logoLeon 的个人博客
股票分析读书笔记
logoLeon 的个人博客

目录

英伟达-自研芯片威胁-20260419

目录

英伟达（NVDA）自研芯片威胁深度研究

报告日期：2026年4月19日 研究问题：四大客户自研芯片 vs AMD竞争力如何？对NVIDIA护城河和定价权的影响？3/5/10年展望 方法论：三线并行研究——硬件对比、护城河分析、经济学与历史先例 关键约束：区分"已确认事实"与"估算"，所有数据附来源

声明：本报告刻意呈现正反两面。结论从数据推出，不预设看多或看空。

一、四大客户自研芯片全景

1.1 NVIDIA的客户集中度（一手数据）

NVIDIA 10-Q（FY2026 Q3, 截至2025-10-26）披露：

  • Customer A：22%、B：15%、C：13%、D：11%
  • 四大直接客户合计占营收 61%
  • 这4家直接客户主要是OEM/ODM/分销商（Foxconn、Wistron、SuperMicro），最终去向高度集中在 AWS/Azure/GCP/Meta

来源：NVDA 10-Q 2025-10-26

而这4个最大终端客户，全部在自研芯片。

1.2 四大自研芯片现状（逐家拆解）

Google TPU Ironwood (v7)

指标数据来源
发布2025年4月，Cloud Next 2025Google官方
FP8算力4,614 TFLOPS/芯片Google Cloud Blog
HBM192GB HBM3e同上
内存带宽7.2 TB/s同上
集群规模9,216芯片/Pod，集群总算力 42.5 ExaFLOPS同上
定位推理+训练同上
关键合同Anthropic 40万颗Ironwood，~$100亿，Broadcom分销，2027年上线Bloomberg 2026-04-06
前沿模型验证Gemini 3完全在TPU上训练，未使用NVIDIA GPUGoogle Blog

关键事实：Google是唯一已证明可以完全不依赖NVIDIA训练前沿大模型的公司。TPU的核心优势不在单芯片算力，而在超大规模互联（9,216芯片全互连 Pod）。

来源：Google Cloud Blog、Anthropic官方

AWS Trainium2 / Trainium3

指标Trainium2Trainium3
状态已规模部署2025年底发布
BF16算力~760 TFLOPS（估算，官方称4x Trainium1）FP8 2,520 TFLOPS（4.4x Trn2）
HBM96-128GB HBM3未公开
集群规模Project Rainier：近50万颗，Anthropic独家使用未公开
AWS定价trn2.48xlarge ~$21.50/hr（16芯片）未定
对比vs p5.48xlarge（8×H100）~$98.32/hr—

关键事实：

  • AWS CEO Matt Garman确认年底前Anthropic在Trainium2上部署将超100万颗
  • TechCrunch 2026-03报道：Trainium不仅赢得Anthropic，也开始被OpenAI、Apple使用
  • AWS内部基准：Trainium2在Llama 70B训练上性价比比H100优 30-40%
  • 从未提交MLPerf，无第三方独立验证

来源：AWS官方 Project Rainier、TechCrunch 2026-03

Microsoft Maia 200

指标数据
状态2026-01已在Iowa数据中心部署，下一站Phoenix
制程推测台积电3nm
FLOPS几乎完全未公开
定位纯推理芯片（非训练替代）
用途服务OpenAI GPT-5.2，支撑M365 Copilot
延迟原计划2025年量产推迟约6个月（OpenAI需求变化导致）

关键事实：

  • Maia系列是四大自研芯片中信息最不透明的，无任何公开基准测试
  • 行业分析师推测Maia 100大致对标H100推理性能的50-70%（未经证实）
  • 定位明确为推理专用，不替代训练GPU

来源：Microsoft Blog 2026-01-26

Meta MTIA 路线图

代际制程算力功耗定位状态
MTIA v17nmINT8 102.4 TOPS25W推荐排序推理已大规模部署
MTIA v25nm~150 TFLOPS FP16（估算，3x v1）90W推理已部署
MTIA 300———排序/推荐训练已生产，数十万颗
MTIA 450/500———GenAI推理2027年上量

关键事实：

  • 2026-03-11 Meta官宣MTIA 300/400/450/500四代规划，每6个月迭代一代（行业典型1-2年）
  • MTIA不直接竞争通用GPU——设计为低功耗推理ASIC，优化推荐/广告排序
  • Meta在排序推理上估计MTIA性价比优于GPU 2-3倍
  • Meta仍拥有超过60万颗H100用于训练，训练端不替代NVIDIA
  • Zuckerberg确认：MTIA不会取代NVIDIA GPU用于训练

来源：Meta官方 2026-03、Meta AI Blog

1.3 四大自研芯片能力总览

维度Google TPUAWS TrainiumMS MaiaMeta MTIA
能替代NVIDIA训练？✅ 已验证（Gemini 3）⚠️ 部分验证（70B参数）❌ 纯推理❌ 纯推理
能替代NVIDIA推理？✅✅✅✅（推荐/排序场景）
规模GW级，40万颗Ironwood合同50-100万颗Trn2未知数十万颗
软件生态JAX/XLA，TorchTPU推进中NeuronSDK内部内部
公开基准无MLPerf无MLPerf无无

结论：四家中只有Google已证明可完全替代NVIDIA用于前沿模型训练。其余三家主攻推理。

二、自研芯片 vs AMD——谁的威胁更大？

2.1 AMD当前竞争力

指标MI300XMI325XMI350X（预计2025 H2）
架构CDNA 3CDNA 3CDNA 4（3nm）
HBM192GB HBM3288GB HBM3e288GB HBM3e（预计）
带宽5.3 TB/s6 TB/s~8 TB/s（预计）
FP82,615 TFLOPS~2,600 TFLOPS官方称推理35x MI300X（特定场景）
功耗750W750W—
定价$10,000-15,000$15,000-20,000（估）—

对比NVIDIA：

指标AMD MI300XNVIDIA H100NVIDIA B200
HBM容量192GB80GB192GB
内存带宽5.3 TB/s3.35 TB/s8 TB/s
FP82,615 TFLOPS~1,979 TFLOPS~9,000 TFLOPS（稀疏）
价格$10-15K$25-40K$30-50K（估）
互连Infinity Fabric ~896 GB/sNVLink 4: 900 GB/sNVLink 5: 1.8 TB/s

MLPerf结果（有限但可参考）：

  • MLPerf Training v4.0（2024-06）：AMD MI300X首次提交，GPT-3 175B训练可比H100，但提交规模较小
  • MLPerf Inference v4.1（2024-09）：MI300X在Llama 2 70B推理某些场景接近或超过H100（得益于192GB大内存）
  • 总体上NVIDIA凭借TensorRT-LLM优化仍保持领先

来源：MLCommons、AMD官方

2.2 AMD市场份额

年份NVIDIAAMDIntel自研芯片（Google/AWS等）
2023~92-98%~2-3%<1%极小
2024~85-90%~5-8%~1-2%~3-5%
2025E~80-85%~8-12%~2-3%~5-8%

注：此为"可售卖AI加速器市场"份额，不含Google TPU等内部自用芯片。含自用芯片，NVIDIA 2024年"广义份额"可能在70-80%。

来源：Mercury Research、JPMorgan估算（各机构差异较大，上述为综合口径）

AMD收入规模：

  • 2024年数据中心GPU营收约 $50亿+
  • 2025年目标约 $70-90亿
  • 对比NVIDIA FY2025数据中心营收 $1,151.9亿——AMD约为NVIDIA的 1/16

AMD大规模客户：Microsoft Azure（最大）、Meta、Oracle Cloud、CoreWeave

2.3 AMD的核心瓶颈

AMD最大的问题不是硬件，而是软件：

  • ROCm与CUDA差距从2023年的2-3倍缩窄到2026年的10-30%——来源：ThunderCompute 2026-04
  • 但长尾库支持、调试工具（Nsight级别）、性能优化闭环差距仍需3-5年弥补
  • MI300X可运行大多数标准PyTorch工作负载，但极致优化和生产部署的便捷性仍远不如CUDA
  • 关键引用：AI编码工具（Claude Code等）已能在30分钟内将简单CUDA kernel移植到ROCm，但复杂互联代码库和系统级优化仍不行

2.4 自研芯片 vs AMD：谁更危险？

维度自研芯片（TPU/Trainium/Maia/MTIA）AMD
经济动机极强——自用省30-70%成本中等——替代方案但仍是外购
软件生态自建（JAX/XLA/NeuronSDK）或PyTorch适配ROCm，弱于CUDA
训练替代能力Google已验证；AWS部分验证可以但生态不成熟
推理替代能力全部可以，部分已大规模部署可以
规模合计百万颗级远小于NVIDIA出货量
对NVIDIA的真正威胁极高——直接削减NVIDIA最大客户的采购量中等——主要抢边缘份额

判断：自研芯片的威胁远大于AMD。

  • AMD是"同一维度的更便宜替代品"——NVIDIA仍有技术代差和软件壁垒可以防守
  • 自研芯片是"客户变成了竞争对手"——你最大的4个客户在给自己造武器，这是无法用降价应对的结构性威胁

三、NVIDIA的护城河——还有多深？

3.1 护城河层次分析

第一层：CUDA生态系统（护城河正在被侵蚀）

指标数据来源
CUDA注册开发者400万+（累计），活跃约150-200万NVIDIA GTC 2024
GPU加速库/SDK800+NVIDIA官网
PyTorch默认后端CUDA（>95%实际使用）PyTorch社区
ROCm vs CUDA差距计算密集workload差距缩窄至10-30%（2026年）ThunderCompute

侵蚀信号：

  • Claude Code等AI编码工具可30分钟移植简单CUDA到ROCm——门槛质变
  • Triton 3.6.0（OpenAI开源编译器）已引入AMD HIP AOT编译——跨平台编程成为现实
  • Google推出TorchTPU项目，与Meta合作实现PyTorch在TPU上的原生支持
  • CASS模型（学术研究）源码级翻译达95%准确率

但护城河仍在的证据：

  • 10万卡级集群训练的通信栈（NCCL/NVLink/InfiniBand）调优——AI编码工具短期攻不下
  • 未找到已公开归因到"非CUDA栈缺陷"导致前沿LLM训练大规模失败的案例
  • 完整工具链集成度（调试+性能分析+部署优化的闭环）——ROCm差距仍大

评估：代码层护城河明显侵蚀；系统级护城河（10万卡通信/调度）尚未撼动

第二层：NVLink/NVSwitch互连（最硬的护城河）

互连技术带宽差距
NVLink 5.0（B200）1.8 TB/s 双向行业领先
GB200 NVL7272 GPU全互连（非阻塞）独一无二
AMD Infinity Fabric~896 GB/s仅限同封装内
Google TPU ICI~4.8 Tb/s/chipPod内强，但封闭生态
Intel Gaudi3~300 GB/s明显落后

关键洞察：

  • GB200 NVL72的72-GPU全互连是大模型训练（all-reduce通信）的独家优势
  • 竞争对手在单机内互连差距缩小（AMD统一内存有优势），但跨机互连仍是NVIDIA杀手锏
  • Ultra Ethernet Consortium（AMD/Intel/Broadcom参与）试图追赶，成熟度落后2-3年

第三层：定价权（仍然极强）

毛利率趋势：

季度Non-GAAP毛利率备注
FY2024 Q1（2023-04）66.8%H100开始放量
FY2024 Q4（2024-01）76.7%峰值
FY2025 Q1（2024-04）78.9%历史新高
FY2025 Q3（2024-10）75.0%维持高位
FY2025 Q4（2025-01）~73.5%Blackwell良率爬坡

来源：NVIDIA Investor Relations

73-79%的毛利率在半导体行业属于顶级（Intel ~40-45%，AMD ~50-52%）。

定价策略：NVIDIA采用"提性能不降价"策略——B200性价比（perf/$）比H100提升~4x，但绝对价格不降。GB200 NVL72整机柜$2-3M，锁定系统级采购。

降价压力证据：

  • 大型云厂商对H100有一定议价能力（Blackwell上市前的周期性切换），但这是产品换代惯例
  • SemiAnalysis估算大客户实际折扣约15-25%——行业惯例，不代表定价权减弱
  • 四大客户无一在公开场合抱怨NVIDIA定价过高——但全部在自研芯片，这本身就是对定价权的最大隐性回应

判断：定价权短期仍在（2-3年），但客户自研的真正目的就是摆脱这个定价权

3.2 护城河评分

护城河层次当前强度3年后5年后10年后
CUDA代码层★★★★★★★★★☆★★
系统级（10万卡通信/调度）★★★★★★★★★★★★☆★★★
NVLink/NVSwitch互连★★★★★★★★★★★★☆★★★
定价权★★★★★★★☆★★★★★☆
综合★★★★★★★☆★★★★★☆

四、经济学分析：自研芯片的动力有多强？

4.1 成本对比

方案单位成本相对成本来源
NVIDIA H100（AWS p5实例）~$98.32/hr（8×H100）基准AWS定价
AWS Trainium2（trn2实例）~$21.50/hr（16颗Trn2）比H100便宜 ~54%AWS定价/内部基准
Google TPU v5e（推理）—比NVIDIA GPU性价比高 4.7倍（推理）Google官方声称
Meta MTIA（排序推理）—性价比优于GPU 2-3倍Meta工程博客

来源：CloudExpat对比、AI News Hub

4.2 超大规模云厂商资本开支

公司2025年CapEx2026年CapEx（指引）
Amazon$100-118B~$200B
Alphabet$75-85B$175-185B
Microsoft$80-121B$110-120B
Meta$64-72B$115-135B
合计$380-450B~$600-630B

来源：Introl、CNBC 2026-02-06

约75%（~$450B）流向AI基础设施。假设自研芯片节省30%成本，仅在推理侧替代就意味着每年节省$500-1000亿——这是极其强大的经济动机。

4.3 Broadcom——自研芯片的"军火商"

指标数据来源
自研芯片客户数6家：Google、Meta、OpenAI、Anthropic、+2家未公开（推测ByteDance、Apple）多方报道
FY2025 AI收入$199亿（+63% YoY）CNBC 2025-12-11
FY2026 Q1 AI收入$84亿（+106% YoY）Broadcom财报
FY2027 CEO目标>$1,000亿IO Fund
积压订单$730亿Broadcom CEO Hock Tan
Google TPU长约至2031年247WallSt
OpenAI合同“Titan” XPU，10GW算力目标2029年前Next Platform

Broadcom AI收入两年从$122亿 → 目标$1000亿+（~8倍），直接对应ASIC替代GPU的市场转移速度。

核心洞察：Broadcom不是NVIDIA的直接竞争对手，而是帮助NVIDIA的客户成为NVIDIA的竞争对手。这是比AMD更危险的威胁向量——AMD只是提供替代GPU，Broadcom是帮客户造自己的芯片。

五、历史先例：Intel的教训

5.1 Intel从98%到73%用了多久？

时间事件Intel x86服务器份额
2017EPYC发布前~98%
2020Apple弃用Intel~90%
2021 Q4AMD崛起77%（AMD 18%）
2025 Q2—72.7%（AMD 27.3%）
2025ARM服务器额外占 ~15-21%

来源：Semi Engineering、Light Reading

从98%降到~73%（x86内）用了约8年。加上ARM侵蚀，Intel的"广义份额"可能已降至~55-60%。

5.2 与NVIDIA的类比

维度Intel当年NVIDIA当前
生态锁定x86指令集CUDA
毛利率~60%（峰值），吸引替代~75%（峰值），更高——替代动机更强
客户自研Apple M系列、AWS GravitonGoogle TPU、AWS Trainium、MS Maia、Meta MTIA
执行力失败（制程落后、错过移动）极强（每年迭代、NVLink领先）
替代时间~8年份额明显下降—

关键差异：

  • Intel的衰落很大程度因为自身执行失败，而非生态被攻破
  • NVIDIA当前执行力极强——每年一代新品（从两年一代加速），主动防御
  • 但最大风险不是"另一个NVIDIA"，而是"每个大客户都做自己的NVIDIA"——这更接近ARM模式

另一个案例：AWS Graviton已使超过半数AWS数据中心CPU切换为自研ARM芯片，声称性价比比x86高40%。这条路已经被验证。

六、3年/5年/10年展望

6.1 市场份额预测

训练市场：

时间NVIDIA份额最大挑战者关键假设
当前（2026）>90%Google TPU只有Google验证了全TPU训练
3年后（2029）70-80%TPU + Trainium3Anthropic/OpenAI部分训练迁移到自研芯片
5年后（2031）55-65%多家ASICAI编码工具攻克通信栈调优，迁移成本大幅下降
10年后（2036）40-55%不确定性极大取决于模型架构是否发生范式转变

推理市场（更重要——规模正在超过训练）：

时间NVIDIA份额关键趋势
当前（2026）60-70%推理占AI总算力~2/3（Deloitte）
3年后（2029）35-45%Maia/MTIA/Trainium大规模替代内部推理
5年后（2031）25-35%Groq/Cerebras类专用芯片占据低延迟市场
10年后（2036）20-30%ASIC占推理主导地位

来源：Deloitte TMT 2026、Counterpoint、Silicon Analysts

注意：以上预测来自多家分析师综合，分歧极大。保守端（SemiAnalysis/Bernstein）认为NVIDIA 5年后仍有65%+综合份额；激进端（部分独立分析师）认为可能降至40%以下。

6.2 分析师观点汇总

分析师/机构核心观点倾向
Bernstein（Stacy Rasgon）NVIDIA平台价值被低估，即使份额降，市场规模增长可支撑增长看多
Morgan Stanley数据中心AI投资周期至少到2027年，NVIDIA最大受益者；2027后推理碎片化是风险中性偏多
SemiAnalysis定制芯片威胁真实，2027年占20-30%；NVIDIA网络+软件是最深护城河中性
Trendforce/GartnerNVIDIA份额从90%+降至70-75%，但绝对收入仍增长中性
高盛预测2026 Q4 TPU在推理市场占35%中性偏空（对NVIDIA推理）

6.3 三个时间维度的综合判断

3年后（2029）：仍然主导，但增速放缓

  • 训练端：NVIDIA仍是训练的首选（70-80%份额），NVLink/NVSwitch互连优势仍在
  • 推理端：份额从60-70%降至35-45%，是主要的份额流失战场
  • 定价权：维持在70%+毛利率，但增长从"量+价"转为"量"驱动
  • 风险信号：Hyperscaler CapEx增速首次转负——目前从未连续超3年高增长
  • 信心度：较高

5年后（2031）：最大玩家但非垄断

  • 训练端：55-65%，TPU/Trainium已能训练所有规模模型，CUDA迁移成本大幅下降
  • 推理端：25-35%，ASIC主导推理市场
  • 定价权：毛利率可能回归65-70%区间——仍然好，但不再是"超额垄断利润"
  • 绝对收入：AI市场规模增长可能抵消份额下降——总收入不一定降，但增速会显著放缓
  • 信心度：中等

10年后（2036）：高度不确定

  • 如果Transformer架构持续主导 → NVIDIA凭借持续迭代仍可能保持40-55%训练份额
  • 如果出现范式转变（非Transformer架构）→ 当前所有为Transformer优化的芯片路线可能被打乱，NVIDIA和ASIC都要重来
  • 类比：10年前没人预测到Transformer，10年后的计算范式同样不可预测
  • 信心度：低

七、投研结论（正反两面）

看多论据

  1. 市场规模增长 > 份额下降：即使NVIDIA份额从90%降至60%，如果AI加速器总市场从$1000亿增长到$5000亿，NVIDIA绝对收入仍在增长
  2. 执行力极强：每年一代新品，NVLink代差2-3年，管理层纪律性在半导体行业罕见
  3. CUDA系统级壁垒仍在：10万卡集群的通信/调度优化，3-5年内无替代
  4. “推理替代训练"利好NVIDIA：推理市场虽然更分散，但总量更大——NVIDIA即使份额降也可能赚更多
  5. Blackwell/Rubin产品周期：2026-2027年仍有强劲的产品换代拉动

看空论据

  1. 四大客户即对手：合计占营收61%的客户全部在自研——这是结构性威胁，不是周期性波动
  2. 推理是主战场，NVIDIA推理份额已在加速流失：从2024年~70%到2028年可能40%以下
  3. Broadcom AI收入两年8倍 = ASIC替代加速的直接证据
  4. 75%+毛利率吸引替代：历史教训（Intel ~60%就够了），NVIDIA的超额利润是客户自研的最大经济动力
  5. Gemini 3完全在TPU上训练——“NVIDIA是训练唯一选择"的叙事已被证伪
  6. 循环交易风险：NVIDIA投资OpenAI $1000亿 → OpenAI采购NVIDIA GPU → 本质是"为自己未来收入买单”
  7. CUDA代码层护城河正在被AI编码工具+开源编译器双重侵蚀，迁移门槛已从"工程师团队数月"降到"单人数小时”

段永平视角提问

“你打算拿10年吗？如果10年后NVIDIA的份额可能是40-55%、毛利率65-70%——这和今天的估值匹配吗？”

“最好的生意是消费者不想换的生意（茅台、苹果）。NVIDIA的问题是——它的客户非常想换，而且有钱有能力自己造。”

“不要因为一家公司今天很好就假设它永远都好。护城河是会被填平的——问题只是速度。”

巴菲特视角

“当你最大的客户同时也是你最大的潜在竞争对手时，你的定价权是借来的，不是拥有的。”

八、CUDA护城河的精确分层——“代码软/系统硬"是过度简化

原始判断"CUDA代码层被侵蚀，系统级护城河仍硬"需要修正。护城河不是二分的，而是六层：

层次具体内容当前状态被替代难度
① 单个kernel移植CUDA kernel → ROCm/HIPAI工具30分钟可完成简单kernel低
② 核心库cuDNN、TensorRTAMD MIOpen覆盖70-80%算子中
③ 框架集成PyTorch默认CUDAROCm可跑大多数PyTorch；Google推TorchTPU中
④ 通信库NCCLRCCL/Gloo弱于NCCL；但PCCL在1024+GPU已超RCCL 60-80%中高
⑤ 互连硬件NVLink/NVSwitchGoogle ICI 3D torus已独立解决（9,216芯片Pod）；Ultra Ethernet落后2-3年高（但已有替代方案）
⑥ 全栈集成10万卡训练端到端Google已完成（Gemini 3）；容错正在被Clockwork.io/AutoClusters等自动化最高（但非不可逾越）

来源：Google TPU7x文档、PCCL论文 arXiv、Clockwork.io TorchPass

“系统级护城河仍硬"哪里对，哪里错

对的部分：全世界能独立完成10万+芯片规模训练的实体只有两个——NVIDIA（通用方案）和Google（TPU）。对绝大多数AI公司、大学、创业公司，CUDA+NVLink仍是唯一可行选择。

错的部分：Google已经证明这道题有解。TPU Ironwood ICI 1,200 GB/s双向/芯片，3D torus拓扑，9,216芯片/Pod，Jupiter网络支持10万+芯片。如果系统级护城河真的"仍硬”，Google不可能做到Gemini 3全TPU训练。

更精准的判断：护城河从顶部瓦解——最大的5-6个客户正在翻越城墙；但全世界99%的AI开发者仍被锁在城里。

用户群体CUDA护城河原因
Google❌ 已脱离Gemini 3全TPU训练，内部JAX/XLA完整
AWS/Anthropic⚠️ 正在脱离50-100万颗Trainium2，但前沿训练未完全验证
Meta⚠️ 推理脱离，训练锁定60万颗H100训练，MTIA+TPU租赁做推理
Microsoft⚠️ 推理脱离，训练锁定Maia 200推理，训练仍依赖NVIDIA
OpenAI⚠️ 中期脱离Broadcom合作Titan XPU 2027部署
创业公司/大学✅ 深度锁定没钱没人自研，CUDA是唯一选择

九、客户集中度一手数据（SEC 10-Q）

FY2026各季度（2025年）

季度Customer ACustomer BCustomer CCustomer D合计总营收
Q2（2025-07）23%16%14%11%~64%$570亿
Q3（2025-10）22%15%13%11%61%$570亿
FY2026全年—————$2,159亿

同比恶化：Q3 FY2025只有3家客户各占12%（合计36%）→ 一年后4家合计61%。

来源：NVDA 10-Q、Motley Fool

注意：这4家"直接客户"是OEM/ODM（Foxconn、Wistron、SuperMicro等），终端去向集中在AWS/Azure/GCP/Meta。UBS推断Customer A（FY2025年报19%）为Microsoft。

四大终端买家对NVIDIA依赖度排序

排名公司NVIDIA依赖度NVIDIA采购估算（2026年）来源
1Microsoft最高——Maia只做推理，训练深度绑定$400-500亿（估）行业推算
2Meta很高——60万+H100训练，MTIA只做排序推理$350-450亿（估）行业推算
3Amazon中高——Trainium2规模部署但训练能力待验证$300-400亿（估）行业推算
4Google最低——TPU已能完全替代训练，GPU主供Cloud客户$130-250亿（估）Bloomberg"约占NVIDIA收入6%”

Google是四家中NVIDIA采购最少的——因为它是唯一已证明可以完全不用NVIDIA训练前沿模型的公司。

十、Google TPU外售——范式转变

历史：2024年前从不卖硬件，只通过GCP租赁

  • 2015：TPU v1纯内部使用
  • 2018：Cloud TPU上线GCP，客户按小时租，拿不到芯片
  • 2020-2024：持续只租不卖

2025-2026：范式转变已发生

Anthropic——第一个"直接购买TPU"的外部客户：

阶段模式规模金额
第一阶段GCP云租赁超1GW算力数百亿美元RPO
第二阶段Broadcom直接销售Ironwood成品机柜40万颗TPUv7~$100亿
第三阶段GCP+直购混合剩余60万颗~$420亿RPO
总计—近100万颗TPU$500亿+

来源：Bloomberg 2026-04-06、Anthropic官方

Meta——第二个外部客户：

  • 2026年通过Google Cloud租赁TPU（已签约）
  • 2027年谈判直接购买TPU部署在Meta自有数据中心

来源：Dataconomy 2026-02

为什么Google现在愿意卖？

  1. TorchTPU项目使PyTorch原生跑在TPU上——迁移门槛大降
  2. Broadcom解决制造和销售——Google只管设计，Broadcom负责造和卖
  3. 经济动机：Anthropic一家就$500亿+合同，TPU从成本中心变利润中心
  4. 竞争战略：帮NVIDIA的客户脱离NVIDIA，一举三得（赚钱+削弱对手+绑定到Google芯片生态）

对NVIDIA定价权的影响

以前TPU锁在Google内部 = 对NVIDIA没有市场竞争。现在TPU变成可购买商品 = 直接抢NVIDIA的客户和订单。

之前之后
客户想买AI芯片 → 只能找NVIDIA客户 → NVIDIA 或 Google TPU（通过Broadcom）
NVIDIA可以定任何价（毛利率78%）客户有议价筹码：“你不降价我就买TPU”
定价权来自垄断定价权被竞争稀释

但定价权不会一夜消失——TPU产能有限（Broadcom/台积电瓶颈）、迁移成本真实存在、NVLink仍有技术代差、中小客户不会买TPU。

巴菲特视角：NVIDIA以前是收费桥（唯一的路，随便定价）；以后是最好的桥（还有其他桥，但我最快最宽）。最好的桥仍是好生意，但估值倍数不应该和收费桥一样。

十一、数据置信度与局限性

数据类型置信度说明
NVIDIA财报数字（毛利率、营收、客户集中度）⭐⭐⭐⭐⭐SEC披露，一手
TPU Ironwood规格⭐⭐⭐⭐Google官方发布
Trainium2定价⭐⭐⭐⭐AWS官网公开
Broadcom AI收入⭐⭐⭐⭐⭐Broadcom财报
市场份额估算⭐⭐⭐各机构差异大，口径不统一
3/5/10年份额预测⭐⭐分析师估算，分歧极大
Maia 200性能⭐几乎完全未公开
AMD vs NVIDIA成本对比⭐⭐⭐混合公开定价和行业估算

本报告基于2026年4月19日可获取的公开信息，所有估算已标注。建议结合英伟达-反面证据-20260413.md和英伟达-research-20260413.md交叉阅读。