AI云竞争新纪元：自研芯片与全栈协同定义未来

2025年上半年，中国大模型领域的中标项目数量攀升至1810个，总金额突破64亿元大关。这一数据不仅超越了2024年全年的总和，更意味着巨额资金正加速涌入金融、能源、政务、制造等国民经济核心领域。人工智能已深度融入生产体系，成为驱动产业升级不可或停的关键引擎。

市场需求正在演变，技术标准也日趋严格。今年，浙江政务云在招标中明确提出“7×24小时不间断安全运营服务”要求，招商银行则强调云平台可用性需达到99.999%。客户所追求的，早已不再是简单地租赁几张GPU卡，而是一套可信赖、可持续交付的高性能AI算力系统。

IDC研究显示，2024年中国AI公有云服务市场规模同比增长55.3%，但增长动力已从“训练与推理双轮驱动”转向推理需求的爆发式增长。当AI成为基础生产要素，衡量云服务能力的标准，不再是峰值算力的高低，而是能否确保AI应用在复杂多变的业务环境中稳定、高效地持续运行。

实现这一目标，依赖于两大核心支柱：

一是自研AI芯片的突破，二是芯片与系统软件的深度协同优化能力。

AI云的底层逻辑，早已超越“硬件租赁”模式

许多人仍持有一种误解，认为云厂商只需采购GPU并将其装入服务器机柜，便能对外提供AI算力服务。

这实质上是典型的“租卡思维”，将AI云简单视为硬件租赁业务。然而，产业现实早已超越这种初级模式。仅仅依赖从英伟达等供应商采购GPU，进行简单集成后便贴上“AI云”标签出租，这条道路在当今市场已完全行不通。

首先，成本结构难以持续。一片Blackwell B200芯片售价高达3至4万美元，H100也需约2万美元。在超大规模AI计算集群中，GPU成本占据总投资的近半数。根据英伟达最新财报，云服务商贡献了其数据中心业务收入的50%。这意味着，全球头部云厂商正将巨额的AI算力投资押注于单一供应商。

其次，即便资金充裕也未必能稳定获取供应。在美国出口管制政策影响下，国内厂商采购先进芯片举步维艰；而海外云厂商同样受制于台积电CoWoS先进封装产能的紧张。此前在台积电运动会上，英伟达CEO黄仁勋公开呼吁“没有台积电就没有英伟达！”，这实质上是为争夺稀缺产能发声。更值得关注的是，英伟达自身已直接进军云服务领域——其DGX Cloud Lepton平台可直接向开发者出租GPU算力，商业模式与AWS等云巨头无异。

第三，客户需求已从基础算力升级为高效的AI能力交付。大模型训练绝非“即插即用”的简单任务，而是涉及万卡协同、低延迟互联、高资源利用率的复杂系统工程。若云厂商仅扮演“采购集成商”角色，无法从底层介入芯片架构设计、通信协议优化、编译器调优，那么再庞大的计算集群也仅是“纸面算力”，难以转化为实际业务效能。

为何芯片对云厂商如此至关重要？

因为作为AI云的“心脏”，芯片直接决定了算力供给的质量、效率与终极成本。这也解释了为何全球顶级云服务商纷纷投入自研芯片。通用GPU难以满足AI时代持续演进的算力需求，走向专用化、定制化、垂直整合已成为必然趋势。

云的未来：战略路径分野

今年以来，主流云厂商关于未来AI云的发展路径日益清晰。我们可以从其芯片布局切入，审视顶级云厂商迄今的破局之道。

首先看AWS。作为全球云计算市场的领导者（2025年第三季度占据32%份额），AWS的自研芯片布局最为全面，涵盖Graviton（通用计算）、Trainium（训练）、Inferentia（推理）系列。尤其是Graviton处理器，已在去年贡献AWS全球超过一半的新增CPU算力，能效较传统平台提升超过40%，显著降低了单位算力成本。

Trainium芯片的表现同样突出。在今年第三季度的财报会议上，AWS透露其自研AI芯片Trainium2已发展为价值数十亿美元的业务，相较于其他GPU方案具备30%至40%的性价比优势。今年年底Trainium v2液冷版本机柜将上线，2026年Trainium v3计划量产，预示着其AI基础设施正加速迭代。然而挑战在于：技术领先并未完全转化为AI市场的竞争优势。2025年第三季度AWS云业务增速为20%，远低于Azure的40%与谷歌云的34%，AI相关收入占比仅为18%。

当前，AWS采取双线并进的“对冲战略”。其一，遵循传统云厂商路径，抢占高端客户。近日，AWS赢得了与OpenAI价值380亿美元的七年期合作协议，OpenAI由此获得调度数十万颗B200 GPU的能力。尽管OpenAI同时与微软、谷歌、甲骨文签约，走向供应链多元化，但AWS借此实现了对高端AI客户的“破冰式接入”。其二，依托自研芯片构建闭环，绑定核心生态伙伴。AWS试图复制“OpenAI+微软”的成功模式，重注押注Anthropic，但关键差异在于，除了资本投入，亚马逊坚持要求Anthropic将其模型的训练与部署从英伟达GPU迁移至AWS自研芯片平台。亚马逊创始人贝佐斯在内部信中阐释：“双线押注既能分散风险，又能对比优化基础设施效能。”

加之AWS重点推出Bedrock平台，聚合各类大模型。其核心目标并非成为顶尖的模型公司，而是让所有AI应用都构建于其算力底座之上。在笔者看来，AWS的策略颇有“不争模型之虚名，只夺算力之实权”的意味。

再看市场第二的微软云。今年成为微软Azure AI战略的转折点，曾经稳固的“顶尖模型+云平台”黄金组合出现松动。可通过三件标志性事件洞察其走向：第一，OpenAI明确转向多云部署策略。在相继与AWS、谷歌云、甲骨文签署大规模算力协议后，OpenAI CEO山姆・奥特曼公开表示：“必须吸取2023年GPT-4训练延迟的教训，多元化供给能帮助我们抵御单一厂商的产能波动。”这无疑是对微软算力供给能力的公开质疑。第二，微软自研芯片进程不及预期。原计划2025年实现规模交付的Maia v2芯片，已推迟至2026年上半年启动；Maia v3因设计调整延迟量产时间。短期内自研芯片出货量有限，这意味着未来两年内，Azure仍将深度依赖英伟达GPU。第三，表面利好背后的被动现实。实际上，今年微软也与Lambda签署了价值数十亿美元的AI基础设施协议，但协议注明，Lambda将利用微软Azure云平台，部署由英伟达提供的AI硬件基础设施，以支持其大规模模型训练与推理。

可以说，当前微软处境略显尴尬。它掌握着强大的AI应用入口，却缺乏稳固的底层算力根基。过去依赖“紧密绑定OpenAI”，如今却面临“OpenAI不再独家绑定它”的局面。若未来仍无法以有力的自研芯片作为支撑，微软可能从AI生态的定义者逐渐滑落为算力服务的普通竞争者。

谷歌云此前相对低调，但其全栈自研战略一经发力，便令业界瞩目。首先聚焦芯片，今年谷歌发布的自研TPU v7（代号Ironwood）整体性能已十分接近英伟达B200。更为关键的是：谷歌已开始对外销售TPU芯片。这传递出两个潜台词：一是对自身产能充满信心，二是性能已达到商业级标准。今年Anthropic与谷歌云达成合作，未来数年将获得高达100万个TPU芯片的专属使用权，算力容量超过1吉瓦，价值数百亿美元。

如今，谷歌已构建起从底层芯片、编译器、模型架构到终端应用的完整技术闭环：底层有TPU v7芯片；中间层有TensorFlow编译栈；上层有Gemini系列模型；外围则拥有Chrome、Gmail、Maps、YouTube等数十亿用户级应用构成的庞大生态网络。这套自洽且协同进化的技术体系，使谷歌云展现出厚积薄发的强劲势头。

全栈AI能力为谷歌云带来了卓越的业绩表现。今年第三季度，谷歌云部门营收同比增长34%，未履行合同金额同比增长79%至1550亿美元，运营利润率达到23%。管理层透露，今年前三季度签署的10亿美元以上大额订单数量已超过过去两年的总和，充分体现了企业级AI需求的迅猛增长。

谁是云时代的真正强者？

IDC发布的最新报告显示，2024年中国AI公有云服务市场规模达195.9亿元，其中百度智能云与阿里云市场份额并列第一。从公布的市场份额图示来看，仅百度与阿里两家厂商便已占据接近整个市场一半的份额。

阿里云依托“倚天+含光+灵骏平台”，构建了“一云多芯”体系，坚持全栈自研技术路线，已在政务、金融等信创关键场景中实现大规模推理应用落地。其战略选择清晰：以全栈技术协同换取极致效率，以自主核心能力换取供应链安全可控。

而百度智能云，正探索一条独具特色的发展路径。在今年的百度世界大会上，百度创始人李彦宏提出AI产业需要“倒金字塔”结构，他指出：“在健康的‘倒金字塔’产业生态中，芯片厂商无论盈利多少，其上的模型层应创造10倍的价值，而基于模型开发的应用层应创造100倍的价值。”

此处笔者希望重点剖析百度智能云今年展现的独特性。

我们仍从芯片入手。在百度世界大会2025上，百度发布了新一代自研AI芯片。同时亮相的还有“天池256”与“天池512”超节点解决方案，最高支持512张芯片互联，单个512超节点即可完成万亿参数大模型的训练任务。

百度集团执行副总裁沈抖在现场强调：“发布新款芯片及超节点产品，旨在为企业提供强大且低成本的AI算力。”更为关键的是，沈抖透露：该芯片除了支持绝大多数大模型推理任务外，已基于五千卡单一集群“高性价比地成功训练出一款多模态大模型”。这充分证明，昆仑芯已非实验室样品，而是成长为百度自身AI系统的核心算力底座。

在应用层面，昆仑芯已形成规模化落地体系。今年上半年，基于昆仑芯P800的三万卡集群成功点亮并投入运营。同时，昆仑芯的应用早已超越百度内部，在互联网金融、能源、智能制造、智慧交通、教育等多个行业实现广泛部署。

回顾百度的造芯历程，其布局早有深远规划。早在2011年，百度便启动AI加速器研发项目；2017年发布昆仑芯XPU架构；2018年正式开启AI芯片产品化设计。当多数云厂商仍在争抢GPU供货时，百度已在搜索、推荐等核心业务场景中规模化应用自研芯片。始终以实际业务场景为驱动，以产业应用落地为目标，从而有效规避了脱离市场需求的盲目研发风险。

具体到模型支撑场景，百度智能云AI计算首席科学家王雁鹏介绍，昆仑芯已在海量实践中，成功支撑Qianfan 70B VL、Qianfan 30B-A3B-VL、百度蒸汽机等多个复杂模型的训练与推理，无论面对多模态模型还是MoE（混合专家）架构，均已积累成熟的落地案例。

真正将这些硬件潜力彻底释放的，是百舸AI计算平台5.0。

它不同于传统资源池仅进行任务调度，而是深入底层网络、内存管理、通信协议进行效率重构。例如，其自研HPN网络支持10万卡RDMA高速互联，端到端通信延迟压缩至4微秒；针对MoE模型专门打造X-Link协议，显著提升专家节点间通信效率。最值得称道的是：百舸平台兼容主流CUDA生态。企业无需重写大量代码，即可将现有模型平滑迁移至昆仑芯集群，实测训练效率获得显著提升。

如果说芯片与平台是坚实基础，那么让百度脱颖而出的，是其正在构建的“算力—框架—模型—应用”四层全栈闭环。从昆仑芯自研芯片，到飞桨深度学习框架、文心大模型家族，再到千帆平台及丰富应用生态。

在国内云厂商中，百度是唯一同时具备这四层全栈自研能力的企业。

这一闭环的价值，已在众多客户案例中得到验证：南方电网深圳供电局借助百度智能体技术，实现配电网智能监视、操作票自动审核等核心业务场景的智能化升级。

北京人形机器人创新中心最新发布的具身多模态大模型 Pelican-VL 1.0，采用百舸平台作为底层算力支撑，大幅提升了数据采集与模型训练效率。北京人形机器人创新中心大模型负责人鞠笑竹分享道：“正是得益于百度智能云的技术协同攻坚，我们模型的多项性能指标至今仍优于GPT-5的平均水平。”

正如李彦宏所言：“当AI能力内化为一种原生能力，智能便不再仅是成本项，而是转化为核心生产力。”如今，单纯比拼GPU卡数的时代已然终结，竞争焦点转向底层算力底座的全栈能力。

在中国市场，阿里与百度正以不同路径逼近同一共识：真正的AI云，必须具备从芯片到应用的全栈自主控制力。由此，一个新的产业分野正在形成。未来的AI云市场，或将仅存两类玩家：一类是拥有自研芯片与深度系统协同能力的，另一类则是没有的。但这不仅仅是技术路径的选择，更是一场关于战略定力与长期耐心的较量。