42 posts tagged with "Vendor Strategy"

在超大规模云厂商与芯片大厂之外，马斯克的两家公司给出了自研芯片的另一种打开方式：一家砍掉自研训练超算、押注推理芯片量产，一家干脆不造芯片、把租来的 GPU 堆成全球最大集群。

Dojo 的终结与 AI5 的转向​

2025 年 8 月，马斯克在社交平台确认解散特斯拉 Dojo 训练超算团队，并给出一句著名判断：Dojo 2 是一条"演化死胡同"。他解释称，当所有路径都汇聚到 AI6 芯片时，特斯拉没有理由同时维持两套差异巨大的芯片设计。这座投入了 5 亿美元的布法罗 Dojo 设施随之失去原有使命。

转向的落点是车载推理芯片。据公开信息，AI5 芯片于 2026 年 4 月完成流片定稿，由台积电亚利桑那厂与三星得州厂双源代工，2027 年年中启动大规模量产，优先服务 Cybercab 与 Optimus 项目；AI6 处于早期开发阶段，目标性能较 AI5 翻倍，定位同时覆盖车载推理、机器人控制与大规模 AI 训练。2026 年 5 月，特斯拉又以 Dojo 2 之名发布了一款面向 Cybercab 的自动驾驶芯片，据业界报道宣称可在 45W 功耗下提供 900 TFLOPS 算力，8 月起批量装车。

"Dojo 3" 的新含义：用通用芯片攒超算​

马斯克为 Dojo 这个名字保留了另一种存续方式：既然 AI5 与 AI6 在推理之外"至少还不错"地能做训练，那么把大量 AI6 芯片集成到单块电路板上，就能构成训练集群，还能把网络布线的复杂度与成本降低几个数量级。他甚至直接表示，"或许可以把它称为 Dojo 3"。这实质上宣告了专用训练芯片路线的终结——用一条高量产的车规芯片产线，摊薄训练集群的芯片成本。

与特斯拉形成有趣对照的是 xAI。这家公司几乎完全放弃了芯片自研，而是以惊人的速度从英伟达采购和租借 GPU，在孟菲斯建成了全球首个吉瓦级训练集群 Colossus 2，并逐步把富余算力对外出租，谷歌、Anthropic 均已成为其大客户。马斯克体系内由此形成分工：xAI 造算力工厂，特斯拉造端侧芯片，训练与推理各取所需。

非典型路线的启示​

特斯拉与 xAI 的组合揭示了自研芯片的另一种经济学：当端侧场景（车辆、机器人）足够确定且出货量足够大时，自研芯片的核心价值在于规模与迭代速度——马斯克甚至希望把未来芯片的设计周期压缩到 9 个月；而当需求爆发快于自研节奏时，直接采购现成 GPU 抢时间，比造芯片更理性。三星与特斯拉之间 165 亿美元的代工协议，也说明车载 AI 芯片已成为先进制程的重要买家。

小结​

Dojo 的落幕并非自研芯片的失败，而是一次清醒的止损：把有限资源从长周期的训练超算转向出货量以百万计的端侧推理芯片。在"要不要自研"这个问题上，马斯克给出了一个与云厂商截然不同却同样自洽的答案——自研与否，取决于你的芯片要装在哪里、装多少颗。

The Information 报道 NVIDIA 计划投资推理芯片对手 d-Matrix；同日，NVIDIA 参投的 Upscale AI 发布跨厂商互联平台 Token Fabric。从收购 Groq 到开放 NVLink Fusion，霸主的应对方式正在从对抗转向"收编"。

NVIDIA 计划投资 d-Matrix​

据 The Information 10 月 8 日报道，NVIDIA 计划投资 d-Matrix——一家 AI 推理芯片初创公司，同时也是 NVIDIA 产品线的直接竞争对手。交易条款和金额未披露。

值得注意的不是交易本身，而是报道给出的框架：d-Matrix 等"挑战者"正选择与 NVIDIA 合作，而非独立竞争。一家推理芯片公司拿到行业霸主的投资，这本身就是对"独立挑战"路线的一次重新定价——市场开始默认，与霸主同行可能比与其对抗更有前途。

Token Fabric：连接竞争对手的互联平台​

同日（10 月 8 日），NVIDIA 参投的 Upscale AI 发布 Token Fabric 平台。它的设计目标很特别：在同一个数据中心内连接多家竞争供应商的 AI 芯片，解决不同厂商芯片生态互不兼容所造成的网络孤岛问题。

在异构算力混布逐渐成为常态的背景下，多厂商芯片组网确实是真实痛点——数据中心里同时存在多家供应商的加速器时，网络层的不兼容会显著抬高部署成本。但一个由 NVIDIA 参投背书的多厂商互联标准，其"中立性"天然存疑：治理权在谁手里，标准就会向谁倾斜。

背景对照：从收购到开放的组合拳​

把近期动作放在一起看，NVIDIA 对推理层挑战者的策略是一条清晰的轨迹：

Inference 层是当前竞争最激烈的新战场：推理需求随应用爆发持续放量，而推理芯片的技术门槛与训练芯片不同，给了初创公司更多切入空间。NVIDIA 的回应是全套组合拳——能收购的收购，能投资的投资，能开放的开放，把每一个可能的威胁转化为生态的一部分。

市场涟漪：算力资产金融化​

同期两条市场消息进一步扩大了观察视野：

• 亚马逊拟向投资者转让约 80 亿美元的 NVIDIA 芯片，采用售后回租模式以缓解现金流压力；
• SpaceX 拟融资 400 亿美元采购英伟达芯片，由 Apollo 牵头，结构约为 100 亿美元银行贷款加 300 亿美元投资级债务。

AI 算力正在被金融工具深度改造：芯片从单纯的固定资产，变成可转让、可抵押、可回租的资产类别。售后回租和芯片抵押融资的出现，既反映了算力需求之热，也提示了部分买家的资金链已经绷得很紧。

分析：竞合逻辑的三层解读​

**对 NVIDIA：收编优于对抗。**面对推理挑战者，正面对抗意味着价格战和生态战，成本高且结果不确定；用资本和生态把挑战者拉进自己的轨道，既消解威胁又吸收创新。NVLink Fusion 开放、投资 d-Matrix、支持 Token Fabric，本质上是同一战略的不同侧面。

**对 Token Fabric：中立性是最大考题。**一个由 NVIDIA 参投的公司推出的"多厂商互联标准"，其他厂商接受它的前提是治理结构足够中立。如果标准最终被视作 NVIDIA 生态的延展工具，其多厂商价值将大打折扣，AMD、博通等厂商是否愿意接入将成为试金石。

**对推理芯片创业公司：独立生存空间收窄。**d-Matrix 选择与 NVIDIA 合作，说明独立路线的融资与商业化难度在上升。"借船出海"可以换来资本与生态的入场券，代价是战略自主性。对整个推理芯片赛道而言，站队正在加速，留给中立玩家的窗口期越来越短。

小结​

投资对手 d-Matrix、参投 Token Fabric、收购 Groq、开放 NVLink Fusion——NVIDIA 正在用资本与生态把推理层的挑战者逐个纳入轨道，"竞合"取代正面对抗成为新打法。与此同时，亚马逊 80 亿美元售后回租、SpaceX 400 亿美元债务融资采购芯片，显示算力资产金融化正在成为行业新变量。推理芯片这一新战场上的博弈，正从纯技术竞争转向资本与标准的综合较量。

2026年10月4日，NVIDIA正式发布N1X PC处理器，直接切入Intel与AMD长期分割的PC处理器市场。消息公布当日，Intel与AMD股价双双下跌4.2%——资本市场用最直接的方式表达了对这场"降维打击"的担忧。

发布当日：资本市场的剧烈反应​

N1X发布当天，Intel与AMD股价各下跌4.2%。这不是一次普通的产品发布，而是PC处理器市场四十年来首次迎来真正的"第三极"。此前，x86双寡头格局虽然在ARM阵营（高通）的冲击下出现过裂缝，但NVIDIA携GPU生态与AI势能入场，威胁等级完全不同。

N1X是什么：基于RTX Spark的PC战略核心​

N1X由NVIDIA与微软合作打造，基于2026年6月Computex上发布的RTX Spark芯片，面向消费级和OEM Windows PC市场。其核心规格如下：

从规格上看，N1X本质上是一颗"能当CPU用的AI显卡"：20核Arm CPU负责日常计算与Windows系统负载，6144个CUDA核心的Blackwell GPU则让本地运行千亿参数大模型成为可能。100万token的上下文窗口，也远超当前多数消费级平台的本地推理能力。

三重竞争关系：高通、苹果与x86双寡头​

对高通：N1X与Snapdragon X Elite走的是同一条Arm PC路线，但NVIDIA手中握有高通无法匹敌的王牌——CUDA生态。Arm PC推广多年来最大的痛点是软件兼容性，而NVIDIA的GPU驱动、AI软件栈（TensorRT、cuDNN）和游戏生态都是现成的，这让N1X在"AI PC"叙事上比高通更完整。

对苹果：N1X的统一内存架构明显对标Apple Silicon。128GB统一LPDDR5X加上300GB/s带宽，思路与M系列芯片的统一内存如出一辙——CPU与GPU共享大容量内存，这正是本地大模型推理的关键。苹果证明了这条路能跑通，NVIDIA则试图凭借更大的CUDA生态基本盘分食这块蛋糕。

对Intel与AMD：这才是最致命的。x86双寡头四十年来首次同时面对：一个掌握AI算力定义权的对手、一个深度绑定微软Windows的Arm方案、以及一个在数据中心已经验证过平台化打法（CPU+GPU+网络）的竞争者。当日4.2%的跌幅，反映的正是市场对"第三极"长期侵蚀份额的定价。

份额转化取决于什么​

当然，发布日的股价下跌不等于市场份额的转移。N1X的实际份额转化取决于三个变量：

1. 兼容性：Arm架构Windows在x86应用转译、外设驱动、游戏反作弊等方面的表现，仍是高通路线上的老问题，NVIDIA与微软的深度合作能否解决尚待观察；
2. OEM采纳：N1X面向消费级和OEM市场，联想、戴尔、惠普等大厂的整机定价、渠道投入将决定其出货规模；
3. 性价比：RTX Spark方案的成本能否支撑有竞争力的整机价格，是消费者用钱包投票的最终标准。

小结​

N1X的发布标志着PC处理器市场进入"三强时代"：Intel与AMD的x86双寡头、苹果的Apple Silicon、以及NVIDIA+微软的Arm AI PC阵营。秋季上市之后，N1X能否将资本市场的恐慌转化为真实的出货量，要看兼容性、OEM采纳与性价比三大变量的兑现程度。想了解N1X的完整规格与参数细节，详见站内芯片页：NVIDIA N1X。

当GPU单卡性能提升越来越难，NVIDIA、AMD与华为不约而同地把战场转向了机架。Bain 2026报告指出，竞争优势正从芯片规格转向系统级整合——compute、memory、networking、power与software的整体协同，才是AI算力下半场的胜负手。

三方系统规格对照​

先看三家旗舰机架级系统的硬规格：

注：表中"—"为素材未公开项，不作估算。三家口径与测试条件不同，数值仅供方向性参考。

NVIDIA NVL72：垂直整合与生态开放并行​

NVIDIA Vera Rubin NVL72延续"机架即计算机"的路线：Rubin GPU搭配自研Vera CPU，通过NVLink将72颗GPU熔铸成一个计算整体。MLPerf v6.1中，其Qwen3-VL吞吐较GB300 NVL72最高提升3.7倍，NVIDIA更宣称推理token成本最高降低10倍。

但NVIDIA也在调整姿态：NVLink Fusion向合作伙伴开放，允许集成自定义CPU与芯片；同时推进NVHBM定制内存控制器计划（与亚马逊Annapurna Labs合作）。这是垂直整合帝国的"有限开放"——互联与内存标准仍然是NVIDIA掌控的枢纽，但入口已经打开。

AMD Helios：开放标准路线的全面出击​

AMD Helios选择了另一条路：基于OCP开放标准构建，与Meta共同研发ORW（Open Rack Wide）设计。整机构成包括：

• 计算：72颗MI455X，整机架2.9 EF FP4、1.4 EF FP8；
• CPU：EPYC "Venice"（Zen 6架构，最高256核）；
• 网络：Pensando Vulcano 800G AI NIC，UALink over Ethernet互联；
• 内存：31TB HBM4，每GPU 23.3TB/s，scale-up总带宽260TB/s，scale-out带宽43TB/s——较竞品多50%以上；
• 机架：44OU ORW双宽机架，18个计算托盘加6个交换托盘，液冷快速接头，50V直流母线，整机重超7000磅（Hot Chips 2026口径）。

Helios的意义在于证明：不依赖专有互联协议，开放标准同样能撑起机架级系统。对担心NVIDIA锁定的云厂商与主权AI项目而言，UALink over Ethernet提供了真正的第二选择。

华为昇腾960超节点：换道超车的超大规模​

华为给出了截然不同的设计哲学——直接跳过"机架"这个尺度，以4096卡的超节点为单位构建系统：

• 全球首个NPO超节点，算力达8 EFLOPS FP8（FP4精度16 EFLOPS）；
• 1PB HBM，内存容量以"PB"计；
• 5500个Hi-ONE光引擎（单引擎7.2T）替代4.8万颗800G光模块，节省550kW功耗；
• 可用度99.8%；
• 集群可扩展至51.2万卡，多轨道拓扑支持100万卡。

4096卡 vs 72卡，不只是数字差异，而是设计哲学的分歧：NVIDIA与AMD把一个机架做成一台"计算机"，华为则把半个数据中心机房做成一个"计算节点"——用光互联（NPO）解决跨机架带宽衰减问题，用超节点内部的高速交换换取更大规模的统一调度域。

Bain的判断：从芯片规格到系统级整合​

Bain 2026报告给出了理解这场战争的钥匙：竞争优势正从芯片规格转向系统级整合。compute、memory、networking、power与software五个维度的协同设计能力，取代单卡FLOPS成为竞争的决定性因素。

与之相伴的是评价体系的迁移："每瓦token数"（tokens per watt）正在成为新的北极星指标。当电力成为第一约束，每消耗一瓦电力能产出多少token，直接决定了AI工厂的经济性——这比"峰值算力"诚实得多，因为前者同时反映了芯片效率、互联损耗、内存带宽与软件调度的综合水平。

两条路线：开放标准 vs 垂直整合​

机架级战争背后是两条路线的对抗：

值得注意的是，NVIDIA的NVLink Fusion开放与华为的灵衢UnifiedBus生态，都在尝试"专有内核+开放外围"的中间态——完全的封闭或完全的开放可能都不是终局，机架级时代的第一性原理是：谁能定义互联标准，谁就掌握议价权。

小结​

NVL72、Helios与昇腾960超节点的三方对垒，宣告AI算力竞争进入"机架即计算机"的系统级时代：NVIDIA以Rubin GPU+Vera CPU+NVLink延续垂直整合，Qwen3-VL吞吐最高3.7倍、token成本最高降低10倍；AMD Helios以UALink over Ethernet与OCP开放标准证明第二条路可行，2.9 EF FP4、260TB/s scale-up带宽毫不逊色；华为昇腾960则以4096卡NPO超节点、1PB HBM的极端规格换道超车。Bain 2026报告说得透彻——竞争优势已从芯片规格转向系统级整合，"每瓦token数"成为新的北极星指标。72卡与4096卡的设计哲学差异，本质上是开放与整合两条路线对未来AI基础设施形态的不同押注。这场战争没有旁观者，采购方、云厂商与主权AI项目的每一次选择，都在为两条路线投票。

On September 22, 2026, multiple media outlets reported that DeepSeek's CEO explicitly stated the company is betting heavily on Huawei chips, expects to receive a new batch of Huawei chips for large-model training, and stressed that "this choice must succeed." Following earlier reports that "DeepSeek planned to procure 160,000 Ascend 950DT units for inference," this is the most significant alignment signal yet in the domestic compute ecosystem — an upgrade from inference procurement to a training bet.

1. The Signal Chain: Four Steps to a "Training Bet"​

Piecing together the public information from the past six months, the DeepSeek–Ascend collaboration shows a clear escalation path:

The key change is the workload tier: inference deployment means "cutting costs with off-the-shelf compute," while a training bet means "staking the existence of next-generation models on domestic chips" — training clusters demand an order of magnitude more in stability, interconnect efficiency, and software-stack maturity.

2. Huawei's Ability to Deliver​

DeepSeek's willingness to commit rests on a series of verifiable progress points on Huawei's supply side (all official figures):

• One generation per year, delivered: the 950PR is in mass production, the 950DT ramps in 2026 Q4, and the 960DT moved three quarters earlier than its original 2027 Q4 plan to ready in 2027 Q1 / launch in Q2 — the roadmap's credibility validated twice in a row;
• Deployment scale: Ascend supernodes have been commercially deployed at scale in over 1,000 sets, covering internet, finance, healthcare, and manufacturing;
• Ecosystem maturity: CANN has entered routine open-source operation, with external developers exceeding 61% for the first time and 5,200 monthly active developers; there are over 40 Ascend-native training models, making it the only domestic technology route supporting pretraining;
• Training evidence chain: China Telecom's Xing 4.0-29B-A4B agentic MoE model, open-sourced in September, was announced as trained end-to-end on Ascend (company claim) — "Ascend can train large models" is no longer just Huawei's self-attestation.

See the Ascend 950DT and Ascend 960 spec pages for details; for supernode analysis, see Ascend 960 Official Launch.

3. Why DeepSeek?​

DeepSeek's choice has strong structural drivers:

1. Supply certainty: under export-control constraints, NVIDIA's flagship supply to China keeps tightening; domestic compute is the only plannable large-scale training supply;
2. Cost structure: DeepSeek has always been known for extreme engineering efficiency (the V3 training cost set the industry benchmark), and domestic compute plus supernode system efficiency fits its approach;
3. Betting on ecosystem dividends: CANN open-sourcing plus deep binding with leading model vendors means model vendors can participate in shaping the toolchain's direction — something impossible within CUDA's closed system;
4. Self-fulfilling demonstration effect: a leading lab's public commitment pulls back on Huawei's production scheduling and upstream HBM and system investment, making "must succeed" a rational commitment rather than a slogan.

4. Risks and Open Questions​

Viewed coolly, this route still has three items that need time to verify:

• Actual training scale: the quantity, model type (950DT or 960DT), and delivery schedule of the new batch of chips are all undisclosed;
• MFU methodology: the MFU / latency gains Huawei cites all come from Markov-lab simulations, with no independent third-party measurements yet; the real effective compute of a training cluster depends on long-term data from large-scale production environments;
• Per-card generation gap: the 960DT's 4 PFLOPS (FP4) versus Rubin R200's 50 PFLOPS (FP4) — the per-card gap objectively exists, and training efficiency depends on whether supernode scale and software optimization can compensate; that is precisely the decisive battleground of "system-level competition."

5. Summary​

• DeepSeek confirms betting on Huawei chips for training large models — the first training-grade commitment from a leading lab in domestic compute;
• Signal chain: CUDA→CANN migration → 160,000-unit 950DT inference procurement rumor → 960 ready ahead of schedule → training bet;
• Supporting factors: one-generation-per-year delivery, 1,000+ supernode sets, and 61% external developers in the CANN open-source ecosystem;
• What to watch: actual arrival of the new chips and training-cluster scale, third-party MFU data, and training-compute disclosure in DeepSeek's next release.

Further Reading​

• Ascend 960 spec page / Ascend 950DT spec page (this site)
• Ascend 960 Official Launch: FP4 Compute Doubled, World's First NPO Supernode
• Domestic Top Three in H2 2026: Localization Rate Breaks 40%, Heading Toward 60%
• Alibaba Zhenwu V900 Unveiled at Apsara Conference

References​

• Toutiao Tech Morning Report: DeepSeek confirms betting on Huawei chips for large-model training (2026-09-22)
• HUAWEI CONNECT 2026 official announcements (2026-09-17)
• Earlier report: DeepSeek plans to procure 160,000 Ascend 950DT units (2026-08)

This article is compiled from public reports and vendors' official statements. Details such as chip quantities and training-cluster scale are subject to subsequent disclosures from DeepSeek and Huawei.

2026 AI chip market enters a "winner takes all" phase. NVIDIA holds 90%+ market share, AMD struggles at 10%, and Google/AWS/Huawei/Cerebras each occupy niche segments. But a group of AI chip startups are fighting to survive in the cracks — this article analyzes the 2026 status and future of Tenstorrent, SambaNova, Graphcore, Cambricon, Moore Threads, Biren, and Iluvatar.

The bottleneck for AI compute has shifted from compute itself to memory bandwidth and capacity. HBM (High Bandwidth Memory) , as a core component of AI chips, has a 2026 market size of $80B+, but there are only 3 suppliers globally — SK Hynix, Samsung, Micron. This article provides an in-depth analysis of this "memory three kingdoms" battle.

May 14, 2026, Intel disclosed in its Q1 earnings report that it has formally cancelled the Falcon Shores single-chip GPU project and confirmed a new rack-scale AI system project named Jaguar Shores to launch in 2027-2028. This is a major strategic adjustment in Intel's AI roadmap. This article provides an in-depth analysis of the reasons and future implications.

On April 22, 2026, at the Cloud Next conference, Google unveiled TPU 8t + TPU 8i — splitting TPU into two independent product lines for the first time. TPU 8t focuses on training, TPU 8i on inference. This is a key product adjustment as Google responds to the AI inference era.

On April 17, 2026, Cerebras Systems formally filed its S-1 prospectus with the SEC, applying to list on Nasdaq, targeting May 2026. This is one of the most significant IPOs in the AI chip industry in 2026. This article provides a deep analysis of Cerebras's finances, strategy, customers, and future.