OpenAI多路径布局算力：从英伟达到谷歌TPU，再到自研芯片

近期，OpenAI再度传出采购芯片的消息，但这次的合作对象并非英伟达或谷歌，而是选择了晶圆级芯片公司Cerebras。

据悉，此次合作协议的金额超过100亿美元，将分阶段在2026—2028年间实施，对应的算力容量最高可达750兆瓦。

长期以来，OpenAI的核心训练体系一直建立在英伟达GPU之上。然而，近年来，OpenAI开始尝试将算力资源分散到多个供应商手中。

去年6月，有报道称OpenAI计划通过Google Cloud租用芯片，为包括ChatGPT在内的产品提供部分推理算力。这一变化反映了美国AI产业两大阵营的相互作用：一边是英伟达为核心的GPU生态，另一边是谷歌的TPU（谷歌自研的AI专用加速芯片）生态。

在AI大模型爆发初期，英伟达几乎是算力的唯一中心。然而，过去两年中，GPU供给紧张、价格高企，超大模型推理负载激增，这促使行业对专用加速器与替代架构的需求增加。

在这一背景下，谷歌的TPU路线逐渐成型。通过与Gemini、Vertex AI等项目的深度绑定，谷歌建立起从芯片到模型、云服务的完整供给体系。

而Cerebras则是OpenAI在两大阵营之外的一个选择。它主打晶圆级芯片技术路线，强调低延迟推理与特定负载的吞吐优势。这家公司也被视为美股潜在的IPO标的。

在英伟达和谷歌两大阵营的“楚河汉界”之间，头部AI企业不断在“站队”与“合作”间徘徊。

两大基座阵营：既要“合纵”也要“连横”

尽管在AI算力版图出现了“两大阵营”分化的现象，但过去一年里，英伟达仍是市场的绝对主力。IDC在2025年二季度的统计显示，英伟达在AI算力厂商份额占比约85.2%。

然而，在AI产业中，“盟友”与“敌人”的界限并不清晰。从头部企业的生态偏好中，可以窥见一些端倪。例如，微软和AWS持续将英伟达新品作为云端算力主力；谷歌则通过改进对PyTorch等主流框架的支持，降低外部使用门槛。

微软在2024年采购了约48.5万块英伟达Hopper系列GPU，几乎是竞争对手的两倍。这显示出微软在AI基建领域与英伟达的紧密关系。

微软与数据中心运营商IREN签署了一份约97亿美元的合同，其中包括约58亿美元的英伟达GB300芯片与相关设备，用于扩展Azure的AI计算能力。

不止云厂商，大模型企业也是英伟达的基本盘。马斯克曾表示xAI的Colossus超算在2025年已部署约20万块英伟达GPU。

尽管英伟达的GPU体系市场份额高达八成以上，但其高成本与软件生态锁定也让一些用户开始寻求新的供应链渠道。

另一方面，谷歌TPU在某些推理与训练场景上拥有更低成本的优势。Meta正在评估在2027年后引入谷歌自研芯片的可能性，这将使TPU成为英伟达之外的一个重要替代样本。

算力层面，“合纵连横”成为AI基建格局中的关键逻辑。面对英伟达的长期主导，谷歌以TPU、云服务和资本关系拉起稳定合作网络。而模型公司也借此获得更可控的算力与成本。

GPU与TPU之争：源自“前AI时代”

生成式AI成为全球焦点之前，英伟达已提前布局算力生态。

CUDA的发布使GPU成为可通用编程的并行计算平台。随后，PyTorch、TensorFlow等主流框架围绕CUDA构建，GPU成为AI训练与推理的事实标准底座。

CUDA的价值在于打造了独家软件生态这一壁垒。

英特尔前CEO帕特·基辛格曾表示，英伟达真正的护城河在于软件和互连体系。

这一体系优势在2012年迎来爆发点，多伦多大学的团队利用两块英伟达GPU在ImageNet挑战赛上训练出AlexNet并夺冠。

然而，深度学习浪潮对算力效率和能耗提出新要求。谷歌意识到依赖通用GPU存在成本高且功耗大的问题。

从2015年起，谷歌开始研发TPU。目标是支撑搜索、翻译和广告等核心业务中的深度学习模型。

TPU的转折点出现在算力需求持续放大之后。随着大模型推理负载激增、电力与成本压力上升，TPU因单位能耗和价格性能比的优势开始受到行业重视。

OpenAI的“摇摆”和“押注”

在大模型爆发期，OpenAI与英伟达的算力体系紧密捆绑。公开信息显示，GPT-3时代曾动用约3,600台HGXA100服务器、近3万块英伟达GPU进行训练。

然而，随着模型规模与推理负载急剧上升，新的算力供给路径迫在眉睫。

去年6月，有报道称OpenAI开始通过Google Cloud租用TPU。OpenAI发言人表示仅处于早期测试阶段。

与此同时，OpenAI也在探索自研算力芯片。去年宣布与AMD签署协议，未来几年将部署最高6吉瓦的AMD GPU资源。

“合纵连横”的戏码仍将继续上演

在基础设施层，英伟达与谷歌分别构筑起两套稳定运转的算力基座。对模型公司而言，算力是必须“合纵”的底座；而产品与模型竞争才是真正的战场。