判、产品定价与云计算服务毛利层面获得更大主动权，并实现从芯片到软件的一体化设计，提高算力利用率并降低总拥有成本[8] AI ASIC在推理侧的优势与行业趋势 - 相比于英伟达AI GPU，AI ASIC在云端AI推理算力需求猛增的背景下，凭借更高的性价比和能效比优势，正迈入更强劲的需求扩张轨迹[9] - AI推理侧更看重单位token成本、延迟与能效，谷歌将其最新TPU Ironwood定位为“为AI推理时代而生”的专用芯片，并强调性能、能效与性价比[10] - 谷歌TPU v7 (Ironwood) 的BF16算力高达4614 TFLOPS，是上一代TPU v5p（459 TFLOPS）的十倍，针对特定应用，其架构可提供比英伟达Blackwell高出1.4倍的每美元性能[9] 行业竞争格局与市场影响 - 英伟达面临来自云计算巨头自研AI ASIC的竞争压力，正通过多架构AI算力、巩固CUDA生态及引进人才（如与Groq合作）来维持其在AI芯片领域约90%的市场份额[11] - 摩根士丹利研报显示，谷歌TPU芯片的实际产量预期被大幅上修，2027年和2028年将分别达到500万和700万块，较此前预期分别上修67%和120%[12] - 报告测算，谷歌每对外销售50万片TPU，便有望带来130亿美元的额外营收以及0.40美元的每股收益，这可能预示着谷歌将开启TPU AI芯片的直接对外销售[12]

文章核心观点 - AI芯片的竞争核心已从单纯性能比拼转向“性价比”的较量，特别是推理阶段的成本控制成为关键指标，直接影响AI应用的商业化落地和芯片厂商的市场份额[5][6] - 高盛通过构建“推理成本曲线”分析，量化了GPU与ASIC两类芯片的竞争态势，为理解技术路线优劣和行业竞争提供了清晰框架[5][6] - 短期内英伟达凭借其产品迭代速度、CUDA软件生态及全栈式创新维持领导地位，但中长期ASIC凭借定制化在成本控制上的潜力不容忽视，而网络、内存、封装三大相邻技术的创新将成为打破竞争格局的关键变量[10][12][15][17][18] 一、推理成本成AI芯片竞争关键 - AI芯片的竞争焦点是“性价比”，推理成本控制是重中之重，关系到AI应用商业化可行性和芯片厂商市场份额归属[6] - 高盛通过对比英伟达、AMD的商用GPU与谷歌TPU、亚马逊Trainium等定制化ASIC，构建了跨周期推理成本曲线，显示各类芯片成本均呈下降趋势，但不同厂商降幅和竞争态势差异显著[6] 二、头部玩家的竞争态势与差距 （一）谷歌/博通TPU：快速追赶的有力竞争者 - 从TPU v6到TPU v7，其每百万token的推理成本下降了约70%，目前成本与英伟达旗舰GB200 NVL72相当甚至略有优势[9] - 谷歌已将TPU广泛用于内部工作负载（包括Gemini大模型训练），且Anthropic与博通签订了价值210亿美元的TPU订单，预计2026年年中交付[9] - 对于具备定制化开发能力的企业，TPU正成为英伟达GPU之外的重要选择[9] （二）英伟达：优势稳固的行业领导者 - 英伟达维持领导地位依靠两大核心优势：一是“上市时间”优势，保持年度产品迭代（如GB300 NVL72已出货，VR200 NVL72计划2026年下半年交付）；二是CUDA软件生态构建的深厚护城河，客户迁移成本高昂[10] - 公司在研发投入上远超竞争对手，并通过Mellanox业务在网络领域占据强势地位，近期推出的上下文内存存储控制器展现了内存技术创新能力，这些优势使其加速器市场领先地位短期内难以被撼动[12] （三）AMD与亚马逊Trainium：暂处落后的追赶者 - AMD和亚马逊Trainium目前在推理成本竞争中处于落后位置，报告估算其代际成本降幅仅约30%，绝对成本明显不及英伟达GPU和谷歌TPU[12] - 市场亮点在于：AMD计划在2026年下半年推出基于MI455X的Helios机架解决方案，据称其训练和推理性能将对标英伟达VR200，并有望实现约70%的推理成本下降；亚马逊Trainium 3&4据传将修复Trainium 2的性能短板，性能有望显著提升[12] - 后续关键在于能否兑现技术承诺，通过产品迭代缩小差距，并争取更多超大规模云客户和主流AI企业的认可[13] 三、技术趋势 - 随着计算芯片接近掩模限制，未来AI芯片性能提升和成本下降将主要依赖网络、内存和封装三大相邻技术的创新突破[15] - 网络技术方面，通过扩展以太网提升系统带宽，实现更多GPU协同工作成为行业共识[15] - 内存技术方面，HBM与NAND闪存集成持续深化，英伟达的上下文内存存储控制器是典型案例，有效提升了训练和推理效率[15] - 封装技术方面，台积电的CoWoS技术已实现两颗GPU芯片封装整合，英伟达计划2027年推出的Rubin-Ultra将集成四颗GPU芯片，同时CPO和机架级高密度集成技术也在快速发展[17] - 英伟达和博通在这些技术领域已占据先发优势：博通凭借领先的以太网网络和SERDES能力成为AI网络核心受益者；英伟达通过全栈式创新在硬件、软件、网络、内存等多环节形成协同优势[17] 四、四大场景下的行业演化路径 - 高盛勾勒了AI行业未来发展的四大潜在场景，不同场景下GPU与ASIC竞争格局将呈现不同特征，但ASIC在各类场景中均有望获得不同程度的发展[18] - **场景一：企业与消费级AI应用普及有限**。若AI仅在编码、后台流程自动化等少数场景落地，行业资本支出将趋于温和，应用场景的稳定性将加速ASIC的采用[18] - **场景二：消费级AI持续增长，企业级AI进展有限**。训练市场重要性凸显，英伟达有望维持训练领域主导地位；随着工作负载逐渐静态化并集中于超大规模云厂商，ASIC市场份额将逐步提升[18] - **场景三：消费级AI增长，企业级AI温和渗透**。英伟达能凭借训练市场优势巩固地位，企业级市场增量需求将带来更多收入机会，ASIC也将在特定场景中稳步拓展[18] - **场景四：消费级与企业级AI全面强劲增长**。这是最乐观场景，随着多媒体模型、物理AI等应用扩展，LLM提供商和初创企业有望盈利，训练强度保持高位。英伟达将充分受益于训练市场的垄断地位，其“上市时间”和CUDA生态护城河进一步强化；ASIC虽能受益于工作负载规模扩大，但市场份额增长速度相对平缓[18]