其实从前几年开始，美国那边很多科技公司，早就对英伟达这家公司不满意了。因为目前而言，英伟达在AI领域的掌控力太强了，以至于谷歌、亚马逊和微软等都想降低对英伟达的依赖。

这些公司的动作很有意思：一边继续买英伟达的设备，一边掏钱研发自己的芯片。听着像“左右互搏”，其实算的是同一本账——眼前的生意不能停，未来的主动权也得抓在自己手里。

英伟达有多强？截至2026年7月26日的2027财年第二季度，营收达到约962亿美元，同比增长106%；数据中心业务收入890亿美元，占总收入九成以上，公司整体毛利率达到75%。

这样的盈利能力，说明它确实有技术和产品优势。但对采购芯片的巨头来说，上游赚得越丰厚，自己就越有动力研究：这笔成本，还有没有压缩空间？

毕竟，云厂商买芯片，是要把算力卖给客户。设备采购、电费、散热和维护，最后都得计入账单。客户希望AI服务越来越便宜，云厂商自然希望提高效率，让自己对成本有更多掌控能力。

更麻烦的是供货节奏。芯片什么时候交付，新平台什么时候升级，都会影响数据中心扩容。花得起钱和及时拿到设备，是两回事。自研芯片的价值，就在于多准备一条路，也多一份议价筹码。

谷歌在这方面布局很早，2013年就开始大力投入TPU，也就是专门服务于人工智能计算的张量处理器。它在ChatGPT掀起热潮之前，就已经积累了多年的研发经验。

2025年，谷歌推出第七代TPU Ironwood，并于当年11月向云客户开放。它重点面向大规模、低延迟的AI推理服务。自研芯片走出内部机房，意味着谷歌除了自己使用，还可以向外部客户提供另一种算力选择。

亚马逊的思路同样直接。

2025年12月，AWS推出Trainium3；此前，它已经与Anthropic合作，用超过50万颗Trainium2芯片搭建“雷尼尔”计算集群，服务于大模型研发。

几十万颗芯片真正连起来跑业务，意义远大于发布会上拿着样品拍张照。这里考验的，是芯片、网络、软件和运维能不能一起工作。只有规模化运行过关，自研才可能从研发项目变成持续赚钱的产品。

微软也在往前赶。2026年1月推出的Maia 200，主要瞄准AI推理，并已部署在美国艾奥瓦州的数据中心区域。微软还同步推出软件开发工具包预览，包含PyTorch集成、Triton编译器等工具。

为什么这几家公司越来越重视推理？大白话说，训练是让模型学本领，推理是让它接活。用户问问题、让AI写代码、生成内容，都需要调用算力。模型投入使用后，海量请求会不断产生运行成本。

因此，芯片竞争不能只看谁的参数最漂亮，还得看完成同样的任务，谁花的钱少、耗的电少、响应更快。适合自己业务的专用芯片，未必包打天下，却可能把某些高频任务做得更划算。

在我看来，巨头们真正想争的是长期经营的主动权。自研芯片只要能分担一部分稳定需求，就已经有商业价值。把适合的任务交给适合的设备，才能一步步把投入转化成收益。

英伟达多年积累的CUDA软件平台、开发工具和配套系统，则构成了很高的转换门槛。开发者熟悉这套环境，已有代码也围绕它做了大量优化，硬件与软件相互配合，才撑起了今天的竞争优势。

换芯片意味着迁移代码、重新调试、验证稳定性，还可能需要培训团队。硬件便宜了，如果软件适配拖慢产品上线，节省的采购费未必抵得过损失。微软同步拿出软件工具，就是在为开发者使用新芯片创造条件。

而且，巨头们的竞争和合作往往同时进行。亚马逊在发展Trainium的同时，还计划在2027年至2028年向全球基础设施新增部署200万颗英伟达GPU。自研投入和外购订单，完全可以一起增长。

这恰恰说明，降低依赖与继续采购并不矛盾。AI需求扩张时，一家公司可以把更多任务交给自研芯片，也可以买更多英伟达设备。只盯着采购数量，就容易看漏算力结构正在发生的变化。

英伟达面临的压力会逐步落到具体业务上：哪些任务必须用它，哪些任务可以换一家？客户一旦有了可行的选择，供应商就需要在价格、性能和服务上拿出更有说服力的方案。

我更愿意看到这样的竞争。它能推动算力降本，也能让AI从热闹的演示走向更多实际应用。当然，云巨头掌握自研芯片后，也可能建立自己的生态门槛。用户最终受益多少，还要看选择能否增加、迁移能否更容易。

英伟达已经把AI算力做成了一门大生意，而它的大客户正在努力把成本和主动权重新握紧。接下来的看点，是这些替代方案能分担多少真实业务，以及省下的钱，能否传导到用户账单上。