大模型自研NPU 利空第三方AI芯片

当科技巨头和顶尖大模型公司纷纷卷起袖子自研AI芯片时，他们真正瞄准的，从来不是英伟达的王座，而是那些没有大模型生态、只能做推理的第三方AI芯片公司的命门。

过去两年，国产AI芯片赛道充斥着一种廉价的乐观主义：既然英伟达的GPU一卡难求，既然专用NPU的开发门槛比通用GPU低，就能靠国产替代吃时代红利。

然而，全球AI产业的真实切面是：大模型公司自研NPU的热潮，并不会影响英伟达的统治地位，反而是对第三方AI芯片公司的降维绞杀

算法定义芯片：戳破“造芯门槛低”的幻觉

“开发只做推理的专用NPU门槛低”——这句话只说对了一半。

准确地说，开发通用GPU的门槛极高，但开发针对特定模型架构优化的专用NPU（ASIC），技术路径更明确，软件栈复杂度相对较低。

英伟达的CUDA生态之所以坚不可摧，是因为它需要兼容极其复杂的通用计算、各种浮点运算，以及全球数百万开发者千奇百怪的应用场景。其编译器、运行时、算子库的开发难度是指数级的。

而专用NPU的核心逻辑是“算法定义芯片”，牺牲通用性，换取特定应用极致的能效比和推理速度，国内寒武纪、升腾都是这条路线的产物。

但这并不意味着谁都能下场造芯。对于拥有顶尖大模型和海量调用场景的公司而言，自研NPU是必须做的战略选择，因为只有自己最懂自己的模型，自己设计的芯片才能让自家模型跑得最快、最省电。

可对于那些连基础模型都没跑明白、全靠套壳开源模型的初创企业来说，强行自研芯片，只会加速烧光账上那点可怜的融资。

规模是生死线：没有云和模型，自研就是找死

“自研比外购更具性价比”——这句话成立的前提，是规模。

芯片行业的铁律是：一次性工程费用极高，先进制程流片一次动辄数千万美元。只有当芯片出货量达到百万片级别时，单片成本才能降到可接受的范围。

这就是为什么全球自研NPU的主力军，清一色是拥有庞大云基础设施和内部海量AI调用需求的科技巨头。

亚马逊AWS拥有全球最大的云市场份额，内部电商、物流、Alexa的AI推理需求海量，Inferentia和Trainium芯片的研发成本可以被庞大的使用量轻易摊薄；Google的搜索、广告、YouTube、Cloud，内部AI调用量堪称全球之最，TPU从v1迭代到v5，完全是被内部需求逼出来的；微软Azure云加上Copilot全家桶，对推理算力的需求呈指数级增长，自研Maia芯片是为了降低对英伟达的依赖，控制长期总拥有成本。

巨头造芯，是自产自销的防御性战略。他们不靠卖芯片赚钱，而是通过云服务对外输出算力，客户无需关心底层是英伟达GPU还是自研芯片，只需调用API。这种“云+AI+芯”的闭环，构筑了极深的护城河。

就国内小公司而言，自研AI芯片缺乏性价比，但只要规模做大，就会有自研AI芯片的需求。这就会导致第三方AI芯片公司处境就极其尴尬。

第三方AI芯片公司前景不明

当下，国内第三方AI芯片公司要么高度依赖政策红利和国资单位采购，比如升腾，要么高度依赖单一大客户输血。

以近期冲刺科创板的燧原为例。根据其IPO招股书数据，2023至2025年累计净亏损超43亿元，四年累计亏损更是超过54亿元。更致命的是客户结构：2025年前三季度，燧原对第一大股东兼最大客户腾讯的销售占比超过70%。

再看“国产AI芯片第一股”寒武纪。2023年亏损8.48亿元；2024年亏损4.52亿元，直到2024年四季度和2025年一季度，才勉强依靠特定项目的集中交付实现单季度盈利。

这些数字撕开了一个残酷的真相：没有海量内部需求摊薄成本，第三方芯片公司只能去卷比英伟达便宜的低端市场。当科技巨头自己下场造AI芯片，成本优势不复存在，这些纯做推理的芯片公司，面临的将是客户流失、订单枯竭的灭顶之灾。

英伟达的护城河：不是GPU，是“训推一体”的生态霸权

业内有一种错觉，认为英伟达的护城河是GPU硬件性能。大错特错。

英伟达真正的护城河，是“训推一体”的无缝体验，以及CUDA生态构建的开发者习惯壁垒。

英伟达的H100/H200，既能用于训练，也能用于推理。这意味着模型零转换、开发栈统一、资源调度灵活。数据中心GPU集群可以在训练任务空闲时，自动切换为推理服务，极大提高硬件利用率。

反观专用NPU，Google TPU深度绑定TensorFlow/JAX框架，对其他框架支持较弱；亚马逊Inferentia只能做推理，训练必须依赖Trainium或英伟达GPU，生态割裂。

英伟达的“训推一体”不是技术选择，而是生态霸权。它让所有AI开发者深度绑定在CUDA生态中，形成极强的路径依赖。

这也是为什么，即便面临地缘政治的算力管制，国内纯AI模型公司（如百川、智谱、月之暗面等）最理性的选择，依然是老老实实买英伟达的卡，或者租用云厂商的算力。

只要大模型还需要不断迭代出下一代千亿、万亿参数模型，就需要天量的英伟达GPU来训练。大模型公司自研推理芯片，抢走的只是英伟达在推理端的增量市场，根本动不了它的训练基本盘。

地缘政治外衣下的商业内核

每当提及国产AI芯片，总有人喜欢套上地缘政治的滤镜：减少对英伟达海外芯片依赖，缓解高端算力管制约束，强化国产AI全产业链自主可控。

这在战略层面上是成立的。美国的算力管制确实倒逼了中国AI企业寻求底层硬件的自主化。大模型公司自研NPU的热潮，本质上是一场行业洗牌。

英伟达凭借“训推一体+CUDA”的生态霸权，继续稳坐AI算力王座。

亚马逊、Google、阿里等巨头通过“云+AI+芯”闭环，构建防御性护城河，自产自销，不受外部市场冲击。

头部AI模型公司自研专用AI芯片。小而美的纯AI模型公司老老实实买英伟达卡，或租用云算力。

第三方纯推理芯片公司，则面临“高端训练打不过英伟达，低端推理被巨头自研替代”的绝境，生存空间被极度压缩。

这不是技术路线之争，而是商业模式的降维打击。

当你的客户开始自己造芯片，当英伟达拥有你无法企及的生态壁垒，唯一的出路，就是要么被收购，要么死亡。

芯片围城，城门已关。在无尽黑暗中艰难求生的，注定是那些没有大模型、没有云生态、只能做单一推理芯片的公司。