英伟达与Meta在AI芯片路线上的分歧，正成为算力基础设施竞争从“拼规模”转向“拼效率”的缩影。9月17日，英伟达重申其Blackwell架构芯片将在第四季度如期出货并产生数十亿美元收入，继续押注通用GPU的规模化供应；而美银在同日发布的一份报告中估算，Meta若以自研MTIA芯片替代部分英伟达外购芯片，每年可节省数亿美元推理成本。两则信息在同一天出现，恰好将云厂商与大模型公司共同面临的战略选择题摆上台面：在持续扩张算力的同时，如何控制单位推理成本并掌握供应链主动权。
两条路线背后的算力经济学
英伟达的商业模式建立在通用性之上。其GPU能够同时支撑训练与推理任务，适配Transformer、扩散模型等多种架构，并通过CUDA生态形成开发者粘性。对于大多数云厂商和AI公司而言，直接采购英伟达芯片是最快获得算力的路径，无需投入巨额研发与流片成本。英伟达在9月17日的表态中强调Blackwell系列芯片的出货计划不变，说明其依然相信，至少在未来几个季度内，规模化外供仍是市场主流需求。
Meta则选择了一条更重但长期可能更经济的路。其自研的MTIA（Meta Training and Inference Accelerator）芯片专为推荐系统与生成式AI推理场景设计，通过剪除通用芯片上不必要的电路和指令集，在特定任务上实现更高的能效比。美银估算的“每年节省数亿美元”并非指完全替代英伟达芯片，而是将推理密集型负载——如广告推荐、内容排序和部分轻量生成任务——迁移至自研芯片，保留英伟达GPU用于训练和复杂推理。
分化并非零和博弈
两条路线看似对立，实则并行。Meta在自研MTIA的同时，依然是英伟达的大客户之一，尤其在训练侧依赖H100和即将量产的B200。自研芯片的目标并非替代英伟达，而是在成本占比最高的推理环节建立备选方案，形成议价能力和供应韧性。同样，云厂商如谷歌拥有TPU、亚马逊拥有Trainium和Inferentia，但无一例外仍在持续采购英伟达芯片。
这种“外购+自研”的双轨策略反映了AI基础设施竞争的新阶段。当模型参数规模趋于收敛、推理需求爆发式增长时，单位token的推理成本成为决定产品商业可行性的关键变量。自研芯片虽然前期投入巨大，但在百万级甚至十亿级日推理量下，边际成本优势会显著放大。英伟达对此并非无感，其推出推理优化软件TensorRT-LLM以及向云厂商开放定制化选项，本质上也是在降低大客户自研的动机。
后续观察点
短期内，两条路线的竞争焦点将落在两个维度：一是英伟达能否维持每年一次架构迭代的节奏，并通过软件生态锁定客户迁移成本；二是Meta等自研厂商能否在芯片良率、工具链成熟度和产能爬坡上达到预期。美银的估算基于特定负载假设，实际节省金额取决于MTIA芯片在Meta数据中心中的部署比例和任务匹配度，后续需关注Meta在10月财报电话会上对自研芯片部署进展的表态。
文章版权归作者所有，未经允许请勿转载。
