54 篇博文 含有标签「Vendor Strategy」

「人人都想要算力，但越来越少的人买得起了。」黄仁勋在最新财报评论中的罕见坦白，撕开了这轮 AI 建设潮最脆弱的一层：需求是真的，订单是真的，钱也是真的不够。

融资瓶颈：从芯片短缺到资本短缺​

黄仁勋的表述很精确：AI 需求在爆炸，但基础设施建设融资跟不上订单增速。Neocloud 的问题「不是客户，是营运资本」——CoreWeave、Iren、Nebius 这批 GPU 租赁商需求「off the charts」，但资本被太多 AI 细分领域争抢。

信号已经落地：

• CoreWeave 财务承压：这家英伟达旗舰 Neocloud 客户出现上市受挫与债券抛售，其困境不是单家公司执行问题，而是整个 Neocloud 商业模式的资本问题
• 5000 亿美元融资计划的隐忧：英伟达 8 月联合 Apollo、BlackRock、Blackstone、Brookfield、高盛与 KKR 启动的 AI 融资计划，本质依赖客户快速产生收入来偿债——如果客户赚不到钱，vendor financing 就变成英伟达自己资产负债表上的负债。卖铲人正在变成整个行业的贷款人，而挖金子的还没证明商业模式

存储无过剩至 2029：另一个坏消息​

黄仁勋同时预测：存储芯片到 2029 年前都不会过剩。这意味着：

• HBM 价格维持高位，AI 服务器的 BOM 成本降不下来
• 基础设施建设方的利润率持续被压缩
• 只有资产负债表最深的玩家玩得起规模化——马太效应加速

这与我们此前对存储超级周期的判断一致（详见此前分析），不同之处在于这次给出了明确的时间锚点：2029 年前别指望供给宽松。

万亿投资的两面​

宏观口径同样撕裂。虎嗅援引 Epoch.ai 统计：

• 2026 年全球算力投资达 8300 亿美元，同比增长 79%——据此推算 2025 年约四千多亿美元
• 单站点算力排名 xAI 居首，仅凭两座数据中心就挤进全球 AIDC 总算力前十
• 高盛另一口径：2026–2031 年全球 AI 基础设施累计资本开支 7.6 万亿美元

但资本市场的耐心在变短：GTC 柏林当天英伟达收涨 2.5%，次日纳指就跌了 2.6%（6 月以来最大单日跌幅），英伟达自己回吐 4.4%，两个交易日把发布会挣来的涨幅还了回去。市场在问的问题很朴素：这些斥巨资买卡、买 AI 集装箱的建设方，究竟从 AIDC 上赚到钱了吗？

分层结局已经可以预写​

• 超大规模云厂商：靠资产负债表厚度默认胜出——微软、谷歌、亚马逊、Meta 的 capex 是自我造血的
• Neocloud：要么找到创新融资，要么被整合。黄仁勋说要「规模化建立区域优势」，但规模化恰恰最需要钱
• 模型公司：算力成本高位持续更久，利好能在小基建上跑、或收入速度快到覆盖溢价定价的玩家
• 芯片厂：进入 vendor financing 循环的深度决定其周期风险敞口

结论​

AI 基建的第一阶段瓶颈是芯片供给，第二阶段瓶颈是电力，而第三阶段——现在——是资本。8300 亿美元的年投资规模在涨，但增长的部分越来越依赖杠杆与循环承诺。对采购方的建议：在 2027 年合同里把供货方自身的融资健康度纳入供应商风险评估——当你的 GPU 供应商同时是你的贷款人时，它的资产负债表就是你的供应链风险。

数据来源与口径说明​

• 黄仁勋融资瓶颈、Neocloud 营运资本、存储 2029 无过剩、5000 亿美元融资计划：财报评论及 CNBC 采访，fourthweb/Yahoo Finance 转述（2026-10 下旬）
• CoreWeave 上市受挫与债券抛售：行业公开报道
• 8300 亿美元 +79%、xAI 单站点第一：Epoch.ai 统计，虎嗅（2026-10-24）转述
• 高盛 7.6 万亿美元：高盛测算，集微咨询报告转引
• 股价波动：虎嗅（2026-10-24）

继 AMD 2GW、AWS 5GW 之后，Anthropic 的算力拼图补上了最大的一块 Google。这不是一份普通的云合同，而是「单一云厂商对单一 AI 实验室的最大芯片承诺之一」。

协议要点​

Anthropic 周四（2026-10-23/24）官宣扩大与 Google Cloud 的合作：

• 规模：价值数百亿美元（tens of billions），覆盖最高 100 万颗 TPU
• 上线节奏：2026 年内带来超过 1GW 的容量
• 定位：公司史上最大的算力扩张，也是 AI 实验室与单一云厂商之间最大的芯片承诺之一

双方口径：

• Google Cloud CEO Thomas Kurian：Anthropic 的选择反映了其团队多年来在 TPU 上看到的强劲价格性能与效率，并点名第七代 Ironwood
• Anthropic CFO Krishna Rao：扩容是为了满足指数级增长的需求，同时保持模型前沿

商业面佐证：Anthropic 目前服务超过 30 万家企业客户，年化收入超 10 万美元的大账户数量一年增长近 7 倍。

为什么是 Ironwood​

Kurian 点名 Ironwood（TPU v7）不是客套。Ironwood 是 Google 首款为推理设计的 TPU，192GB HBM3e、单芯片 FP8 4,614 TFLOPS（TPU v7 卡片），外部基准也已给出正面信号——SemiAnalysis 的 AgentX 测试中 TPUv7 的性价比达到 GB300 NVL72 的 1.67 倍。对以推理负载为主的 Claude 商业化而言，TPU 的单位 Token 成本正是 Rao 口中「指数级需求」能否盈利的关键。

三平台对冲：杠杆，但也是三倍工程量​

Anthropic 在公告中刻意重申了不改变的多平台战略：Google TPU + Amazon Trainium + NVIDIA GPU，并确认 AWS 仍是主训练伙伴（Project Rainier 百万颗 Trainium 集群，此前报道）。

这笔交易的战略价值在于议价杠杆：当英伟达试图执行严格的配额分配时，Anthropic 可以把训练负载转向 Trainium；当 AWS 高密度机柜部署延迟时，可以切到 TPU 产能。三家云帝国互相牵制，Anthropic 从中榨取价格让步、优先供货与能源补贴。

但工程代价同样真实：CUDA、Neuron、XLA 三套不兼容的软件栈意味着三套系统工程组织。前 Anthropic 基础设施工程师的说法很直白——「每改一次注意力机制或张量切分策略，都要在三个平台上各跑一遍基准；在 H100 上跑得干净的内核，在 TPU 上可能因为内存边界没有对齐 MXU 而直接卡住」。

与 S-1 的互证​

本周流出的 Anthropic S-1 草案披露了数千亿美元级的未来云承诺（财报拆解见此前文章）——本协议正是这些承诺的最大单一组件。对 Google 而言，用 TPU 产能锁定增速最快的 AI 客户；对 Anthropic 而言，用巨额长期承诺换取产能确定性。风险也对称：需求若不及预期，这些承诺就是资产负债表上的重负。

结论​

算力竞争的第二阶段已经从「买得到」进入「锁得住」：2026 年内的 1GW、2027 年的数 GW 下一代 TPU（4 月 Google/Broadcom 协议）、AWS 的 5GW Trainium——Anthropic 用三份巨型合同把 2027 年的产能提前画完。剩下的问题是执行力：三个平台、三条软件栈、三个交期风险，任何一条掉链子都要靠另外两条兜底。

数据来源与口径说明​

• 协议规模、100 万颗 TPU、超 1GW、双方表态、客户数据：Anthropic 官方公告（2026-10 周四），DEV Community AI Daily Digest（2026-10-25）、chiprook 转述
• TPUv7 AgentX 性价比 1.67 倍：SemiAnalysis（2026-10-15）
• 三平台战略与工程摩擦：Anthropic 投资者简报及前员工表述，gfunfacts/SCMP 汇总，「三套系统工程组织」为前员工个人观点

「先造一颗芯片，再想办法让人用它」——黄仁勋在 GTC 柏林这样形容所有竞争者，并给 CUDA 的领先下了一个时间量纲：25 年，单一架构。但就在同一个 10 月，谷歌和 AWS 的开源工具把「换芯片」的成本从数月压到了几分钟。

防御方：CUDA 飞轮论​

黄仁勋的论证结构很清晰：

• 飞轮效应：开发者加入 → 软件库更丰富 → 更多开发者加入，价值随时间复利
• 深库优化 + 深硬件接口优化：这是长期投入的产物，无法靠一颗新芯片一次性复制
• 先芯片后生态是死路：竞争者「先开发芯片，再找理由让人用它」，顺序反了

他同时承认了两个新变量：大语言模型写代码的速度已快于人类，理论上可以让对手跳过 CUDA 的漫长积累周期；地缘政治则推动华为（CANN）、寒武纪等在特定区域自建类 CUDA 生态。

进攻方：把迁移成本压到 model.to()​

PyTorch Conference 2026 上，谷歌与 AWS 同步出手：

技术路径也换代了：TorchTPU 通过 PyTorch 的 PrivateUse1 扩展点把 TPU 暴露为原生 PyTorch 设备，ATen 算子直接路由到 TPU 后端——不再是旧 TorchAX 那种「翻译成 JAX」的间接层。

性能佐证：TPU 不只是便宜​

光有易迁移不够，性能得站得住。一个第三方口径的对比：

• 16 颗 Ironwood（TPU v7）运行 Kimi K3，开启推测解码，单用户生成 709 tokens/s
• 同等规模 16 块 GB200 + vLLM：452 tokens/s——TPU 领先约 57%

加上此前 SemiAnalysis AgentX 基准中 TPUv7 对 GB300 NVL72 的 1.67 倍性价比，推理侧的「性价比叙事」正在从宣传口径变成第三方可复现的测试结果。

护城河的真实宽度​

冷静看，CUDA 的壁垒远不止模型迁移：

1. 训练栈：TorchTPU/TorchNeuron 主要覆盖 eager 推理与前向，超大规模训练的稳定性、容错、checkpoint 生态仍在 CUDA 手里
2. 算子长尾：98% 通过率意味着 2% 的长尾——恰恰是前沿模型的自定义算子最集中的区域
3. 工具链纵深：NCCL 级通信库、调试器、性能分析器、算子自动调优，都需要数年沉淀
4. 人力市场：会 CUDA 的工程师供给仍是 TPU/Neuron 的数倍

但方向已经变了：当迁移成本从「重写应用」降到「改一行设备名」，采购决策的权重就从生态锁定滑向每 Token 成本与供货确定性。这正是黄仁勋要亲自下场反复辩护的原因——护城河最深的部分（训练栈与长尾算子）还够深，但城墙外围（推理迁移）已经开始被渗透。

结论​

CUDA 25 年功力是真的，但「挡不住」的判词下得太早的也是黄仁勋自己——他说的是别人挡不住英伟达，而现实是英伟达也开始挡不住别人了。未来 12 个月值得盯两个数字：HuggingFace 模型在 TPU/Trainium 上的端到端验证覆盖率能否从 98% 推向 99%+，以及训练栈（而不只是推理）的第三方基准是否出现同等量级的反超。

数据来源与口径说明​

• 黄仁勋 CUDA 表态：GTC 柏林 2026，PC Central 等转述
• TorchTPU 98%/4917 模型/Tier-1 通过率：谷歌官方口径，电子工程专辑转述
• Kimi K3 709 vs 452 tokens/s：公开报道口径，测试条件（推测解码 vs vLLM）不完全对等，仅作方向参考
• TorchNeuron：AWS 官方（Apache 2.0），本站此前有专文分析

「以前认为的四年生命周期，实际上可能是八年甚至更久。」——黄仁勋在 GTC 柏林 2026 上的这句话，动摇的是整个算力行业的折旧假设：财务报表上的、租赁定价里的、以及每一家买家 TCO 测算模型里的。

寿命延长的机制：软件是第二引擎​

黄仁勋给出的逻辑链并不复杂，但每环都有硬支撑：

• 软件可编程 + 持续更新：CUDA 生态在整个资产生命周期内持续改进，芯片出厂多年后仍能从新驱动、新框架优化中获得性能提升
• 用途高度可替代：GPU 不绑定单一应用——今天跑训练，明天转推理，后天做物理仿真。一任客户退租，下一任立刻接上
• 使用方充足：「无论客户是谁，使用这些计算资源的公司都很多」，资产流动性强，残值有市场托底

这与传统服务器的贬值路径截然不同：x86 服务器出厂即峰值，之后只有折旧；而一款 2020 年的 A100 至今仍在各家云上满负荷接单。

马斯克的「每瓦有用智能」与贝克的「GPU 小时涨价悖论」​

同一时间线上，两个互补的观点值得并列：

马斯克（SpaceX 2026 Q3 财报电话会）：AI 模型越强，同样一度电产出的「有用智能」越多，因此每瓦算力的价值随时间上升而非下降——直接证据是「连 H100 这样的老 GPU，现在的租金都比它新品时期更高」。

Gavin Baker（GTC 柏林）：词元价格在下跌、词元组合在转向更便宜的词元，但单位 GPU 小时的租赁成本却大幅上涨——因为给定 GPU 小时内产出的词元更多、价值更高了。

把两句话合起来读：算力的价值锚点正从「硬件参数」迁移到「单位硬件能产出的经济价值」。词元通缩没有压低算力价格，反而因为模型效率提升抬高了存量硬件的租金——这是传统 IT 资产从未有过的价值曲线。

对折旧与 TCO 的三重冲击​

一、财务折旧年限。多数云厂商与算力租赁商仍按 4–6 年对 GPU 计提折旧。如果实际寿命确如黄仁勋所言达到 8 年以上，折旧年限每延长一年，当期利润就被显著「释放」。已有部分 Neocloud 开始把折旧年限拉长到 6 年——这也是近期算力概念股财报争议的焦点之一：折旧政策本身成了利润调节工具。

二、残值假设。算力资产金融化的前提是残值可预测。8 年寿命 + 强流动性意味着残值曲线更平缓，抵押折扣率可以更低。黄仁勋在 GTC 期间对 CNBC 明确表示，英伟达正在推动把自家算力确立为「可融资资产（financeable asset）」——8 月已联合 Apollo、BlackRock、Blackstone、Brookfield、高盛与 KKR 启动 5000 亿美元级 AI 融资计划。

三、采购决策模型。按 4 年折旧算 TCO，H200/B200 这类上一代卡「回本即淘汰」；按 8 年寿命算，买高端卡的摊销成本几乎减半，二手市场与降级复用（训练卡转推理卡）的性价比完全改写。买家在评估「现在买还是等下一代」时，折旧年限假设的权重不亚于芯片本身的规格差。

需要泼的冷水​

寿命论也有边界：

• 寿命 ≠ 经济寿命。8 年是「还能跑」的物理寿命，但推理世代迭代快，5 年后的老卡即使能跑，单位电费的产出也可能落后新卡数倍——「每瓦有用智能上升」恰恰反衬老卡的相对贬值
• 说法出自卖方。黄仁勋的立场天然倾向于让买家相信 GPU 是耐久资产；监管文件里 2790 亿美元的采购承诺（见我们此前对六大供应链伙伴扩产的拆解）则说明英伟达自己也在为需求波动承担风险
• 折旧拉长有反噬先例。如果 AI 需求增速放缓，被拉长的折旧年限会反向放大利润下修幅度

结论​

GPU 从「快消型 IT 设备」变成「类基础设施资产」，是本轮 AI 周期最被低估的结构性变化。对采购方，我们建议在 TCO 测算中做双情景：保留 4–5 年的保守折旧情景作为下限，同时加入 8 年寿命 + 降级复用的乐观情景，观察结论是否翻转。你可以在本站的 TCO 计算器中自行调整折旧年限做敏感性分析。

数据来源与口径说明​

• 黄仁勋 GPU 寿命 8 年、可融资资产、Neocloud 需求表态：GTC 柏林 2026 现场及 CNBC 采访（2026-10-21/22），Wccftech、Yahoo Finance 转述
• 马斯克每瓦有用智能：SpaceX 2026 Q3 财报电话会，IT之家翻译
• Gavin Baker 观点：GTC 柏林 2026 大会发言，IT之家转述
• 5000 亿美元 AI 融资计划：英伟达 2026 年 8 月公告，Apollo/BlackRock/Blackstone/Brookfield/高盛/KKR 参与
• 折旧年限争议为行业通行观察，非任何单一公司披露口径

GTC 是英伟达主办的盛会，邀请谁、不邀请谁，法律上无可指摘。但当「入场资格」与「是否采购竞品芯片」挂钩时，它就成了观察 GPU 生态权力结构的最佳样本。

指控内容​

据 SemiAnalysis 10 月下旬披露（cnBeta、网易科技等转述）：

• 多家 Neocloud 被禁止参加 GTC 柏林大会（2026-10-21 开幕），理由是这些企业在产品组合中引入了 AMD GPU、Google TPU 及其他非英伟达芯片
• 部分云服务商被迫低调部署 AMD 产品，不愿公开宣传相关合作，以避免进一步压力
• 这并非孤例：SemiAnalysis 今年早些时候曾报道，英伟达会通过限制新产品早期配额的方式，惩罚采用竞争对手技术的云服务商；相关企业在 IPO、融资以及获得英伟达资金支持时也可能面临不利

权力不对称的结构性原因​

为什么英伟达的「惩罚」对 Neocloud 有效，对超大规模云厂商却无效？

Neocloud（如 CoreWeave、Iren、Nebius 这类 GPU 租赁商）本质上是用英伟达的芯片做转租生意，供应命脉握在卖方手里。而 AWS、微软、谷歌的采购规模大到英伟达不敢轻易施压——黄仁勋本人在 GTC 期间对 CNBC 也承认，Neocloud 的需求「off the charts」，缺的是营运资本而非客户。

业界的两种读法​

支持方：GTC 由英伟达出资主办，邀请名单本就是商业决策；英伟达过去还直接投资过部分 Neocloud，这更像合作伙伴关系管理，而非市场打压。

批评方：当「拿不到早期配额」「上不了 IPO 加持名单」与「是否采购 AMD/TPU」系统性相关时，问题就不止于一张门票。有 Neocloud 连公开宣传 AMD 合作都要掂量——这说明压制已经影响了市场的信息透明度。值得注意的是，AMD 近期接连拿下 Meta、OpenAI、Anthropic 的吉瓦级订单（此前报道），多芯片采购在大客户侧已成事实，压力正在向中小租赁商传导。

对买家的启示​

• 合同条款比公开姿态重要：与英伟达洽谈配额时，竞品采购披露义务、最低承诺比例等隐性条款值得逐字审阅
• 多芯片策略要预留缓冲：中小算力商引入 AMD/TPU 前应评估供应链风险敞口，必要时分主体运营
• 对英伟达而言这同样有代价：被拒之门外的 Neocloud 恰恰是最需要 GPU 的增量买家，把推动竞品替代的动机留给了对手

数据来源与口径说明​

• SemiAnalysis 指控细节：SemiAnalysis 分析报告（2026 年 10 月），cnBeta/网易科技转述（2026-10-22）
• 黄仁勋 Neocloud 需求表态：GTC 柏林期间 CNBC 采访，Yahoo Finance 转述
• 英伟达未就本指控公开回应；「惩罚机制」为 SemiAnalysis 单方信源，涉事公司未逐一置评

《华尔街日报》审阅的上市招股书草稿，第一次让外界看到 Anthropic 的完整财务底牌。数字很刺激，但结构比数字更重要。

一、核心数字​

另据后续投资人简报：Q3 2026 单季营收 168 亿美元——单季超过上半年总和，增速仍在陡峭爬坡。

二、别被 807 亿吓到​

净亏损的 89% 是可转换票据公允价值变动的非现金会计费用——公司估值涨得越猛，这笔「亏损」越大。真正的经营性 burn 要小得多，且 Q3 已宣称实现某种口径的「调整后利润」。这是高成长公司 IPO 前典型的报表形态，与 2019-2021 年美股 SaaS 上市潮的套路同构。

三、真正值得算力行业注意的三个数字​

1. 算力成本半年 90 亿美元：已超 2025 全年（73 亿）。按此节奏 2026 全年算力支出奔 200 亿去——这是单一客户对 AI 算力市场的真实拉动
2. 基础设施承诺超 6000 亿美元：云协议 + 芯片租约的总和，另有最多 1500 亿美元在谈。Anthropic 同时是 AWS Trainium（超 100 万颗跑 Claude）、谷歌 TPU（至多 100 万颗）与 AMD MI450（最高 2GW）的大客户——「不押注单一硬件」在财务报表上的具象化
3. 47% 的 2025 收入经云 Marketplace 流入：其中 2.16B/4.6B。这说明「云商店抽成 1.5-3%」的 Marketplace 分销模式已是 AI 模型收入的主通道之一

四、对行业的三点推论​

1. IPO 叙事需要算力效率故事：上市后 Anthropic 必须向公众投资者解释毛利率——ASIC（Trainium）占比越高，推理成本曲线越好看，这反过来加速非英伟达算力的采购
2. 算力即资产负债表：6000 亿级承诺进入报表后，芯片租赁、算力预付将成为 AI 公司财报分析的新学科
3. 两客户占 H1 营收五分之一：集中度风险会被 SEC 问询，模型厂商的「大客户依赖」与云厂商的「大租户依赖」是同一个硬币的两面

延伸阅读：TPU 外部客户版图 · AMD × Anthropic 2GW · 推理成本经济学

「大模型参数已经到头了」的说法可以收回——壁仞科技 AI 框架架构副总裁丁云帆在工博会国芯展分论坛给出的数字是：Kimi K3 已达 2.8 万亿参数，明年大模型参数或将迈入 5 万亿级别。同时，代码与 Agent 场景正驱动 1M 级超长上下文成为刚需。

一、两个数字的分量​

• 2.8T → 5T：参数规模一年内再翻近一倍。训练算力需求按近似比例膨胀——这不是「效率提升可以抵消」的量级
• 1M 上下文：长上下文对 KV Cache 显存的要求超线性增长，推理成本结构中显存容量的权重骤增

二、模型结构的演进方向​

丁云帆同时指出结构层面的迁移：业界正从 Full Attention 走向线性/混合 Attention。这条路线的逻辑链是：

Full Attention：KV Cache 随上下文线性爆炸 → 1M 上下文不可承受
线性/混合 Attention：KV Cache 压缩到近常数级 → 长上下文成本可控

DeepInfer 开源栈里的 SWA Bounded Replay、MLA 低秩注意力，都是同一路线的工程实现。模型结构的每一次瘦身，都是为更大参数量腾出算力预算——总算力需求不减反增。

三、5 万亿参数需要什么算力​

粗算账：2.8T 参数训练按 20T token 量级、MFU 40% 计，需要的 GPU 时已属「超节点专属」；5T 参数意味着：

• 单柜算力密度不足：传统八卡服务器的跨节点通信在 MoE 训练中是灾难，超节点成为必然工程解
• 柜间扩展：华为 Atlas 950（8192 卡）级集群、NVL288/NVL576 演进路线的目标场景正在这里
• 显存墙：2.8T 参数的 MoE 权重即使 FP8 也远超单柜显存——统一内存编址（超节点核心特征）不是优化项而是必需品

四、对算力供应商的含义​

1. 「5 万亿参数」是超节点最强的需求叙事：2027 年超节点渗透率的最大变量是头部模型厂商的实际训练计划
2. 推理侧同步受益：1M 上下文的 Agent 应用把大显存推理卡（MI450 432GB、Rubin 288GB、C600 144GB）的需求拉到新高度
3. 国产模型的国产算力匹配：Kimi K3 若以国产超节点集群训练，将是国产算力「训得动前沿模型」的标志性验证

延伸阅读：DeepSeek DeepInfer 开源 · 机柜即产品 · 完整对比表

10 月 21 日，OpenAI 宣布其前沿模型（含 GPT-6.1 Astra、Sol、Luna）与 Codex 编码智能体进入谷歌云 Model Garden，经 Google Cloud Marketplace 结算，企业可用已有 GCP 消费承诺抵扣。这是 OpenAI 前沿模型首次上架第三大超算云的店面。

一、交易结构​

二、谁赚谁亏​

• OpenAI：收入 ~500 亿美元年化（9 月底口径），多一个分销渠道、多一条触达 GCP 存量客户的路径，代价是每单被抽 1.5-3%
• 谷歌：云收入 Q2 增 82% 至 248 亿美元、backlog 5140 亿；用自己的 TPU 机群承接竞对模型，按利用率赚两层钱（算力 + 抽成）
• 微软：4 月失去独家权后只剩「首发权」——议价权降级被包装成关系延续
• 企业买家：第一次可以在一张云账单上同时买 Gemini 和 GPT，采购与审计都简化

三、参照系：Anthropic 的 47%​

Anthropic 招股书披露其 2025 年收入的 47%（2.16B/4.6B）经云 Marketplace 流入。这组数字说明：Marketplace 抽成不是边缘渠道，而是 AI 模型分发的主干道之一。当模型能力成为「跨云商品」，渠道费率就成了模型厂商新的毛利变量。

四、对算力市场的连锁影响​

1. 模型与算力解耦加速：企业选云看数据治理与承诺抵扣，选模型看能力排行——「云锁定模型」的旧逻辑失效
2. 谷歌云的复合优势：TPU 自研 + Gemini + 第三方模型店面 + 96 万块 Rubin（A5X 下月 GA），成为供给结构最多元的云
3. 英伟达视角：模型跑在哪朵云上不重要，只要机柜还是它的——GPU 层短期无虞

延伸阅读：Anthropic 财报拆解 · TPU 外部客户版图

10 月 8 日，壁仞科技官方披露：新一代 AI 芯片 BR20X 成功点亮并完成启动测试，正式进入流片后验证阶段，研发进度快于此前预期。同步公布的还有一笔 40.40 亿港元的配售募资——70% 直接投向新一代产品的供应链采购与产能准备。

BR20X：官方口径与边界​

壁仞此次披露的信息边界很清晰：

注意两个边界：点亮不等于性能验证完成，更不等于量产良率确认；壁仞尚未公布任何算力、显存或功耗参数，任何具体性能对比都属推测。

40 亿港元募资投向量产​

配售计划：以每股 31.08 港元配售 1.3 亿股新 H 股，募资总额约 40.40 亿港元（净额约 40.20 亿）。其中约 70% 用于新一代产品供应链采购、产能准备及商业化落地，其余用于研发、软件生态升级与营运资金（配售尚需审批）。

这个资金投向透露了行业逻辑的变化：壁仞在公告里明确说，客户需求正「从单颗 GPU 转向集成互连、网络、存储和冷却系统的超节点及机架级算力方案」。国产 GPU 厂商的资本开支已经从「流片钱」转向「产能钱」——先进封装、HBM 采购、整机柜交付能力的投入，比流片本身更烧钱。

四小龙的下一代时间表​

把壁仞放回国产 GPU 第一梯队的坐标系（各家披露口径）：

时间表高度收敛：2026 下半年流片或点亮，2027 年量产。2026 年的市场仍由现有量产型号（昇腾 910C、思元690、MTT S5000、曦云 C600）承载，2027 年才是新一代国产高端 GPU 真正可评估的年份。

同周的佐证：工博会上的超节点转向​

10 月 12 日开幕的上海工博会首设「国芯展」，几乎所有主流 AI 芯片企业都把展示重心从单卡换成超节点：天数智芯展出天垓300 IXL144（单机柜 144 颗 GPU）、沐曦展出曦景 S600（单机柜 64 卡全互连）、燧原与中兴合作展出云燧 ESL64-O。壁仞 BLink 2.0 规划的 1,024 卡 Scale-up，瞄准的正是同一个市场。

对采购方的建议是：2026 年内的国产卡选型仍以「现有量产型号 + 超节点方案」为准；BR20X 等新一代产品在官方公布实测数据与量产良率之前，只做技术跟踪、不做采购承诺。

相关阅读​

• 壁仞 BR20X 芯片卡片
• 壁仞 BR104 芯片卡片
• 摩尔线程 MTT S5000 芯片卡片

谷歌造芯十五年，最被低估的变化发生在商业模式上：TPU 不再只是谷歌自家数据中心的「成本项」，而是谷歌云的收入项。2026 年，这个转变的证据链已经完整。

一、外部客户版图​

Anthropic 是最大竞争对手之一，其算力命脉部分握在谷歌手里——这在商业史上几乎前所未有。而 Meta 一边推进自研 MTIA 路线图、一边与 AMD 签下最高 6GW 合作、同时还租用 TPU，「不把算力押注在单一硬件上」成为头部模型公司的共识。

二、出货量与收入节奏​

• TPU 出货量 2025 年约 250 万片，2026 年目标上调 50%、总量预计突破 370 万片
• 谷歌 CFO 在财报会上明确：2026 年 TPU 收入只占一小部分，大部分订单将在 2027 年兑现
• IDC 预测推理市场 ASIC 份额从 2024 年的 15% 升至 2030 年的 80%——谷歌是这条替代曲线的最大推手

三、为什么谷歌能做到而别人难以复制​

谷歌真正的护城河不是某一颗芯片，而是「芯片—模型—编译器—网络—数据中心—云」的垂直一体化：

• 自研光学电路交换机（OCS）支持 Pod 内网络拓扑动态重构
• XLA 编译器把软硬协同效率压到极致；2026 年 10 月 TorchTPU 开源后，PyTorch 生态的准入门槛进一步坍塌
• DeepMind 能预判未来模型形态、提前锁定架构方向
• 每一代 TPU 都真实部署在搜索、广告、YouTube 推荐和 Gemini 之上——庞大的自用需求托底，是自研芯片能撑过三代以上迭代的先决条件

四、对中国从业者的镜鉴​

百度昆仑芯常被拿来与 TPU 类比，但差距不在芯片本身，而在商业化半径：谷歌的 TPU 既自用又通过云对外规模化供给，而多数国内互联网大厂自研芯片仍停留在自用阶段。国产对外供给的力量是寒武纪、燧原、壁仞、沐曦这类独立芯片公司——融资与生态建设步步惊心，对标的是「巨头亲自下场」的另一种打法。

当芯片变成云服务的一部分，算力竞争的边界早已跨出国界。蚂蚁迁移 TPU 的案例说明：平台级算力竞争没有主场。

延伸阅读：TPU Ironwood 卡片 · TPU 8t/8i Q4 量产 · 完整对比表