图片来源@unsplash
一家云计算厂商是否选择自研芯片，还是底第三方的产品技术，可以从产业链分工的角度去思考这个问题。企业越靠近上游，越需要特别大的规模效应，对技术的整合能力、需求的共性把握要求会更高，例如做GPU的英伟达、CPU的英特尔，就是处于上游位置，云计算厂商一般是很难撬动这样的市场。但如果这个领域发生变化，就可能产生新的机会，这个机会能够让云计算厂商在竞争中产生一些阶段性的优势，或者对内业务能够提供更高的性价比，这就值得云计算厂商去加大投入去做。
如今，这个变化叫做Agent爆发驱动下的大模型训练和推理需求增长，这个投入的机会则是自研芯片包括不限于AI推理/训练、X86等方案。事实上，全球头部云厂商不约而同地加快了自研芯片的步伐。
替代英伟达？自研芯片进入商业化阶段
在笔者看来，海外云厂商的自研芯片大致经历了三个阶段。
第一阶段是为自身业务降本，例如AWS早期推进的Graviton，核心目标是提高云内部效率；第二阶段是争夺市场话语权，随着x86芯片开始规模化量产，并在云基础设施中占主导地位，芯片开始成为云厂商吸引客户、定义架构的重要工具；第三阶段是当芯片具备自我造血能力后，围绕AI需求重构基础设施，重点是通过多样化芯片供给，减少对单一供应商的依赖，把推理和训练产生的利润更多掌握在自己手中。而AWS、微软云、谷歌云的自研芯片路径也就此正式分化：
公开信息显示，AWS已将Trainium和Graviton作为核心自研芯片产品，分别覆盖AI训练、推理及通用云计算厂商。据安迪·贾西在今年4月披露的信息中，其芯片业务正持续扩张，并成为云业务的重要组成部分，其中，Trainium3比上一代效能提升4倍、能耗降低40%，AI训练与推理成本最多可减少50%。
谷歌云的自研张量处理器TPU一直是AI芯片领域的标杆，尤其最近谷歌云宣布向其客户出售TPU反映出市场对其芯片的强烈需求。Google Cloud Next大会上，谷歌云将第八代TPU拆分为两款独立芯片——TPU 8t（训练）和TPU 8i（推理），这体现出其对AI工作负载分工的判断。谷歌云宣称，TPU 8t的训练性价比较上一代提升约2.7倍，TPU 8i的推理性价比提升80%。
微软方面，更偏向于推力侧优化。今年1月，微软发布第二代AI芯片Maia 200，用于Azure AI和Copilot相关推理业务，其性能对标谷歌第七代TPU。为了实现机制推理效能，微软进行了一个关键性设计取舍，仅原生支持低精度计算（FP8/FP6/FP4），并基于标准以太网的新型双层可扩展网络设计，不依赖于专有网络架构。目前Maia 200优势在于与其Azure云服务生态、OpenAI前端业务深度绑定，以及Microsoft 365、Teams等海量用户场景，以提升芯片设计优势。
整体来看，AWS采取的是训推一体思路，强调用Trainium、Graviton等芯片组合覆盖从训练到推理的业务场景；谷歌最新的动态则表明其更倾向于训练和推理解耦，第八代TPU已经分工明确；微软聚焦推理侧，Maia 200的定位就是支撑Azure AI和Copilot等应用场景中的低成本、高效率推理需求。
这种分化反映出三家公司对AI产业阶段的不同判断：AWS更强调全栈控制和规模效应，谷歌更看重专用化带来的性能和效率，微软则将重点放在企业级推理需求和应用入口上。不过，AWS目前明确表示并不试图替代英伟达，例如其Trainium4支持英伟达NVLink Fusion，而谷歌和微软则更倾向于与英伟达展开竞争。
而究其自研芯片能企业推理成本降低多少？以及在多大程度上能制衡英伟达的定价权？
市场反应已经给出部分答案。
AWS官方披露，Trainium2全面售罄，Trainium3接近满订，Trainium4提前一年半被预订大半。客户层面，Anthropic已宣布承诺向AWS定制芯片投入高达1000亿美元，而Meta也于近日与AWS达成在Graviton采购用于AI推理场景的合作。
去年底，研究机构SemiAnalysis发布报告指出，从总体拥有成本（TCO）角度看，谷歌第七代TPU芯片在成本效率上对英伟达构成显著优势。并且受竞争压力，OpenAI已从英伟达获得约30%的算力报价折扣。近期，黑石集团宣布与谷歌成立的美国合资公司，向客户提供数据中心容量、网络、运维以及Google Cloud TPU的compute-as-a-service服务，可以理解为新GPU云入口。外界认为，此举将与CoreWeave、Crusoe这样的新兴GPU云厂商展开正面竞争。
扩大资本开支，云厂商的一本经济账
目前来看，云厂商的角色已经变化，不再是单纯的算力出租方。过去传统云计算时代主要依靠虚拟化和资源调度获取收益，而AI业务也更多依赖租赁GPU实现AI服务扩张，如今AI时代的需求更集中、更重资产，芯片、网络和软件栈的一体化设计策略也能够更容易地将AI算力利润留在平台。
也可以理解这一变化是为拆掉“Token暴利墙”：一边是上游芯片厂商凭借供给稀缺性拥有较强定价能力，另一边是大量AI应用企业因推理成本不断推高而承压。尤其在视频生成、Agent、多轮对话、编程等高算力消耗场景中，单位Token的成本已经成为影响商业化速度的关键变量。
云厂商加码自研AI芯片还有一个现实背景：AI需求已经大到不完全适合传统租云模式。头部大模型公司和AI应用企业开始更重视自建或半托管AI基础设施，而中型体量客户则希望获得更便宜、更稳定、更易规模化的AI算力供给。在这种情况下，云厂商如果不能提供更具性价比的方案，就可能在未来的AI基建的竞争中被边缘化。
AWS、微软云、谷歌云与OpenAI、Meta、xAI等头部大模型企业的关系，也不再是简单的算力采购，而上升为基础设施协同和生态绑定。这类合作一方面帮助云厂商验证自研芯片和基础设施方案的可行性，例如AWS与Meta的合作，微软此前与OpenAI的深度绑定，以及谷歌与Anthropic的合作。
云厂商近年来频繁扩张AI相关资本开支。亚马逊在2026年一季度资本开支达到432亿美元，并将全年资本开支指引上调至约2000亿美元；Alphabet将2026年资本开支指引提高至1800亿至1900亿美元；微软同样维持高强度投资，2026财年资本开支指引约为1900亿美元。
市场普遍认为，这轮投入短期内未必直接改善利润，但有助于云厂商降低单位推理成本，并增强客户黏性。财务上能否回本，取决于三类因素：一是单位推理成本是否下降，二是客户是否因此扩大使用规模，三是云厂商能否吧自研芯片与大模型托管包装成为更强的商业模式。
当然，芯片本身未必对于云厂商是利润中心，但它可能决定云服务的利润上限。尤其在高算力消耗场景中，Token价格一时间不可能打下来。
值得关注的是，国内云厂商目前也在加快自研芯片和数据中心等相关布局。公开信息显示，阿里已推进在最新万卡集群数据中心中使用自研AI芯片“真武”；华为昇腾950系列AI芯片因国内AI订单需求大幅提升，计划2026年生产约75颗950PR芯片；腾讯则计划用792亿元主要用于AI基础设施投入，探索提升算力利用效率。
同样是GPU芯片紧缺背景下，相比海外云厂商，国内路径更强调供应链可控、软硬件协同以及行业落地能力。这种模式目前尚未能以单点芯片竞争为目标，而是通过Scale-out互联将单集群规模推高至万卡以上，两者叠加从而构建超万卡集群的大算力底座，这种巧妙的变通方案，尽管会带来一定实际挑战，但已经吸引到了不少国内企业客户。
当然，云厂商下场造芯这件事情不是从今天才开始的，短期内，英伟达在GPU芯片市场的主导地位仍然难以被迅速撼动。过去十年，分布式云计算构建经典的“削峰填谷”和“资源池化”，以更好地实现云服务的弹性调度。大模型场景下，算力需要大规模集中式训练，服务器也无法被切分成单个虚机，云厂商再也无法通过超卖获得超额的利润回报。
从这个角度看，云厂商开始更多地精力投入在自研造芯这件事情上，争的是未来对AI市场的定价权，谁能更有效地压低Token成本，谁就更有机会把AI变成一门可持续的生意。
（作者 | 杨丽，编辑 | 杨林）
融正配资提示：文章来自网络，不代表本站观点。
