文 | 云石乱笔
2026 年 3 月，全球半导体产业正处于一个关键转折点。AI 芯片驱动行业收入逼近万亿美元大关，但繁荣的表象之下，竞争格局正在经历深刻的重塑。从 Nvidia 的 GTC 2026 大会到 Tesla 宣布自建晶圆厂，从 Google TPU 打入外部市场到 AMD 发起正面挑战，过去一年发生的一切，正在重新定义 AI 算力的未来版图。
万亿美元的赛道：数字背后的结构性变局
全球半导体行业正以惊人的速度膨胀。据世界半导体贸易统计组织（WSTS）数据，2026 年全球芯片销售额预计将达到 9750 亿美元的历史峰值，同比增长约 26%。而这一增长的核心引擎，就是 AI 芯片。
德勤在其 2026 年半导体行业展望报告中估算，生成式 AI 芯片的收入将在 2026 年接近 5000 亿美元，约占全球芯片销售额的一半。AMD CEO 苏姿丰（Lisa Su）更是将 AI 数据中心加速器芯片的总可寻址市场预期上调至 2030 年 1 万亿美元。
但数字的光鲜掩盖了一个深刻的结构性矛盾：AI 芯片贡献了约 50% 的行业收入，却仅占芯片总出货量的不到 0.2%。2025 年全球共售出约 1.05 万亿颗芯片，平均售价仅 0.74 美元，而 AI 芯片不过约 2000 万颗。这意味着，整个行业的繁荣高度集中在极少数高价值产品上。
与此同时，非 AI 领域的市场表现令人担忧。由于 AI 对 HBM（高带宽内存）和先进制程产能的大量占用，特定 DDR5 配置的消费级内存价格在 2025 年 9 月至 11 月间飙涨约 4 倍，PC 和智能手机市场预计在 2026 年出现下滑。德勤将这种现象描述为一个 " 高风险悖论 "，行业把所有鸡蛋放进了 AI 这一个篮子里。
Nvidia：王座之上的焦虑
过去的一年，没有人比 Nvidia 更能体现 AI 芯片的统治力与焦虑感。
2026 年 3 月 16 日，Nvidia 在 GTC（GPU Technology Conference）2026 大会上发布了一系列重磅产品。最受瞩目的当属 Vera Rubin 超级芯片架构，基于台积电 N3B 工艺，搭载 HBM4 内存，单颗 VR200 封装可提供惊人的 35 petaFLOPS FP4 算力，配备 288GB 超高速 HBM4（带宽目标 22TB/s）。72 颗 VR200 组成的 NVL72 机架，将再次刷新 AI 算力的天花板。
但真正让行业意外的是另一个消息：Nvidia 以约 200 亿美元与推理芯片公司 Groq 达成技术授权协议，引入 Groq 创始人 Jonathan Ross、总裁 Sunny Madra 及核心团队，并在 GTC 上发布了 Groq 3 LPU（语言处理单元）。这不是一次简单的技术引进。Groq 的 LPU 采用确定性执行架构，内置 230MB 超快 SRAM，没有外部内存，却能以极低延迟运行 AI 推理任务。Nvidia 推出的 Groq 3 LPX 平台，由 128 颗 Groq 3 LPU 组成的机架与 Vera Rubin NVL72 协同工作，号称可实现每兆瓦 35 倍的吞吐量提升和 10 倍的收入机会。不过，当前的 Groq 3 仍基于较早的架构演进，而基于三星 4nm 工艺的第二代 LPU 已在研发中。Nvidia 拿到的不只是一颗芯片，更是一条完整的推理芯片技术路线。
这一布局的战略意义非常清晰：当行业重心从训练转向推理，Nvidia 需要一款专用推理芯片来捍卫自己的领地。正如 Nvidia 超大规模与高性能计算副总裁伊恩 · 巴克（Ian Buck）所言，GPU 的内存更大，而 LPU 的内存更快，两者结合，才能覆盖从万亿参数模型到百万 token 上下文的全场景推理需求。
Nvidia 还发布了独立的 Vera CPU 机架，将 256 颗液冷 Vera CPU 集成在一个系统中，专门针对正在兴起的 AI Agent 工作负载。当 AI Agent 需要浏览网页、提取数据、执行多步推理时，CPU 性能变得至关重要。这是 Nvidia 从 GPU 公司向全栈 AI 算力平台进化的又一步。
Nvidia 的数据中心收入在 2026 财年达到 1935 亿美元，较上年的 1162 亿美元大幅增长。但市场份额正在面临空前的挑战。
挑战者联盟：从追赶到正面较量
AMD：内存为王的赌注
如果说 2025 年 AMD 还在奋力追赶，2026 年可能是它扳回一局的转折点。
AMD 即将推出的 MI455X 基于全新的 CDNA 5 架构，采用 12 颗 2nm 和 3nm 逻辑 Chiplet 的混合设计，通过先进的 3.5D 封装连接，总计 3200 亿晶体管。最大的卖点是内存配置：432GB 的下一代 HBM4，带宽接近 20TB/s。这在内存容量上超过了 Nvidia 的 Vera Rubin（288GB HBM4），至少在 Rubin Ultra 推出之前（后者将配备 1TB HBM）。
但 MI455X 只不过是拼图的一半。真正决定 AMD 这次能否改变格局的，是 Helios 机架架构。
过去几年，AMD 在 AI 芯片的单卡性能上并不逊色，MI300X 和 MI355X 都交出了不错的成绩单，但市场份额始终难以突破。原因不在芯片本身，而在系统。Nvidia 的统治力建立在 NVLink、NVSwitch 和 NVL72 整套机架级互连方案之上，客户买的不是一颗 GPU，而是一套从芯片到机架、从硬件到软件的完整生态。AMD 长期缺少的正是这一环。
Helios 是 AMD 对这一短板的正面回应。它不再只是把多颗 MI455X 装进一个机柜，而是提供了一套完整的机架级系统架构，包括高速互连、统一的内存寻址和针对大规模 AI 工作负载的 Scale-up/Scale-out 方案。Semi Analysis 的深度分析指出，Helios 的意义在于 AMD 第一次在系统层面向 Nvidia 的 NVL72 发起了对等挑战，不只是卖芯片，而是卖方案。
对 AMD 而言，Helios 的成败可能比 MI455X 本身更关键。芯片规格再强，如果无法提供客户从 Nvidia 生态迁移过来的完整路径，就只能停留在纸面上。Helios 能否按时交付、软件生态能否跟上、大客户是否愿意为第二选择投入资源，这些问题的答案将决定 AMD 在 AI 芯片领域究竟是永远的 " 第二名 "，还是做个真正的竞争者。
Google Ironwood TPU：十年磨一剑
Google 可能是 AI 芯片领域真正的 " 老兵 "，第一代 TPU 早在 2015 年就投入使用，比 Nvidia 的第一款 Tensor Core GPU 还要早两年。当整个科技圈还在为区块链狂热的时候，Google 已经在为 AI 时代铺路。更不用说，开启大模型时代的那篇 "Attention Is All You Need" 论文，本质上就是 Google 的成果。
2025 年 11 月发布的 Ironwood（TPU v7）是 Google 最新的杰作。基于台积电 N3E 工艺，采用双芯片（dual-chiplet）设计，配备 192GB HBM3E 内存，专为运行 Gemini 系列模型的推理任务而设计。Ironwood 最独特的优势在于 Google 的光学电路交换技术，利用微型物理镜面实现超高效光学互连，可将最多 9216 颗 TPU 连接成一个超级 Pod，这种规模的单一集群是当前任何竞争对手都无法匹配的。
Ironwood 真正的战略意义在于，Google 开始将 TPU 开放给外部客户。据报道，Meta 正在就 2027 年起采购数十亿美元 Google AI 芯片进行谈判。Forrester 分析师 Alvin Nguyen 评价说："Nvidia 无法满足所有 AI 需求，Google 和 AMD 等替代方案在云服务和本地 AI 基础设施方面都是可行的。客户只是在寻找实现 AI 目标的途径，同时避免供应商的锁定。"
然而，Ironwood 有一个明显的 " 缺口 "：它是一颗专为推理设计的芯片。在大模型训练领域，Google 目前仍主要依赖上一代 Trillium（TPU v6e）和 Nvidia GPU 的组合。要真正构建一个能与 Nvidia 端到端抗衡的完整生态，Google 需要的不只是一颗推理冠军，还需要一颗同样能在训练场景中硬碰硬的下一代芯片。
这正是 TPU v8 被行业寄予厚望的原因。虽然 Google 尚未公开披露 v8 的具体规格和时间表，但从 Google 过去十年几乎保持一年一代的 TPU 迭代节奏来看（v5e/v5p 于 2023 年、Trillium 于 2024 年、Ironwood 于 2025 年），v8 在 2026 年下半年或 2027 年初亮相是合理的预期。
v8 的战略定位几乎可以确定：补齐训练这块拼图。Ironwood 已经证明了 Google 在推理芯片上的竞争力，但 Meta 等外部客户之所以还在大量采购 Nvidia GPU，核心原因正是训练工作负载。如果 v8 能在训练性能上与 Nvidia 的 Vera Rubin 正面抗衡，Google 就将成为唯一一家同时拥有世界级训练芯片、世界级推理芯片和世界级 AI 模型（Gemini）的公司，一个完全垂直整合的 AI 算力帝国。Amazon 的 Trainium 服务于云客户但自身没有前沿 AI 模型，Microsoft 的 Maia 推理能力强但训练仍依赖 Nvidia，Meta 的 MTIA 只服务内部工作负载。只有 Google 具备 "TPU + Gemini + Google Cloud" 三位一体的条件。
当然，这条路上最大的障碍不是硬件本身，而是软件生态。Nvidia 的 CUDA 经过十余年积累，已成为 AI 开发的事实标准，拥有庞大的开发者社区和成熟的工具链。Google 的 TPU 则依赖 JAX/XLA 编程模型，虽然在 Google 内部和部分研究机构中广泛使用，但在更广泛的企业市场和开发者生态中仍远不及 CUDA 的渗透率。即使 v8 的硬件规格全面超越 Vera Rubin，如果无法降低客户从 CUDA 迁移的门槛，TPU 的外部化进程仍将受到制约。这也是 Google 能否从 " 内部利器 " 转型为 " 行业平台 " 的关键考验。
十年前，没有人认为 Google 会成为 Nvidia 在 AI 芯片领域的主要挑战者。但 2026 年的现实是：Google 拥有最长的 AI 芯片研发历史、最独特的光学互连技术、最强的 AI 模型之一，以及一个刚刚开始接受外部客户的云芯片平台。TPU v8 如果如期到来，可能标志着 AI 芯片行业从 "Nvidia 一家独大 " 向 "Nvidia vs Google 双极格局 " 转变的真正开端。
差异化路径：另辟蹊径的挑战者
高通（Qualcomm）：大卫挑战歌利亚
在 GPU 双雄和云厂商自研芯片之外，还有一个不该被忽视的名字：高通。
高通直到最近才完成首次大规模部署：1024 颗 AI100 芯片组成的集群。问题是，这批硬件已有三年历史，底层架构更是接近六年前的设计。千颗规模在 2026 年几乎不值一提。但真正值得关注的是 2025 年 10 月发布的 AI200。这颗 ASIC 基于台积电 N3E 工艺，包含约 700 亿晶体管，配备 768GB LPDDR5X 内存，明确瞄准推理市场。
高通的策略与众不同：选择 LPDDR5X 而非供应紧张的 HBM。一年前这看起来是个聪明的差异化选择，避开了 HBM 的产能瓶颈，用大容量低功耗内存服务推理场景。但随着内存价格全线飙涨，LPDDR5X 同样未能幸免，这一成本优势正在缩水。AI200 大概率不会在 2026 年掀起大的波浪。
不过，高通的路线图上有一个更值得期待的节点：下一代 AI250 将采用全新的存算一体（Compute Near Memory）架构，据高通披露，可实现有效内存带宽 10 倍的提升，并搭配下一代 LPDDR6 内存。如果 Nvidia 是歌利亚，高通很可能是那个手持弹弓的大卫，暂时还够不到头部战场，但技术路线足够独特，值得持续关注。
Cerebras WSE-3：整片晶圆的异类
在所有 AI 芯片中，Cerebras 的 WSE-3（Wafer Scale Engine 3）可能是最 " 另类 " 的存在。顾名思义，它将整片硅晶圆制成一颗芯片，不是 Chiplet 拼接，而是真正的单片。
WSE-3 于 2024 年发布，但 2026 年初刚刚宣布了新的集群部署。它基于台积电 N4P 工艺，包含 4 万亿颗晶体管，内置 44GB SRAM，理论内存带宽高达 21 PB/s。一切指标都是 " 天文数字级 " 的。但问题在于，到了 2026 年，44GB 的片上内存对于运行大模型来说已经捉襟见肘，即便它是速度极快的 SRAM。WSE-3 仍然在超低延迟推理服务场景中保持竞争力，但它可能正在成为这一代的 " 落单者 "。行业期待的是 WSE-4 能否带来足够的内存扩展来重回主流视野。
科技巨头的 " 自研芯片 " 浪潮
过去一年最引人注目的趋势之一，是越来越多的科技公司选择自研 AI 芯片，从 Nvidia 的客户变成 Nvidia 的潜在竞争者。
Amazon 的自研芯片战略可能是所有超大规模云厂商中部署规模最大的。AWS 已在其数据中心部署了数十万颗 Trainium 2 芯片，而 2025 年 12 月发布的 Trainium 3 UltraServer 性能较前代提升了 4 倍以上，能效提高 40%。Trainium 3 基于台积电 N3P 工艺，包含约 1250 亿晶体管，配备 144GB HBM3E。
但 Trainium 3 真正耐人寻味的，不只是技术规格，而是它背后的资本游戏。Amazon 向 Anthropic 累计投资约 80 亿美元。作为回报，Anthropic 将 Claude 模型的训练和运行大量迁移到 AWS 的 Trainium 芯片上。这不是简单的客户关系。Amazon 用真金白银 " 买 " 来了最顶级 AI 实验室对自研芯片的验证，而 Anthropic 获得了前沿模型研发所需的海量算力。双方的利益深度绑定：Amazon 需要 Anthropic 证明 Trainium 能跑最难的工作负载，Anthropic 需要 Amazon 的资金和基础设施来保持与 OpenAI 的竞争力。Claude 在 Trainium 上训练成功这件事本身，就是 Amazon 自研芯片战略最有力的市场背书。
更值得玩味的是 OpenAI 的选择。OpenAI 的最大投资方是 Microsoft，后者正在用自研的 Maia 200 芯片打造 Azure 上的 AI 推理基础设施。但 OpenAI 同时宣布将从 2026 年起使用 2GW 的 AWS Trainium 算力，这意味着 Microsoft 最重要的 AI 盟友，同时也在用 Amazon 的芯片。在 AI 算力供不应求的当下，没有任何一家 AI 实验室能承受把所有赌注押在单一供应商身上。Anthropic 同样如此。在拿了 Amazon 的 80 亿美元之后，又计划从 Google Cloud 获取多达 100 万颗 TPU 的算力，同时还在使用 Nvidia GPU，在三家供应商之间维持着精心计算的平衡。
业内分析师将这种模式称为 " 循环融资 "：云厂商投资 AI 公司，AI 公司反过来购买云厂商的算力和芯片，资本和算力在几家巨头之间循环流动。这已经不是传统的供应商 - 客户关系，而是一种深度耦合的共生结构：每家公司既是对方的投资者，又是对方的客户，还是对方的潜在竞争者。Trainium 3 的成功，某种程度上不是靠产品与技术赢得市场竞争，而是靠资本纽带锁定了最关键的客户。
Microsoft 的 Maia 200 是其第二代自研 ASIC，基于台积电 N3P 工艺，包含 1400 亿晶体管，配备 216GB HBM3。这颗芯片将用于推理，优化了 FP8 和 FP4 性能，分别可提供超过 5 和 10 petaFLOPS 的算力。Microsoft 不仅将其用于自家模型，还将用来运行 OpenAI 的相关模型。
Meta 的 MTIA（Meta 训练与推理加速器）已进入第三代迭代，采用了台积电 N3P 工艺，预计超过 1000 亿晶体管，并首次从前两代的 LPDDR5X 升级到 HBM 内存，这一变化本身就说明 Meta 对自研芯片的性能预期在大幅提升。MTIA v3 不会是争夺 AGI 的芯片，但 Meta 对自己的内部工作负载了如指掌：不只是 AI 聊天机器人，更是驱动 Facebook、Instagram 和 Threads 推荐算法的核心推理模型。用自研芯片处理这些工作负载能提供更好的利润率，同时释放外购的 Nvidia 和 AMD GPU 用于前沿模型训练。扎克伯格（Mark Zuckerberg）的大手笔采购涵盖了 Nvidia GPU、AMD GPU 甚至 Google TPU，但长远来看，MTIA 承担的推理份额只会越来越大。
OpenAI 在 2025 年初完成了其首款自研芯片的设计，由前 Google 自研芯片项目负责人 Richard Ho 领导的 40 人团队操刀，采用台积电 3nm 工艺制造，目标 2026 年量产。这颗芯片最初将用于推理任务。考虑到 OpenAI 同时参与了 5000 亿美元的 " 星门 "（Stargate）基础设施项目，自研芯片的战略意图已昭然若揭。
最大胆的举动来自 Tesla。2026 年 3 月 19 日—就在本文撰写的前一天—马斯克（Elon Musk）宣布 Tesla 的 Terafab 项目将在 7 天内启动。这是一个垂直整合的半导体制造工厂，集逻辑处理、内存和先进封装于一体。据 Tesla 披露的目标，初期产能为每月 10 万片晶圆，年产 1000 至 2000 亿颗 AI 和内存芯片，预计投资约 200 亿美元。Terafab 的目的是为 Tesla 的全自动驾驶系统、Robotaxi 车队、Optimus 人形机器人和 Dojo 超级计算机提供自主可控的 AI 芯片供应。如果这一计划付诸实施，它将是 AI 时代最大胆的垂直整合尝试之一。
从训练到推理：行业重心的历史性转移
在所有技术趋势中，最深刻的或许是整个行业从 AI 训练向 AI 推理的重心转移。
Google Ironwood TPU 专为推理设计。Nvidia 引入 Groq 技术正是为了获得专用推理芯片。Microsoft 的 Maia 200 优化了推理性能。高通的 AI200 ASIC 选择了 LPDDR5X 而非 HBM，瞄准的也是推理市场。越来越多的迹象表明：训练一个大模型可能只需要做一次，但推理—每当用户向 ChatGPT 提出一个问题、每当 AI Agent 执行一个任务—需要持续不断地消耗算力。
这一转变正在重塑芯片设计的优先级。推理芯片更强调能效（每瓦每 Token 的性能）、低延迟、大内存带宽和确定性执行，而这些恰恰是传统 GPU 并非最优的领域。ASIC（如 TPU、Trainium、Groq LPU）和专用推理加速器的崛起，正在蚕食 GPU 在 AI 领域的垄断地位。
德勤的分析也印证了这一点：AI 数据中心工作负载预计在 2026 年至 2030 年间每年增长 3 到 4 倍。随着 AI Agent、实时推理和端侧 AI 的爆发，推理算力需求的增速将远超训练。
暗流涌动：繁荣背后的风险
在这场 AI 芯片的盛宴中，几个潜在风险值得警惕。
能源瓶颈。高盛估计，到 2027 年 AI 数据中心将需要额外 92GW 的电力。用于发电的燃气轮机订单已排到 2030 年以后，数据中心审批可能因消费者电价上涨风险而受阻。能源正在取代芯片本身，成为 AI 扩张的最大瓶颈。
内存危机。AI 对 HBM3、HBM4 和 DDR7 内存的需求导致消费级内存（DDR4、DDR5）严重短缺。据 Counterpoint 统计，2025 年第四季度内存均价飙涨 50%，部分分析师认为这种紧缺可能持续十年。这不仅影响 PC 和智能手机市场，也在推高 AI 系统本身的成本。
投资回报的不确定性。大多数数据中心建设方并不指望第一年就收回投资，但如果 AI 变现的速度和规模不及预期，项目可能被取消或推迟，对芯片销售造成冲击。德勤提醒，2026 年的订单基本锁定，但 2027 和 2028 年可能出现急剧分化。
地缘政治的持续扰动。出口管制、关税、技术主权争夺正在重塑全球半导体供应链。2025 年 12 月，美国政府批准 Nvidia 向部分获准的中国客户出售 H200 芯片，但条件是 25% 的芯片销售份额。各国纷纷加速建设本土芯片制造能力，但先进封装和测试领域的人才短缺—尤其在美国和欧洲—可能成为持久性的障碍。
展望 2026 下半年：确定趋势与开放问题
站在 2026 年 3 月的时间节点上，有几个趋势已经相当明确：
第一，Nvidia 仍将主导，但其份额将继续被稀释。Nvidia 控制着 AI 芯片市场 90% 以上的份额，但 Google TPU 的外部化、AMD MI455X 的正面竞争、以及各大科技巨头的自研芯片，正在多个维度侵蚀这一优势。正如 Forrester 分析师所言，Nvidia 戴着 " 金手铐 "：它是 AI 的代名词，但也被迫不断推出最先进的高利润产品，而放弃利润率较低的市场，而这恰恰给了竞争者成长空间。
第二，推理芯片将成为增长最快的细分市场。从 Nvidia 引入 Groq 技术到 Google 开放 Ironwood，从 Microsoft 优化 Maia 到 AWS 规模化 Trainium，行业共识已经形成：推理是下一个主战场。
第三，垂直整合将加速，资本纽带将取代市场竞争成为客户锁定的核心手段。Tesla 建晶圆厂只是最极端的案例。Amazon 投资 Anthropic、Microsoft 投资 OpenAI、Google 同时向两家提供 TPU 算力，" 循环融资 " 正在成为 AI 芯片行业的新常态。谁能用资本绑定最关键的 AI 模型公司，谁的芯片就能获得最有价值的市场验证。
第四，系统级性能将取代单芯片性能成为核心竞争力。Chiplet 架构、HBM-on-Logic 集成、光学互连（CPO/LPO）、软件定义网络，这些系统级创新的重要性正在超越芯片本身的工艺节点。AI 数据中心的竞争，越来越像是 " 系统的战争 " 而非 " 芯片的战争 "。
还有几个开放性问题将在未来数月内揭晓答案：
Google 的 TPU v8 能否如期到来并补齐训练短板？如果成功，AI 芯片行业可能从 Nvidia 一家独大走向双极格局，但 CUDA 生态的护城河仍是最大变数。
Intel 的 Jaguar ShoresGPU 能否在 2026 年内问世？这颗基于 Intel 18A 工艺、包含 1750 亿晶体管、配备 288GB HBM4 的芯片，纸面规格颇具竞争力，但正如业内人士的评价：" 纸面是要有耐心的。" 经历了多次 AI GPU 的失败尝试后，Intel 不仅要证明自己能造出芯片并量产，还要拿出过硬的软件支持。一个健康的 AI 芯片市场需要第三个 GPU 玩家。
Cerebras 的 WSE-4 何时发布？WSE-3 的 44GB SRAM 在 2026 年已显不足，整片晶圆规模的芯片概念要延续生命力，内存扩展是当务之急。
Tesla 的 Terafab 是又一个马斯克式的宏大愿景，还是能真正改变半导体制造格局的颠覆性项目？
当 AI 芯片收入占据半导体行业的半壁江山，一旦 AI 投资周期出现回调，整个产业链将如何应对？
结语
AI 芯片行业在过去一年经历了一次急剧的加速。Nvidia 仍然是这场竞赛中当之无愧的领跑者，但赛道上的选手从未如此之多、如此之强。专用推理芯片快速崛起，超大规模云厂商纷纷投入自研硅片，Chiplet 架构趋于成熟，光学互连开始落地。而在技术竞争之上，资本纽带正在重新定义谁是谁的客户、谁是谁的对手。
在 9750 亿美元的半导体市场数字背后，是一个行业正在经历的根本性转型：通用计算让位于专用智能，单一供应商主导走向多元生态共存，峰值算力竞赛转变为全系统能效优化。2026 年下半年，当 Vera Rubin、MI455X、Trainium 3 和各家自研芯片陆续进入规模部署，当 Google 的 TPU v8 是否亮相揭晓，我们将看到这场变革的第一批真正的答案。
这不仅仅是一场芯片的战争，更是一场关于 AI 基础设施未来形态的根本性辩论。而 2026 年，正是这场辩论从纸面走向现实的最关键的一年。
