算力格局巨变：OpenAI百亿订单空降Cerebras，揭秘AI基建的“合纵连横”

近期，OpenAI再度传出大动作，其芯片采购名录上出现了一个令人意外的名字，而非大家熟知的英伟达或谷歌。

据业界消息，这笔规模宏大的订单已授予晶圆级芯片先锋Cerebras。双方达成的协议总金额突破100亿美元，旨在锁定最高约750兆瓦的算力容量，并计划在2026至2028年间分步实施落地。

众所周知，OpenAI的成长史深度依赖英伟达的GPU集群。然而，随着AI竞赛进入深水区，OpenAI正加速推进“算力多元化”战略，拒绝将所有筹码押注在单一供应商身上。

早在去年6月，便有消息称OpenAI尝试通过Google Cloud租赁芯片，以此支撑ChatGPT等产品的推理算力需求。

这种算力策略演变的背后，折射出美国AI产业界两大生态阵营的博弈：一方是以英伟达为核心、CUDA生态为护城河的传统GPU势力；另一方则是以谷歌自研TPU为代表、深度整合云服务的专用加速器阵营。

在大模型竞赛的起步阶段，英伟达凭借软硬一体的绝对优势成为行业唯一的灯塔。无论是训练还是推理，CUDA生态几乎是开发者的必选项。

但在过去两年，这种“单极格局”正逐渐瓦解。一方面，GPU供应紧张与成本激增令企业不堪重负；另一方面，大规模推理负载的爆发，迫使行业寻找更高能效比的替代架构。

在此背景下，谷歌的TPU生态脱颖而出。通过将底层芯片与Gemini模型、Vertex AI平台深度绑定，谷歌构建起了一套“从硬件到模型再到服务”的全栈自研体系。

而此次选中的Cerebras，则是OpenAI在传统双雄之外布下的一枚奇兵。Cerebras凭借其独特的晶圆级芯片技术，在低延迟推理和超大规模吞吐上展现出显著优势，被视为美股市场极具潜力的IPO明星。

在英伟达与谷歌的“双雄对峙”中，顶尖AI厂商正在“灵活站队”与“跨界协作”之间寻找精妙的平衡。

01 两大阵营的“竞合”艺术：底座合纵，产品连横

即便算力格局出现分化，英伟达的市场统治力依然难以撼动。IDC数据显示，截至2025年第二季度，英伟达在AI算力市场的份额依然维持在85.2%的高位。

但在瞬息万变的AI战场，盟友与对手的身份往往交织在一起。通过观察巨头的算力偏好，我们可以发现微妙的生态裂痕。

在英伟达的坚定阵营中，微软与亚马逊（AWS）始终将其最新硬件作为云端基石；与此同时，谷歌正致力于提升TPU的通用性，通过优化对PyTorch等框架的支持，试图吸引更多Meta等外部开发者，打破生态闭环。

以微软为例，Omdia估算其在2024年采购了约48.5万块英伟达Hopper GPU，规模冠绝群雄，体现了双方极深的战略互信。

2025年11月，微软斥资约97亿美元与IREN签署合同，其中包括价值58亿美元的英伟达GB300系统，旨在继续加码Azure的算力霸权。

此外，马斯克的xAI同样是英伟达的大客户，其Colossus超算已部署20万块GPU，并计划在2025年进一步扩产。

尽管英伟达地位稳固，但其高昂的软硬件锁定成本，促使越来越多的头部玩家开启“B计划”。

谷歌TPU在特定场景下的成本优势及其与云端的无缝衔接，使其成为极具吸引力的备选项。近期有消息称，Meta正评估在2027年后引入谷歌芯片的可能性，合作规模可能高达数十亿美元。

Anthropic也做出了类似选择。去年10月，Anthropic宣布深化与Google Cloud的合作，计划调用百万颗TPU芯片来训练下一代Claude模型，预计今年上线的计算能力将突破1吉瓦。

Google Cloud CEO指出，Anthropic对TPU的重度使用，有力证明了该架构在性能功耗比上的卓越表现。

当然，这种合作带有深厚的资本色彩。谷歌作为Anthropic的重要股东，已累计投资超过30亿美元，持有约14%的股份。

通过这种绑定，Anthropic获得了稳定的低成本算力保障，而谷歌也借此稳固了其云基础设施的市场份额。

然而，这种“基建联盟”并不意味着业务上的停战。正如行业观察所言，如果Anthropic利用谷歌的算力练就了超越Gemini的模型，谷歌在应用层将面临“亲手扶植竞争对手”的尴尬。

这种复杂的博弈形成了AI界的“合纵连横”：在算力底座层，为了对抗英伟达，厂商选择“合纵”结盟以控制成本；在模型应用层，各方则通过“连横”在市场上短兵相接。

02 十年宿怨：GPU与TPU的路线之争

这场算力霸权之争，其根源可以追溯到生成式AI爆发前的十年。

2006年，英伟达推出CUDA架构，将GPU从单纯的图形卡转变为通用的并行计算平台。此后，全球开发者围绕CUDA建立了庞大的软件生态，使英伟达成为AI时代的绝对标准。

CUDA的护城河不仅在于硬件性能，更在于其不可替代的软件兼容性与开发者习惯。

英特尔前掌门人帕特·基辛格曾坦言，英伟达真正的壁垒在于CUDA及NVLink等互联体系，而非单一的芯片指标。

2012年AlexNet的成功，标志着大规模神经网络与GPU并行计算的结合正式开启了深度学习时代。

然而，随着模型规模的呈几何倍数增长，通用GPU的能耗与成本弊端开始显现。谷歌敏锐地意识到，搜索、翻译等核心业务需要更高效的专用芯片。

2015年，谷歌秘密研发的TPU问世。起初，它仅服务于内部推理任务，旨在以极低的功耗处理海量请求。

2018年，TPU正式入驻Google Cloud，向外界证明了专用加速器在缩短模型训练周期、降低云端成本方面的潜力。

但在2020至2022年的生成式AI初期，英伟达凭借A100等成熟产品的稳定供应，依然是模型厂商的首选。

转折点出现在2023年。随着大模型对电力与资金的消耗达到极限，TPU的高能效比优势开始被重新审视。

在能源紧缺的大背景下，AI巨头们甚至开始跨界投资核电。此时，TPU在节省每一度电、降低每一分成本上的优势，成为了其破局的关键。

为了打破软件壁垒，谷歌近年来全力投入生态建设。据传，代号为“TorchTPU”的项目正稳步推进，旨在让TPU原生支持PyTorch，抹平与英伟达在开发环境上的差距。

从宏观视角看，TPU生态的崛起有效稀释了市场对英伟达“一家独大”的担忧。美国监管机构对英伟达的反垄断调查呼声，也侧面反映了市场对算力多样化的渴求。

对于OpenAI而言，多路径布局不仅是出于成本考虑，更是应对潜在风险的战略选择。

03 OpenAI的野心：从“跟随”到“自主”的算力布局

在创业早期，OpenAI曾动用数万块英伟达GPU训练GPT-3，双方的关系可谓唇齿相依。

即便现在，OpenAI仍计划部署规模达10吉瓦的英伟达算力系统，由数百万块GPU组成，用于支撑下一代前沿模型的运行。

但在表面的盟友关系下，OpenAI正悄然推进“算力去中心化”。

去年6月，OpenAI试水Google Cloud TPU，这标志着其首次大规模引入非英伟达硬件。分析师指出，这反映了OpenAI在推理成本压力下，对专用加速方案的迫切需求。

随后，OpenAI又与AMD达成协议，计划部署最高6吉瓦的GPU资源。而在最新的2026年规划中，Cerebras的百亿订单则成为了其“韧性组合”战略的重要补丁。

Cerebras的独特之处在于其“晶圆级”架构。WSE-3芯片面积是传统GPU的数十倍，通过将数万亿晶体管集成在同一块硅片上，彻底消除了板级通信的延迟瓶颈。在OpenAI看来，这种架构是处理特定推理负载的理想武器。

值得玩味的是，奥特曼曾以个人身份投资Cerebras，这种深层的资本纽带也为双方的合作增添了更多想象空间。

除了引入外部盟友，OpenAI还迈出了最关键的一步：自研芯片。

据悉，OpenAI已组建内部团队并联手博通，旨在开发专为自身算法优化的AI加速器。奥特曼表示，将模型设计的经验直接注入硬件，将释放出前所未有的算力潜能。

在谷歌、英伟达与其他新兴供应商之间游走，OpenAI正以一种极具前瞻性的姿态重塑供应链。

苹果选择Gemini作为Apple Intelligence的底色，这无疑加剧了OpenAI的竞争焦虑。而在基础设施层，无论阵营如何划分，OpenAI的逻辑始终如一：在底层通过“合纵”构建最强算力群，在上层通过“独走”保持模型领先。

2026年，美国AI产业的“楚河汉界”将更加分明，而在这条分界线上，关于算力的“合纵连横”才刚刚拉开大幕。