云厂商为什么要自研 AI 芯片：TPU、Trainium、MTIA 的算盘
最后更新：2026-09-19｜数据截止 2026 年中：各厂自研芯片代际与采用率以官方披露为准，本文讲商业逻辑与路线差异，不引用未经证实的份额与成本数字。
本文是产业观察，回答：为什么最赚钱的云客户，反而要亲手造芯片去削弱对英伟达的依赖。 推理芯片专题 讲了独立 ASIC 创业公司，英伟达产品矩阵 讲了通用 GPU 的统治，本文专讲一类特殊玩家——超大规模云厂的自研芯片：谷歌 TPU、AWS Trainium/Inferentia、Meta MTIA、微软 Maia 们的商业算盘，以及它们对整个产业链的影响。
先说结论
- 自研 ASIC 的本质是把「租来的算力」变成「自有的成本结构」。 云厂在 GPU 上付出的溢价、排队的产能、被锁定的生态，被业界戏称为「英伟达税」；自研芯片用确定性的内部需求摊薄巨额研发，换取更低单位成本和供应安全。
- 它们不是要取代 GPU，而是分流自己的稳态负载。 自研芯片擅长自家大规模、可预测、反复运行的推理和训练任务；最前沿、最灵活、生态依赖重的工作仍会用英伟达，是「双轨」而非「替代」。
- 谷歌最彻底（TPU 垂直整合），AWS 最成体系（自研 + 对外出租），Meta/微软更聚焦自身负载。 各自路线反映其业务：搜索/广告、云出租、社交 AI、企业云与 OpenAI 合作。
- 真正被冲击的是「通用芯片卖给超大客户」这部分生意，以及独立推理 ASIC 创业公司的生存空间。 当最大客户自己下场，通用 GPU 的增量和独立芯片公司的目标客户都在被重新定义。
一句话：云厂自研芯片不是技术炫技，而是用「确定的内部海量需求 + 垂直整合」摊薄芯片成本、摆脱供应商锁定的资本算术；它们不会杀死 GPU，却会永久切走一块最大、最稳定的推理与训练负载，并迫使整个芯片行业重新寻找自己的客户。
一、为什么云厂必须自己造芯片
超大规模云厂是世界上最懂自己负载、也最有能力定义芯片的买家。自研的动机层层递进：
关键在 ASIC（专用集成电路）的经济学：为特定工作负载定制，能砍掉通用 GPU 用不上的部分，换来更好的能效和成本；但芯片研发、流片、软件栈投入巨大，只有需求足够大、足够稳定才摊得平。超大规模云厂恰好满足这个条件——它们的推理负载规模以年计地确定存在，是少数能撑起自研芯片的买家。这与 推理芯片专题 讲的逻辑完全一致，只是云厂把「大客户」和「芯片公司」合二为一。
此外还有三层战略收益：
- 供应安全：在 HBM/CoWoS/GPU 全面紧缺时（见 CoWoS 产能），自有芯片 + 自有产能协议减少被配额卡脖子；
- 软硬协同：从模型、框架到芯片垂直优化，谷歌 TPU 与 TensorFlow/JAX、AWS 与自家推理栈的协同是外购 GPU 给不了的；
- 议价杠杆：哪怕自研只分流一部分，也显著增强对英伟达的谈判地位（与 AMD 反攻 的「第二供应商」逻辑异曲同工）。
二、四个玩家，四本账
| 云厂 | 芯片 | 路线特征 | 主要服务 |
|---|---|---|---|
| 谷歌 | TPU（多代） | 起步最早、垂直整合最深、Pod 级扩展 | 内部搜索/广告/多模态 + 云上出租 |
| AWS | Trainium / Inferentia | 自研 + 对外云出租成体系，训练推理分线 | AWS 客户与内部 |
| Meta | MTIA | 聚焦自身推荐与生成式 AI 负载 | 内部为主，不出售 |
| 微软 | Maia 等 | 服务 Azure 与 OpenAI 相关负载、相对较新 | Azure 内部 |
- 谷歌 TPU 是教科书：最早大规模部署、把芯片—互联（ICI）—Pod—软件栈（XLA/JAX）做成完整体系，证明了云厂自研不仅能省钱，还能支撑前沿模型训练。它也是「卖云时把自研算力作为差异化实例」的样板。
- AWS 把自研芯片直接变成对外产品（通过云实例出租），训练与推理分线（Trainium / Inferentia），既是降本也是云服务竞争力；它还长期自研 CPU/Graviton、网络芯片，是最成体系的硅公司型云厂。
- Meta MTIA 聚焦海量推荐排序和生成式 AI 内部负载，不对外卖芯片，纯粹为自家应用的成本和效率服务。
- 微软 在与 OpenAI 深度绑定、大量采购英伟达的同时布局自研，是「既要最好的通用芯片、也要第二曲线」的双轨典型。
共同点是双轨并行：自研芯片承接稳态、可预测、成本敏感的负载，英伟达 GPU 承接最前沿、最灵活、生态最复杂的负载。它们不是二选一，而是组合配置。
三、自研芯片的代价与边界
自研不是稳赚，门槛和风险都很高：
- 软件栈是最贵的部分。 做芯片难，做编译器、算子库、框架适配、迁移工具和稳定性保障更难。云厂要让模型团队愿意从 CUDA 迁过来，必须把迁移成本压到足够低——这正是 CUDA 护城河 对所有挑战者（包括自家老板）收的税。
- 通用性损失。 ASIC 为特定负载优化，模型架构一旦大改（新算子、新数据类型、新范式），固化的电路可能不如通用 GPU 灵活，存在「押错架构」风险。推理模型、MoE、新注意力变体的快速演进都在考验芯片的前瞻设计。
- 需求与利用率风险。 自研只为内部服务时，若负载增长不及预期，巨额固定投入难以摊薄；对外出租（AWS/谷歌模式）可部分对冲。
- 供应链同样受限。 先进制程、HBM、CoWoS 都要去同一个紧张市场争抢（见 HBM、CoWoS），自研并不自动等于有产能。
因此合理的预期不是「云厂全面弃用英伟达」，而是自研比例随内部负载成熟度和软件栈成熟度缓慢上升，GPU 长期保留在前沿与弹性需求上。
四、对产业链的连锁冲击
云厂下场造芯，重新分配了整条链的价值与客户结构：
- 对英伟达：被切走的是「卖给超大客户的通用 GPU」中最可预测的那部分，但前沿训练、长尾客户、网络与系统软件、以及云厂自研尚不成熟的领域仍是坚固基本盘；英伟达也在通过整机柜、网络和更强系统绑定提高被替代成本。
- 对独立推理 ASIC 创业公司：最大、最理想的客户（云厂）自己变成了竞争对手，逼它们转向次大客户（二线云、企业、主权云、特定行业）或提供云厂不愿做的差异化/开放方案（见 推理芯片专题）。
- 对云格局：自研算力成为云的差异化与利润来源——谁的单位推理成本更低，谁在 MaaS 价格战中更有底气（见 API 商品化与 从盒子到 token）。
- 对半导体行业：超大规模云厂成为重要的「芯片公司」和先进制程/HBM/封装需求方，芯片设计的客户名单和议价格局被改写。
五、变量与置信度判断
| 变量 | 作用方向 | 时间窗 | 置信度 |
|---|---|---|---|
| 内部推理负载持续膨胀 | 自研更划算 | 已发生 | 高 |
| 自研软件栈/迁移工具成熟 | 提高自研采用率 | 持续 | 中高 |
| 模型架构快速变化 | 增加 ASIC 押错风险 | 持续 | 中 |
| 自研芯片对外出租 | 摊薄成本、做云差异化 | 已发生 | 高 |
| 英伟达系统级绑定加深 | 提高替代门槛 | 持续 | 高 |
- 未来 1~3 年（高置信度）：四大云厂自研芯片在自家推理与部分训练负载的采用比例稳步上升，自研实例成为云服务的常规 SKU，但英伟达仍是前沿训练主力。
- 未来 3~5 年（中高置信度）：谷歌/AWS 这类最早自研的厂商内部负载分流比例可观，云价格战中自研算力的成本优势显性化；独立 ASIC 公司被迫向次大市场和差异化方案聚集。
- 长期（中置信度）：形成「前沿 GPU + 大规模自研 ASIC + 少量独立 ASIC」的三层结构；自研能走多远，最终取决于软件栈能否持续跟上模型架构变化。
六、对不同角色，这意味着什么
- 对云厂：自研是长期成本与供应安全战略，关键是把软件栈和内部采用率做起来，而非只发布芯片。
- 对英伟达：守住前沿、网络/系统生态和非超大规模客户，并接受超大客户部分自研的现实。
- 对独立 ASIC 公司：避开与云厂自研正面重叠，聚焦开放、二线云、主权云与行业场景。
- 对用云的企业：自研实例往往意味着更便宜的推理价格，可在成本敏感、可接受迁移的负载上采用，但要评估软件锁定与可移植性。
- 对投资者：评估自研芯片看「内部采用率与单位成本」而非发布，评估独立公司看「客户是否避开了云厂正面战场」。
延伸观察：自研芯片如何反过来改变云的组织与商业模式
自研 ASIC 对云厂的影响，远不止「采购成本下降」这一项，它实际上在重塑云的组织能力和商业模式。最直接的是工程组织的扩张：要做一颗有竞争力的加速器，云厂必须建立从架构、物理设计、封装协同、固件、驱动到编译器和算子库的完整硅工程团队，还要具备与晶圆厂、HBM 厂、封装厂长期谈判和共同规划的能力。这类能力一旦建成，云厂在半导体供应链中的身份就从「大客户」变成了「合作伙伴甚至定义者」，可以更早介入制程路线和封装产能分配，这是纯采购方拿不到的战略位势。
其次是软硬件垂直整合带来的差异化空间。通用 GPU 卖给所有客户，大家拿到的硅是一样的，差异只能在系统和软件层；而自研芯片可以针对自家最高频、最赚钱的负载做定制——例如为自家推荐模型优化稀疏与内存访问、为生成式推理优化 KV Cache 与特定数据类型、为多模态定制专用加速单元。这种「硅为工作负载而生」的优化，往往能在特定场景拿到通用芯片难以企及的能效。再叠加内部框架、推理引擎（见 推理引擎之争）和调度系统的协同，自研栈的效率优势会在超大规模下被放大——规模越大，每一个百分点的能效改进对应的金额都越可观。
但自研也在云厂内部制造了新的张力：自研与外采如何配比。完全押注自研会牺牲灵活性和前沿性，且承担架构押错的风险；完全外采又等于把成本和供应安全交给对手。成熟的做法是动态组合：前沿训练、弹性需求和最新能力用英伟达，稳定且大规模的推理和成熟训练用自研，AMD 等作为第二供应商补充。这要求云厂具备跨硬件的抽象层（统一调度、编译器和运行时），让上层业务尽量不感知底层是哪家芯片——讽刺的是，为了让自研芯片好用，云厂必须主动降低「换硬件」的成本，而这恰恰也削弱了任何单一芯片（包括其自研伙伴）的锁定。
对云的商业模式而言，自研芯片还是一整套定价武器。AWS 和谷歌把自研算力做成对外出租的实例，既能用更低的边际成本在价格战中抢占客户，又能以「自研芯片实例」形成差异化卖点、提高迁移成本；Meta 这类不对外卖云的厂商，则把自研纯粹当成本和供应安全工具。无论哪种，自研都让云在 MaaS 价格战（见 API 商品化）中拥有更深的弹药库——当竞争对手用外购 GPU 报价时，自研厂的成本底线只有自己清楚。
最后是对整个半导体行业客户结构的长期改写。历史上芯片公司的最大客户是企业和消费者电子厂商；如今超大规模云厂成为先进制程、HBM、先进封装最大的需求方，并且它们中的几家自己也在设计芯片。这意味着上游产能、先进封装配额和最早制程的分配，越来越向少数既懂负载又有资本的云厂集中，独立芯片初创公司不仅要面对技术竞争，还要面对「最好的客户变成对手、最紧的产能被巨头预订」的双重挤压。云厂自研，因此不只是一家公司的采购决策，而是一次产业链权力从「硅的卖家」向「最大的硅买家」转移的结构性事件。
还需要拆解自研 ASIC 在不同云业务模式下的适配度，它并非对所有云厂都同等划算。自研芯片有高昂的固定成本（架构团队、流片、软件栈、长期维护），只有当某类负载的内部需求规模足够大、且足够稳定可预测时，这笔固定投资才能被摊薄到有吸引力的单位成本。因此最适合自研的，是谷歌、AWS、Meta、微软这类自身就有海量稳定推理负载的超大规模厂；而中小云厂、区域性云和纯 GPU 租赁商，需求规模和负载可预测性都不足以支撑自研，外采通用 GPU 或采购第三方 ASIC 反而是更经济的选择。这会形成一个分化：超大厂走向「外采 + 自研」双轨，腰部及以下市场仍是英伟达、AMD 和独立 ASIC 公司的天下。自研不是行业普遍解，而是规模冠军的专属游戏。
从芯片演进看，自研 ASIC 的角色也在从「推理专用」向「兼顾训练」试探。早期云厂自研芯片（如推理导向的 Inferentia 类）主要瞄准风险较低、并行规模较小的推理负载；随着工程经验积累和大模型训练需求内化，新一代自研芯片开始尝试承担部分训练任务。但训练芯片的难度显著更高：它要求大规模 Scale-Up/Scale-Out 互联、对集合通信高度优化、软件栈支持复杂并行策略，且训练对稳定性和极致性能敏感，试错成本巨大。因此即便自研芯片切入训练，更现实的路径也是「成熟模型的再训练、中等规模训练和后训练/RL」，而非直接承担最前沿的超大集群预训练——后者在可见未来仍主要由顶级通用 GPU 承担。理解这个分工，就不会高估自研对英伟达训练基本盘的短期冲击。
自研芯片还带来一个微妙的云客户信任问题。当云厂商既是算力平台又是模型甚至应用的竞争者时，使用该云的企业客户会担心：我在你的自研芯片和平台上构建，会不会被你「既是裁判又是运动员」地对待？我的工作负载和数据是否会反哺你的能力？超大厂必须通过技术中立承诺、隔离机制和开放生态来缓解这种顾虑，否则自研的成本优势可能在争取外部客户时被信任折扣抵消。相反，对那些主要服务内部负载、不与客户争利的自研者（如 Meta），这个问题几乎不存在。这说明自研芯片不仅是技术和成本决策，也深度嵌在云厂的商业模式和市场定位之中。综合来看，自研 ASIC 会稳固地切走最大、最可预测的一块蛋糕，但它既不会消灭对最强通用 GPU 的需求，也不会让所有云厂都变成芯片公司——它是规模、负载和战略共同筛选出的少数玩家的选项。
结语：最大的买家，决定亲手当卖家
云厂自研 AI 芯片是这轮算力重构中最具结构性的一幕：世界上最大的芯片买家，决定不再只当买家。它们用确定的内部海量需求摊薄 ASIC 的高研发，用垂直整合换掉「英伟达税」和供应不确定性——谷歌最深、AWS 最成体系、Meta 和微软各取所需，但没有一家打算完全离开英伟达。被真正改变的是客户名单：通用 GPU 最稳定的一块增量被切走，独立推理芯片公司发现最理想的客户成了竞争对手，只能向二线云、主权云和行业市场重新出发。自研芯片的胜负手从来不在硅片本身，而在软件栈能否说服模型团队低成本迁移，以及固定路线能否跟得上模型架构的快速变迁。
数据口径与延伸
- 数据口径：云厂自研芯片（TPU/Trainium/Inferentia/MTIA/Maia）的路线、双轨使用逻辑、ASIC 成本摊薄原理与产业链冲击，来自各厂公开信息与行业研究。具体采用率、成本下降幅度、份额未充分公开，本文不引用未经证实的精确数字。数据截止 2026 年中。
- 相关产业观察：推理芯片专题、英伟达产品矩阵、CUDA 护城河、CoWoS 产能争夺战、从盒子到 token。
- 同批待写延伸：云三巨头资本开支（G1）、GPU 新云（G3）、API 商品化（F9）。
一句话总结：超大规模云厂自研 TPU、Trainium/Inferentia、MTIA、Maia 等 ASIC，本质是用「确定的内部海量推理/训练需求摊薄芯片与软件栈巨额研发」，把外购 GPU 的溢价、排队和生态锁定（所谓英伟达税）替换成更低单位成本、供应安全和软硬垂直优化；但 ASIC 牺牲通用性、软件栈迁移要重交一遍「CUDA 税」、还可能押错快速变化的模型架构，因此它们走的是双轨——自研承接大规模可预测的稳态负载、英伟达 GPU 保留给最前沿最灵活的需求；其外溢效应是切走通用 GPU 卖给最大客户的那块最稳增量、并把独立推理 ASIC 创业公司的理想客户变成竞争对手，逼后者转向二线云、主权云和行业市场——终局更可能是「前沿 GPU + 云厂自研 ASIC + 少量独立 ASIC」三层并存，而非谁取代谁。