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
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 2025 | Google官方 |
| FP8算力 | 4,614 TFLOPS/芯片 | Google Cloud Blog |
| HBM | 192GB 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 GPU | Google 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 | Trainium2 | Trainium3 |
|---|---|---|
| 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） |
| HBM | 96-128GB 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
Meta MTIA 路线图
| 代际 | 制程 | 算力 | 功耗 | 定位 | 状态 |
|---|---|---|---|---|---|
| MTIA v1 | 7nm | INT8 102.4 TOPS | 25W | 推荐排序推理 | 已大规模部署 |
| MTIA v2 | 5nm | ~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 TPU | AWS Trainium | MS Maia | Meta 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 | MI300X | MI325X | MI350X（预计2025 H2） |
|---|---|---|---|
| 架构 | CDNA 3 | CDNA 3 | CDNA 4（3nm） |
| HBM | 192GB HBM3 | 288GB HBM3e | 288GB HBM3e（预计） |
| 带宽 | 5.3 TB/s | 6 TB/s | ~8 TB/s（预计） |
| FP8 | 2,615 TFLOPS | ~2,600 TFLOPS | 官方称推理35x MI300X（特定场景） |
| 功耗 | 750W | 750W | — |
| 定价 | $10,000-15,000 | $15,000-20,000（估） | — |
对比NVIDIA：
| 指标 | AMD MI300X | NVIDIA H100 | NVIDIA B200 |
|---|---|---|---|
| HBM容量 | 192GB | 80GB | 192GB |
| 内存带宽 | 5.3 TB/s | 3.35 TB/s | 8 TB/s |
| FP8 | 2,615 TFLOPS | ~1,979 TFLOPS | ~9,000 TFLOPS（稀疏） |
| 价格 | $10-15K | $25-40K | $30-50K（估） |
| 互连 | Infinity Fabric ~896 GB/s | NVLink 4: 900 GB/s | NVLink 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
2.2 AMD市场份额
| 年份 | NVIDIA | AMD | Intel | 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/SDK | 800+ | 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 NVL72 | 72 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/chip | Pod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 |
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 |
4.2 超大规模云厂商资本开支
| 公司 | 2025年CapEx | 2026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 |
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 |
|---|---|---|
| 2017 | EPYC发布前 | ~98% |
| 2020 | Apple弃用Intel | ~90% |
| 2021 Q4 | AMD崛起 | 77%（AMD 18%） |
| 2025 Q2 | — | 72.7%（AMD 27.3%） |
| 2025 | ARM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 Graviton | Google 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 + Trainium3 | Anthropic/OpenAI部分训练迁移到自研芯片 |
| 5年后（2031） | 55-65% | 多家ASIC | AI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/Gartner | NVIDIA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
- 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
- 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
- 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
- "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
- Blackwell/Rubin产品周期：2026-2027年仍有强劲的产品换代拉动
看空论据
- 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
- 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
- Broadcom AI收入两年8倍 = ASIC替代加速的直接证据
- 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
- Gemini 3完全在TPU上训练——"NVIDIA是训练唯一选择"的叙事已被证伪
- 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"
- 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/HIP | AI工具30分钟可完成简单kernel | 低 |
| ② 核心库 | cuDNN、TensorRT | AMD MIOpen覆盖70-80%算子 | 中 |
| ③ 框架集成 | PyTorch默认CUDA | ROCm可跑大多数PyTorch；Google推TorchTPU | 中 |
| ④ 通信库 | NCCL | RCCL/Gloo弱于NCCL；但PCCL在1024+GPU已超RCCL 60-80% | 中高 |
| ⑤ 互连硬件 | NVLink/NVSwitch | Google 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 |
|---|---|---|
| ❌ 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 A | Customer B | Customer C | Customer 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%。
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 |
|---|---|---|---|---|
| 1 | Microsoft | 最高——Maia只做推理，训练深度绑定 | $400-500亿（估） | 行业推算 |
| 2 | Meta | 很高——60万+H100训练，MTIA只做排序推理 | $350-450亿（估） | 行业推算 |
| 3 | Amazon | 中高——Trainium2规模部署但训练能力待验证 | $300-400亿（估） | 行业推算 |
| 4 | 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
为什么Google现在愿意卖？
- TorchTPU项目使PyTorch原生跑在TPU上——迁移门槛大降
- Broadcom解决制造和销售——Google只管设计，Broadcom负责造和卖
- 经济动机：Anthropic一家就$500亿+合同，TPU从成本中心变利润中心
- 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。