原文链接： https://www.yjnt111.top/article/58

引言：AI芯片竞赛驶入“推理”快车道

2023年以来，生成式AI爆发式走红，其背后算力引擎——AI芯片也随之成为资本市场的新宠。英伟达凭借GPU一家独大，股价飙升，市值突破4万亿美元，令投资者瞠目。然而，训练只是AI战役的上半场，如何高效地推理 （即模型部署和服务）正成为决胜下半场的关键。面对铺天盖地的AI应用需求，从巨头到初创公司，无不瞄准“推理加速”这一新风口，于是围绕推理芯片 展开了一场激烈的内战。

所谓“推理芯片内战”，一方面有传统GPU巨头升级迭代，试图捍卫霸主地位；另一方面，云服务巨头不甘受制于人，自研芯片降低成本；同时，一批新创公司以内存计算、模拟计算 等新架构杀入战场，剑指更高能效比。在这场混战中，既有资本的狂热追捧，也有技术路径的大胆赌局。

风口还是泡沫？机遇抑或陷阱？

本文就选取2025年最受瞩目的七款AI芯片逐一深度分析，试图探究这场推理芯片大战中的“黄金分割点”——即性能、成本与前景的最佳平衡点究竟在哪里。

Nvidia Blackwell Ultra (GB300 NVL72)：AI工厂时代的推理巨擘

市场热度：要问今年AI芯片领域谁最吸睛，非Nvidia新一代Blackwell架构莫属，而其中的佼佼者就是Blackwell Ultra GPU 及其组合平台GB300 NVL72。作为英伟达GTC 2025大会的重磅发布，Blackwell Ultra被官方定位为“为AI推理性能而生”，引发行业高度关注。在ChatGPT掀起的AI热潮下，英伟达已几乎成了“AI=英伟达”的代名词，新品尚未上市就被市场寄予厚望。不仅投资者狂热，供应链厂商更是争抢订单：据报道，富士康等代工巨头已将GB300服务器生产列为头号任务，甚至优先于苹果新iPhone的生产！多家服务器厂商（广达、纬创、超微等）也紧急备产，准备迎接客户对这一最强AI算力平台的需求。如此排场，足见Blackwell Ultra的市场热度之高——既有真实需求支撑，也不乏资本和媒体的造势，可谓风口中的风口 。

技术定位：Blackwell Ultra瞄准的是大规模AI推理 。与以往主要强调训练性能不同，英伟达这次把“推理”摆到了舞台中央，宣称进入“AI推理工厂”时代。GB300 NVL72平台集成了72颗Blackwell Ultra GPU和36颗Arm Grace CPU，采用全液冷机架级设计，专为大模型推理的“测试时扩展”优化。简单说，它就是一个针对超大规模推理负载打造的整柜超级计算机 。无论是聊天机器人、搜索增强还是复杂多模态推理，只要是需要海量并发和低延迟的AI服务，这个平台都是量身定做的刚需设备。可以预见，面向云端AI推理的数据中心，Blackwell Ultra将是标配“重武器”。当然，凭借强悍通用算力，它也完全可用于训练任务，只是英伟达有意将其与训练用的H100等产品区隔开，强调Blackwell Ultra在推理场景的优势。

核心优势：作为英伟达下一代旗舰GPU，Blackwell Ultra集诸多尖端技术于一身，可谓“武装到牙齿”。首先是制程和架构升级 ：虽然官方未明确指出，但业界推测Blackwell采用台积电最先进的3nm工艺，加上英伟达新一代GPU架构改进，带来显著性能和能效提升。它还引入了面向推理优化的FP4数据格式 和全新的“Nvidia Dynamo”推理加速技术，使得4比特精度下的推理性能猛增。英伟达称Blackwell Ultra的FP4推理吞吐比上一代提升了50%。其次，存储与带宽 大幅增强：每颗Blackwell Ultra GPU配备高达288 GB的HBM3e显存，比前代增加50%容量。整个平台合计拥有20 TB高速显存和40 TB系统内存。NVLink互连带宽高达130 TB/s，网络带宽14.4 TB/s，确保数十颗GPU协同工作时数据交流畅通无阻。再次，性能与效率 的飞跃：官方数据显示，相较上一代Hopper平台，同等功耗下GB300 NVL72平台对大型推理模型的整体输出能力提升了50倍。其中响应速度提高10倍，吞吐效率提高5倍——意味着过去需要90秒生成100个Token的任务，现在10秒即可完成。如此夸张的增幅，背后不仅是算力提升，更在于架构优化（例如针对Transformer的2倍注意力加速 、更大的显存满足长上下文模型等）。生态软件 也是英伟达的隐形优势：完善的CUDA、TensorRT以及庞大的开发者社区，保证Blackwell Ultra一经推出，用户就能方便地利用其威力，这是竞争对手难以短期匹敌的软实力。

客户状态：目前GB300 NVL72尚处于推出前夕，预计2025年下半年开始出货并大规模铺开。然而，从产业链迹象看，市场需求旺盛且下游蓄势待发 。富士康、广达等厂商已在试产和验证GB300服务器，计划9月起批量交付。有消息称部分AI公司甚至推迟采购现有H100集群，宁愿等GB300到来再上马训练任务。云服务商更是虎视眈眈：亚马逊AWS、谷歌GCP、微软Azure、甲骨文OCI都在合作伙伴名单上，准备将Blackwell Ultra用于其AI基础设施。甲骨文透露其Nvidia GB200（Blackwell前代）超级集群已部署131,072颗GPU，如今Blackwell Ultra版超算也在路上。可以想见，一旦GB300上市，凭借极高算力和节能优势，大型AI工厂和云平台将迅速导入。英伟达甚至预计，基于Blackwell Ultra的解决方案可将数据中心的AI业务收入潜力提高50倍——这暗示客户若部署该平台，可能解锁前所未有的AI服务规模和营收机会。

AMD Instinct MI355X：背水一战的挑战者

市场热度：在AI加速芯片领域，AMD一直扮演追赶者角色。然而2025年，随着Instinct MI300系列的新成员MI350X/MI355X 发布，AMD试图在这场大战中打出一张差异化王牌。6月的“Advancing AI 2025”活动上，AMD高调宣布MI355X等新GPU，加之随后甲骨文OCI宣称将部署多达131,072颗MI355X组成AI集群的重磅消息，一时间AMD也登上了AI圈头条。甲骨文表示引入MI355X可实现较前代AMD GPU2倍以上的性价比提升 ，并将构建“Zettascale”（十万级GPU规模）的AI超级计算集群。可以说，虽然AMD在AI领域声量不及英伟达，但凭借大客户背书和自身宣传攻势，MI355X还是制造了不小的热度。不过，其中既有真实需求驱动（比如云厂商不想被Nvidia一家绑定的强烈意愿），也需要警惕部分营销夸大的成分。总的来看，MI355X已成为AI芯片板块中备受期待的“挑战者” ，市场关注度显著提升。

技术定位：MI355X属于AMD Instinct MI300系列，面向数据中心的训练和推理 通用加速。和Nvidia的Blackwell Ultra类似，MI355X主打大规模AI模型训练、推理以及高性能计算（HPC）三大场景。AMD强调该系列为生成式AI和HPC设定了新标准，既能满足大模型训练的吞吐需求，也能高效执行推理和科学计算。尤其值得注意的是，AMD这次非常强调大模型推理性能 ，声称相较上一代MI300X有35倍之巨的提升。这意味着AMD深知未来AI算力增长更多来自推理侧，而非仅训练。换言之，MI355X定位上直指与英伟达顶级GPU在训练/推理两个维度全面竞争 。对于需要巨量算力但又寻求第二供应来源的客户（如超大规模云服务商、科研机构），MI355X提供了一个除英伟达外的高性能选择，可谓刚需中的备胎。AMD还推出了功耗稍低、风冷友好的MI350X，与MI355X液冷高功耗版形成高低搭配。总的来说，MI355X的定位就是剑指最顶级AI加速应用 ，试图在英伟达称霸的领地抢下一席之地。

核心优势：AMD深知要撼动英伟达，必须拿出几把硬核武器。MI355X相较前代和竞品，优势概括为“大、快、开放”三个关键词：首先存储更大 。MI355X配备了288 GB HBM3e显存，比自家上一代MI325X的256 GB提高了约13%，比英伟达最新Blackwell GPU（代号B200）高出60%之多。换言之，单颗MI355X即可容纳约5200亿参数模型 ，而竞争对手需要切分到多颗GPU上。这对超大模型推理尤其有利，模型无需过多拆分，可减少通信开销。显存带宽方面，MI355X达到8.0 TB/s，与Nvidia同级别产品相当。其次算力更快 。得益于升级的CDNA 4架构和先进3nm工艺，MI355X在低精度AI计算上火力全开：峰值FP6/FP4性能高达20 PFLOPS（每秒千万亿次计算），支持FP4和FP6 新数据类型，比前代提升4倍之多。AMD宣称，在6-bit浮点性能上，MI355X比Nvidia Grace Hopper (GB200)快2倍以上；4-bit性能则与GB200相当且比纯GPU版B200快10%。此外，8-bit和16-bit推理性能，MI355X均与GB200持平并略胜B200约10%。而在需要高精度的FP64算力上，MI355X达79 TFLOPS，足足是Nvidia竞品的两倍——这对HPC数值模拟等很有价值。综合来看，MI355X在大模型推理吞吐上号称业内最高 ，对某些模型的单位成本性能领先Nvidia约20~30%。例如，AMD披露其在DeepSeek R1推理模型上比B200快20%，在4050亿参数的Llama 3.1模型上快30%。即使对比Nvidia最强的Grace Hopper方案，MI355X在Llama 3.1上也能打成平手。这些数据表明，AMD已经基本追至Nvidia在大模型推理上的性能水平，并在部分指标上略有超车。最后生态更开放 。AMD采用开源的ROCm软件栈，支持主流AI框架迁移，相比Nvidia封闭的CUDA有一定开放优势（尽管生态成熟度仍逊色）。同时AMD通过Chiplet小芯片设计，实现CPU/GPU融合（MI300A融合CPU，用于超算）以及可灵活配置不同功耗版本（MI350X/MI355X），体现出架构的模块化和开放性。这些都是AMD差异化竞争的亮点。

客户状态：MI355X在发布时即宣布当月开始提供样品 ，下半年会陆续部署于客户环境。目前看，旗舰客户甲骨文动作最大 ：其最初计划部署30,000颗MI355X，如今扩大到131,072颗的终极规模。甲骨文声称将成为首个提供MI355X超级集群的超大云厂。这既是对AMD的背书，也包含其自身降低成本、摆脱对Nvidia依赖的战略考量。此外，Oracle还将MI355X用于自家Zettascale平台，强调价格性能优势达2倍以上。除了OCI，云厂商Vultr宣布Q3开始提供MI355X云服务，用于客户AI训练/推理，加速其全球AI基础设施扩展。可以说，AMD已拿下若干重量级订单 ，当前正处于从验证到放量的过渡期。今年下半年起，随着供应到位，这些合作有望转化为实际部署量产。另一方面，行业对AMD软件生态仍有担忧——很多AI软件对CUDA优化充分，而ROCm适配程度不足，客户迁移存在门槛。这或许会影响MI355X的大规模应用速度。短期内，MI355X更多将由少数有迫切需求的大玩家 采用（如甲骨文、部分二线云厂），以验证其性能/成本优势。如果这些早期案例成功，AMD有望在2025年进一步撬开更多市场份额，其股价和估值也可能获得基本面支撑；反之若进展不顺，市场热情可能降温。总的来说，目前迹象偏正面：MI355X作为挑战者，已经站稳脚跟，接下来要看能否在商业上实现持续放量，兑现“性价比之王”的承诺。

Amazon Trainium2：云巨头的性价比突围

市场热度：与直接销售芯片的厂商不同，亚马逊自研AI芯片更多是为降低AWS云服务自身成本。因此Trainium2 虽然性能亮眼，但公开市场热度不如前两者。然而，在行业内尤其云计算圈子里，Trainium2绝对称得上焦点之一：AWS于2024年底宣布了第二代Trainium，并在2025年初正式推向商用，声称相比同时代GPU云实例可提供30%~40%的价格性能提升。这个幅度对烧钱的AI训练来说极具吸引力，引发众多AI初创公司和企业客户兴趣。不仅如此，AWS还紧随其后宣布研制Trainium3，预计2025年底问世——相当于一年一更的节奏，展示出高度战略投入。可以说，亚马逊正借Trainium系列在云端AI算力市场上演一场“性价比突围” 。尽管媒体话题性上，Trainium2远不及英伟达GPU那样吸睛，但懂行的人都明白其意义：若AWS能凭此持续压低AI算力成本，将对整个行业格局产生深远影响。

技术定位：如名字所示，Trainium2主要定位于深度学习模型的训练加速 （Training），同时兼顾推理。AWS提供的EC2 Trn2实例即基于Trainium2芯片，号称是专为大模型（数百亿到上万亿参数）的训练和部署 打造的云实例。换言之，Trainium2直接锁定了当前最火热的LLM、扩散模型等大型模型的训练需求。AWS也明确拿它对标英伟达H100等GPU实例，希望客户把原本在GPU上的训练任务搬到Trainium集群上，以获得更优的性价比。此外，Trainium2还被用于推理 服务，例如AWS自己推出了Trn2 UltraServer用于低延迟推理场景。这说明Trainium2虽然名为“训练”，但实则是训练+推理通吃的云端AI加速器 。它的典型用户包括：对成本敏感的大模型开发者、需要大规模分布式训练的科研/企业，以及追求极致性能的AWS自营服务（如Alexa、Amazon内部模型等）。总的来说，Trainium2解决的是超大算力需求与云成本高企之间的矛盾，属于云服务商的刚需战略武器 ——既满足自身AI布局，又绑定客户在AWS生态内，战略意义重大。

核心优势：Trainium2的优势可以总结为“集群巨兽，降本利器” 。首先在集群规模和算力 上，AWS做到了GPU难以企及的地步：一个EC2 Trn2实例包含16颗Trainium2芯片，总计提供20.8 PFLOPS的FP8计算能力，拥有1.5 TB HBM3内存和46 TB/s内存带宽。这单机已相当强悍。但AWS更进一步，引入专有高速互联NeuronLink，将4台Trn2实例（共64颗芯片）组成Trn2 UltraServer 。UltraServer节点的规格惊人：83.2 PFLOPS FP8算力，6 TB高带宽内存，185 TB/s内存带宽 ，以及12.8 Tbps的内部网络带宽。这等于把一组GPU服务器通过NVLink紧耦合在一起，但Trainium2的实现更加扩展，内存和算力规模都翻了四倍。进一步，AWS宣称其EFAv3高速网络可将数万颗Trainium2连接成EC2 UltraCluster ，提供每秒数千Tb的网络吞吐，实现真正大规模分布式训练。这些指标显示，Trainium2并非单兵作战，而是强调规模效应 ：让AI集群像堆积木般横向扩展，同时保持高带宽和低延迟。这对训练超大模型至关重要。其次，性价比与能效 优势明显。由于完全针对深度学习优化，Trainium2在8-bit浮点运算上效率极高——每颗芯片集成8个NeuronCore-v3计算单元，共达近1300 TFLOPS FP8算力，较一代Trainium提升6.7倍。每芯片还带有96 GB HBM内存和2.9 TB/s带宽，分别是前代的3倍和3.6倍。更优化的设计带来能效提升，据AWS称Trainium2能效较第一代提升3倍。最终体现在用户关心的指标上，就是30-40%的成本性能比提升 （相较最新GPU实例）。对于烧钱的AI训练，这意味着用同样预算可以训练更大模型或训练更快。值得一提的是，AWS还非常注重软硬件协同 ：其Neuron SDK已深度集成PyTorch、JAX等主流框架，支持HuggingFace、PyTorch Lightning等库的优化，并开放XLA编译接口。这使得开发者迁移工作相对简单，不需要手写大量底层代码就能发挥Trainium2性能。AWS这种端到端打包 的能力（芯片-系统-网络-软件一体化）是它的独特优势。

客户状态：Trainium2目前已经在AWS云上正式提供服务 。AWS于2024年底开始预览Trn2实例，2025年上半年面向一般客户开放了若干区域可用。许多对成本敏感的AI初创公司，以及内部算力需求巨大的团队，已开始尝试使用Trn2训练模型。一些早期用户报告Trn2实例在大模型训练中表现稳定，并实现了显著成本节省，这进一步增强了市场信心（这里引用AWS官方说法，因保密未公开具体用户案例）。AWS自己也将Trn2应用于旗下服务。例如，有迹象显示Alexa团队已用Trainium2微调语音模型，以降低对GPU的依赖。可以说，Trainium2正低调但坚定地推进商业落地 。当然，相比GPU生态，它在广泛应用上仍需要时间培养用户习惯。一些客户在迁移时遇到模型精度或调优问题，也需要AWS提供更多支持。此外，Trainium2当前仅供AWS云使用，外部无法购买，这限制了它的市场影响范畴。不过对投资者而言，它的意义体现在AWS云业务的竞争力提升：通过Trainium2，AWS在AI基础设施上拥有了差异化卖点，有助于吸引预算拮据的AI客户，并压制主要竞争对手（Azure、GCP）的优势。换句话说，Trainium2成功与否，将折射在AWS的市占和盈利能力上 。目前迹象是积极的——AWS愿意快速迭代下一代，就说明Trainium2达到了预期效果，开源节流见到了甜头。因此，我们认为2025年Trainium2会进一步扩大部署规模，成为AWS对抗GPU垄断的有力砝码。这一自研芯片战略若持续奏效，也会影响投资人对亚马逊云业务估值的看法：自有AI芯片意味着更高利润率和自主性，这可能为亚马逊股价提供潜在支撑（尽管相比广告、电商等故事，它的影响更隐性）。

Google TPU v7 (Ironwood)：闭门造车的推理怪兽

市场热度：谷歌的TPU（Tensor Processing Unit）系列一直是AI芯片界的传奇。不过由于TPU主要服务谷歌自身和其云客户，未对外销售，因此关注度更多局限在业内。今年4月，谷歌在Cloud Next 2025大会上发布了第七代TPU——代号Ironwood 的TPU v7。这款芯片被谷歌称为“推理时代 ”的产物，是首个专为大规模AI推理打造的TPU版本。Ironwood发布后，技术社区一片惊叹，但大众媒体相对反应平淡，毕竟它不像GPU那样商品化。然而在AI硬件圈，Ironwood引起的震动不亚于一场小型地震：其性能指标之恐怖（后文详述）甚至有人惊呼谷歌已“悄悄造出了足以秒杀英伟达的怪物”，只不过谷歌不打算对外卖而已。一些业内人士指出，如果谷歌愿意将TPU业务拆分独立，可能瞬间成为Nvidia最可怕的竞争对手。但目前谷歌选择将Ironwood作为内部优势，不公开对垒Nvidia。这种策略让Ironwood略显“养在深闺人未识”的意味。总体而言，Ironwood的市场热度是内热外冷 ：工程师们热议其技术壮举，但投资市场上因为缺乏直接投资标的和商业兑现路径，并未形成炒作。然而，它的战略意义和象征意义极高——标志着谷歌在AI算力自给自足上更进一层楼，也提醒大家Nvidia的统治并非高枕无忧。

技术定位：Ironwood TPU v7聚焦于超大规模AI推理 ，特别是谷歌所谓“推理型AI代理”的未来需求。谷歌高管称，AI正从响应式模型走向主动式推理模型 （Proactive AI Agents），需要更强大的推理算力。Ironwood正是为此设计，让AI代理能够检索、推理、生成数据，即时提供洞见。这实际上对应大模型在线服务（如Bard、搜索增强）以及复杂任务型AI（如多模型协作、MoE专家混合模型等）。因此，Ironwood并非用于谷歌初创时期那类简单推理，而是面向推理最前沿、最高难度的场景 。从配置看，谷歌提供256颗芯片 和9216颗芯片 两种Ironwood集群方案，明显是满足不同规模的部署。9216颗的大型集群被谷歌称为“超级计算架构AI Hypercomputer”的核心，可提供惊人的算力（下述），主要供谷歌云和DeepMind内部使用。256颗的小型集群则可能开放给一些云客户或研究机构，通过Google Cloud TPU服务来使用。总的来说，Ironwood定位就是谷歌自家AI云的杀手锏 ：把AI推理的最高性能掌握在自己手中，支撑起像Gemini 2.5这样的下一代大模型运行。对于谷歌而言，这是不可或缺的底层支撑（毕竟其Search、Ads、新版助手等都将大量调用推理）。对于行业而言，Ironwood证明了ASIC加速器在推理端也能做到极致规模 ，不一定非用GPU不可。

核心优势：Ironwood TPU v7集合了谷歌多年来在AI加速器上的技术积累，其规格一举把前代产品甩开几条街。用谷歌云CEO Kurian的话说：“Ironwood是我们迄今最大最强的TPU，比上一代高性能TPU提升超过10倍”。具体来说，Ironwood的每颗芯片 峰值算力高达4,614 TFLOPS（即4.614 PFLOPS）的FP8性能。这一数字非常夸张——相当于一颗TPU v7的8-bit算力顶上近3块Nvidia H100 （H100大约1.5 PF8）！更恐怖的是集群规模 ：9216颗Ironwood组成的Pod集群，峰值可达42.5 EFLOPS （艾字节浮点运算）。注意这个“42.5 Exaflops”是以FP8计，相比之下目前世界最快超算El Capitan（主要FP64性能）约2 EFLOPS。即便不直接可比，也足见Ironwood集群算力之巨大，谷歌声称单个Ironwood Pod相当于24个El Capitan 。再看内存与带宽 ：每颗Ironwood集成192 GB高带宽内存（HBM） ，是上一代v6 Trillium的6倍容量。HBM带宽高达7.37 TB/s，比前代提升4.5倍。整个9216集群的总内存容量逼近1.77 PB级别，能够加载和推理超长上下文、超大参数的模型而游刃有余。芯片间通信方面，Ironwood采用谷歌自研的第五代ICI互连 （Inter-Chip Interconnect），单芯片双向带宽达1.2 TB/s，较前代提高50%。这意味着数千芯片协同时仍能高效同步，不会像一般分布式集群那样受网络成为瓶颈。除却硬件指标，Ironwood还引入一个专门面向推理的新单元：SparseCore 稀疏加速器。它可高效处理超大规模Embedding稀疏矩阵运算，针对推荐系统、图神经网络等应用提供额外加速。这扩展了TPU的适用领域，不再局限于dense矩阵乘法。能效方面 ，Ironwood相较v6功耗效率提升2倍，每瓦特可执行29.3万亿次浮点运算。这一能效指标（约29.3 TOPS/W，推测FP8下）远超市面GPU的水平，体现出ASIC方案在特定优化下的卓越效率。最后，谷歌还强调Ironwood沿用了AI自动芯片设计的结晶：DeepMind的AlphaChip技术通过强化学习为TPU生成了“超人水平”的芯片布局。这据称已经用于最近三代TPU的设计，让电路性能和密度得到额外提升。总而言之，Ironwood TPU v7在算力、内存、通信、效率各方面都达到了前所未有的高度 ，完全是为谷歌当前和未来数年的AI野心量身打造的“推理怪兽”。

客户状态：Ironwood目前主要服务于谷歌自身及其云客户。根据谷歌公告，部分Ironwood已部署在Google Cloud的AI基础设施中，为内部模型（如DeepMind的Gemini 2.5、AlphaFold升级版等）提供算力支撑。谷歌云计划向客户提供256芯片或9216芯片规模的Ironwood集群租用服务，这将赋予GCP在AI云算力上的独特卖点。目前推测，大规模Ironwood Pod已在谷歌数据中心上线，谷歌内部产品如Bard聊天、搜索AI回答等，也可能已部分切换到Ironwood上运行以降低推理时延和成本。有趣的是，谷歌在发布Ironwood时语带锋芒地表示“我们能更低成本地服务AI，因为我们垂直整合了芯片”，并不认为这会立刻冲击英伟达，但长期而言这是谷歌的竞争护城河。对于一般开发者，如果想使用Ironwood算力，需要通过Google Cloud TPU预约获得。目前因供给有限，只有部分大客户和研究机构获得了试用机会，谷歌尚未全面开放Ironwood供随选。换句话说，Ironwood虽性能彪悍，但对外仍披着一层神秘面纱：谷歌牢牢控制其使用门槛，并没有大规模对市场释放。这也是策略使然，毕竟谷歌芯片的目的不是卖硬件盈利，而是增强自家AI服务竞争力。因此，从商业化程度看，Ironwood与其他芯片有所不同——它不直接产生芯片销售收入，而是通过更低的AI算力成本间接提升谷歌盈利能力。对于投资者而言，这种影响是隐含的，但很重要：在AI时代，谷歌凭借自研TPU在基础设施上的成本优势，能否转化为业务优势？如果能，那么谷歌的估值中或许应包含这部分护城河的价值。当然，目前云客户仍大多习惯于GPU，谷歌需要证明Ironwood集群能提供不输乃至优于GPU 的易用性和稳定性。若这一步跨过，谷歌云有机会借助TPU在AI计算市场后来居上。这场仗还在进行中，但至少2025年的Ironwood展示了谷歌技术硬实力依然雄厚 ，并没有在算力赛道掉队。

d-Matrix Corsair：内存即计算，搅局推理的新秀

市场热度：在众多AI芯片初创公司中，美国硅谷的d-Matrix备受瞩目。2024年11月，d-Matrix发布了名为Corsair 的首款AI加速卡，号称是“全球最高效的数据中心AI推理平台”。更引人注意的是，d-Matrix早在发布前就获得了微软的青睐：其B轮融资由微软风险投资部门领投，总筹资超过1.6亿美元，投资方还包括知名机构淡马锡等。微软之所以站台，正是看中了Corsair在大模型推理上的潜力——据悉OpenAI每生成100字词可能就要烧掉几美分的GPU成本，推理开销巨大，微软希望找到更高效的解决方案。d-Matrix敏锐切中这一痛点，以“内存即计算”（Digital In-Memory Compute）的创新架构，实现重量级承诺：针对70亿参数的Llama模型，Corsair推理性能比Nvidia H100快10倍，性价比高3倍，能效高3倍（以8-bit精度计）。如此豪横的宣称自然引发圈内热议，一度被称为“要做AI推理界的颠覆者”。然而，也有理性声音指出d-Matrix方案与传统GPU截然不同，软硬件生态需要重头建立，不可能一夜颠覆Nvidia。在Reddit等论坛就有人提醒：“Corsair并非GPU插卡替代品，需要全新软件配合”。可见，市场对d-Matrix是 热切期盼与保留怀疑并存。无论如何，d-Matrix作为startup新秀，能在Nvidia、AMD夹击的领域拼出一条路，已经相当不易。

技术定位：Corsair加速卡专注于数据中心的大模型推理 ，尤其是像GPT这类需要高并发、低延迟的场景。与通用GPU不同，Corsair完全舍弃了训练所需的高精度计算 （不支持FP32/FP16等），转而专项优化低精度推理。它采用PCIe加速卡形式，可以插入标准服务器，与CPU协同处理推理任务。由于架构独特，Corsair需要配套的软件栈（d-Matrix提供自研编译和运行时）将神经网络模型转换为其支持的格式和算子。目前Corsair支持OCP提出的块浮点（Block Floating Point）数格式，具体为MXINT4、MXINT8、MXINT16几种，特点是在一批数据中共享指数以减少计算量。这与GPU传统的FP8/16有所不同，但精度接近FP16而效率更高，是为推理量身定制的数据格式。Corsair的典型应用就是部署已经训练好的大模型，例如不同规模的Llama、GPT模型等，将其权重以块浮点格式加载到Corsair上，由Corsair负责前向推理计算。一句话，Corsair的定位就是做AI推理的“终极算力底座”：谁有大模型要服务海量请求，就买Corsair卡组一个推理集群，比用GPU更省电、更省钱。当然，由于Corsair无法自行训练模型，客户仍需用GPU或TPU等完成模型训练，再将模型交给Corsair推理。因此Corsair并不是要取代训练芯片，而是切入推理环节瓜分蛋糕。考虑到推理在AI算力消耗中占比会越来越高，Corsair瞄准的其实是一块更大的潜在市场蛋糕。从刚需角度看，那些被高昂推理成本所困扰的AI服务提供商，对于Corsair确实充满兴趣 ——如果它真如宣称那样有效，没人会拒绝降低90%的推理时延和成本。d-Matrix显然深谙此道，直接把竞品瞄准Nvidia H100，希望在推理侧复制当年GPU对CPU那样的大翻盘。

核心优势：Corsair的核心优势来自其“数字近存计算”架构，将算术逻辑单元直接嵌入存储阵列，实现数据“算在内、存即算”。具体来说，每个Corsair卡上包含两个主要ASIC芯片 ，通过PCIe互联协作。每个ASIC由四个小chiplet通过高速互连组成，内部集成大量DIMC核心 （Digital In-Memory Compute Core），以及必要的RISC-V控制单元和IO单元。DIMC核心把乘法器直接置于存储单元旁边，使得进行乘累加时无需将数据搬来搬去，在存储阵列内即可完成计算。这极大降低了访存开销和延迟，从而换取数量级提升的内部带宽 。d-Matrix披露，Corsair芯片上实现了150 TB/s 量级的片上内存带宽——相比之下，即便HBM3显存也只有几TB/s带宽级别。可见Corsair架构实现了对HBM的“降维打击”，数据流在片上几乎畅通无阻。这样的设计配合低精度运算，使Corsair在单位功耗和单位时间内执行的推理计算远超传统架构。同时Corsair具备超大内存容量 ：每个ASIC板载1GB高速SRAM，两ASIC合计2GB SRAM；此外每ASIC还连接有128 GB LPDDR5内存用于扩展存储，两芯片合计256 GB LPDDR5 ，带宽400 GB/s。虽然LPDDR带宽较HBM慢一个量级，但胜在容量巨大且功耗较低。这种设计允许Corsair卡采取两种模式：高速模式 下模型权重全部放入2GB SRAM中（需模型够小，例如8亿参数级），获得最高性能；大模型模式 下则将大部分权重放入256GB LPDDR中，只有活跃部分缓存到SRAM，尽管会牺牲些速度，但可支持体量极大的模型。根据实测，一块Corsair卡在MXINT8精度下可容纳两个Llama3-70B模型权重 （即两个700亿参数模型）！这意味着像70B这样的业界主流大模型，一个Corsair卡就能完全装下并运行推理。相比之下，GPU通常80GB显存，跑70B模型需要模型并行拆分到多卡且反复通信。可见Corsair在大模型单卡承载力 上碾压传统方案。此外Corsair的计算性能 也针对低精度做了极端优化：每卡含2个Corsair芯片，总共可执行9.6 PFLOPS的INT4运算，2.4 PFLOPS INT8和600 TFLOPS INT16运算。虽然这些是定制格式的等效算力，但量级上已非常可观。正是凭借上述架构红利，Corsair在推理70B模型时才能远超H100 GPU组合——H100受制于显存只能分成多个卡推理，效率损失大，而Corsair一块卡就搞定，效率与能效双高。这种“以特定低精度换通用高精度”的取舍，让Corsair抓住了大模型推理容忍低精度的特点，以大幅缩减计算量换取倍增的性能和成本优势。当然，其优势能否兑现取决于模型算法能否良好适配MX格式。但总体来看，d-Matrix的设计思路是非常有力的，在推理领域开辟了和GPU截然不同的路径。

客户状态：目前Corsair处于小规模试用验证阶段 。官方信息称，Corsair已提供给早期客户测试，并将在2025年第二季度开始广泛供货。考虑到产品形态，d-Matrix很可能与一些云厂或互联网公司合作试点部署，例如微软Azure据传就有测试Corsair用于部分对话模型的推理，以评估节省效果（微软投资d-Matrix本就是为了这目标）。此外，d-Matrix还与硬件厂商合作打造解决方案：例如GigaIO公司推出了一款支持数十张Corsair卡在单节点内扩展的SuperNODE平台。这表明Corsair生态正在建立，服务器厂商开始适配其硬件。尽管如此，我们距离看到Corsair大规模商用可能尚有时日。但在那之前，Corsair仍需踏实走好验证、优化、量产的过程。从投资角度看，d-Matrix目前为非上市公司，普通投资者无法直接参与。但它的表现值得密切关注：如果其技术路线成功，将预示AI推理市场可能走向多元化 ，英伟达的一统天下将被打破。这对整个半导体行业格局都会产生影响。当前，d-Matrix已经站上AI芯片话题榜，有真材实料也有一份“网红”成分。接下来关键看2025年下半年能否传出明确的客户落地案例 ，那将是真正的试金石。

EnCharge EN100：模拟计算，边缘AI的一股清流

市场热度：提到AI芯片的创新路线，不得不说模拟计算（Analog Compute） 。长期以来，学术界一直设想用模拟电路直接进行乘加运算可大幅提高能效，但产业化步伐缓慢。2025年，一家名为EnCharge AI的创业公司让这一思路照进现实：他们推出了全球首款基于高精度可扩展模拟计算 的AI加速芯片EN100 。EnCharge虽然名气不如d-Matrix响，但背后亦实力不凡——它由普林斯顿大学团队创立，2022年成立，至今已累计融资超1.44亿美元，其中2025年2月完成B轮1亿美元，由老虎环球等知名机构领投。显然，资本市场对模拟AI芯片抱有相当期待。这是因为模拟计算理论上 有望实现数量级的能效提升，非常契合AI在边缘设备落地的需求。然而一直以来，模拟技术面临精度不高、一致性差的难关，很多玩家（如Mythic等）最终折戟。EnCharge号称其架构在“精确模拟计算”方面取得突破，能够达到可用的准确度，同时保持超高能效。这引起业内人士广泛兴趣。不少半导体媒体报道EnCharge时，用了“破纪录的效率”“AI芯片领域新范式”等颇高评价。当然，也有人持谨慎态度，认为模拟计算离商业成熟还有距离。但至少EnCharge用真芯片打消了一些疑虑：EN100已实际点亮并演示，成为模拟AI算力走向实用的里程碑。因此，可以说EN100代表了一股与众不同的“清流” ：在大家都拼命堆数字电路算力时，它另辟蹊径，在能效上狂飙突进。这种差异化也令其获得不小关注度。特别是在笔记本、物联网这些低功耗场景，EN100的出现称得上给行业注入了一剂强心针。

技术定位：EN100定位于从终端到边缘 广泛场景的AI加速，是一款面向设备侧的推理芯片。它提供两种形态：M.2模块 用于笔记本电脑、嵌入式设备，PCIe插卡 用于工作站和本地边缘服务器。也就是说，EN100不是去跟数据中心的大GPU竞赛，而是要把AI能力下沉，让普通终端也能本地跑复杂模型。例如，装有EN100 M.2卡的笔记本，有望在8瓦左右功耗下达到200 TOPS算力。EnCharge称这相当于“GPU级算力，但功耗和成本只是零头”。因此EN100的出现，有点类似2000年代GPU普及之于PC游戏——现在是给PC和边缘设备插上一块“AI加速卡”。其应用前景非常广阔，包括个人设备私有AI助手、本地隐私保护AI计算、边缘安防监控中的实时识别、工业现场的AI检测等等。尤其在当前数据隐私和延迟要求越来越高的背景下， “AI本地化”是个大趋势。EN100可算踩在这个点上，提供了一种可行硬件方案。可以说，它满足的是未来 千千万万普通设备的AI推理刚需，潜力甚至比几个大数据中心的订单更为庞大。当然，这也要看EnCharge能否顺利将EN100推向市场并被OEM接受。至少目前，它为业界打开了一扇窗——Analog AI不再只是Paper，而是真芯片ready to use。这在投资者眼里，也是很值得关注的突破方向。

核心优势：EN100的杀手锏在于极致能效与充裕内存 。模拟计算的魅力在于可以利用电路元件的模拟特性直接完成乘累加，从而大幅降低每次计算的能耗 。EnCharge虽未公布其核心机理细节，但结果上看相当惊艳：据DCD报道，EN100相较主流数字方案，实现了最高20倍的每瓦性能提升 。例如，在某些AI工作负载下，EN100 M.2模块功耗8.25W即可达到200 TOPS算力；换算下来是24 TOPS/W。而传统数字AI芯片如Nvidia Jetson Orin NX约50W跑100 TOPS，不足2 TOPS/W，EN100能效高出近10倍。如果对比CPU甚至GPU离线运算，那就更悬殊。可见，EN100在能效上的领先不是一点点，而是一个数量级 以上。这种优势对于移动设备、电池供电设备而言价值巨大，因为算力不再被功耗牢牢束缚。其次，EN100提供超大容量的片上内存 ：每片芯片可挂接最高128 GB的LPDDR内存，带宽272 Gbps。虽然272 Gbps（约34 GB/s）听起来不算高，但考虑EN100面向边缘，这带宽已经够用，而且128 GB内存容量 远超目前任何SoC或边缘芯片。意味着EN100可以加载极为复杂的模型，比如数十亿参数模型，直接在本地推理，而不用频繁读写外部存储。举例来说，一个60亿参数的LLM模型量化后大约几十GB，完全可放入EN100内存中运行。如果用普通手机SoC的NPU（通常内存不足、算力也不足）是无论如何做不到的。高能效+大内存 的组合，让EN100在边缘设备上具备独一无二的价值：能以较低功耗处理超大模型推理。这为实现如本地大语言模型助手这样的需求提供了硬件可能。当然，EN100采用模拟存内计算架构 ，背后有不少创新：例如EnCharge提到他们结合了模拟计算和内存计算两种技术，以攻克传统数字方案的计算和存储瓶颈。此外，他们强调使用标准CMOS工艺制造，没有用稀有材料，从而易于量产扩展。这些都表明EnCharge在技术上做了大量工作，将模拟的不确定性等问题解决在芯片架构和算法层。例如所谓“精确、可扩展”模拟，可能通过校准、冗余和数字修正等手段实现了接近数字电路的精度。有了这些保证，EN100才能真正落地，否则单有能效没精度也不行。

客户状态：当前EN100已推出工程样片，并启动了早期访问计划 ，提供给开发者和OEM试用。据报道，EnCharge已经与一些合作伙伴洽谈，包括笔记本和工业PC厂商，希望将EN100嵌入下一代产品。目前尚未公开具体客户名单。但考虑到联想、戴尔等PC巨头都在关注AI PC概念，不排除其中有厂商正在评估EN100 M.2方案。如果试用顺利，我们有可能在2025年底或2026年的笔记本高端机型中见到搭载EN100的“AI加速模块”。同样，针对工业边缘的PCIe加速卡版EN100，也可能被公司用于本地AI推理服务器，替代功耗更高的GPU。EnCharge自己强调，EN100可以让先进、安全、个性化的AI在本地运行，无需云端 。这正是许多企业和个人的痛点需求所在。因此EN100一旦稳定量产，潜在客户面非常广泛。当然，现实中也存在挑战：模拟芯片往往需要精心校准，能否保持一致性、良品率如何等，都需要进一步观察。EnCharge称其架构已在多代流片中验证，有信心规模化生产。融资的注入也会加速其商业化。目前可以说EN100正处于从实验室走向市场的关键跨越 。乐观估计的话，2025年下半年会出现基于EN100的小批量商用产品面世，那将验证市场反馈。如果顺利，EnCharge很可能引领一波模拟AI芯片热潮，甚至成为独角兽；若表现不佳，也可能重蹈前人覆辙。但不论如何，EN100让世界看到了数字之外的另一种可能性。对于国内产业而言，也有一些团队在研究存内/模拟AI计算（如清华学者的相关论文成果）。EnCharge的实践经验无疑值得借鉴。如果国内能在类似技术上取得突破，说不定在追赶GPU无望的背景下，实现某种“弯道超车”。因此，我们特别关注EN100项目进展。资本市场上，目前EnCharge未上市，但其背后大股东之一三星也在密切合作，或许未来存在被大厂并购的可能。如果真那样，也是一种成功退出路径。综上，EN100既有高技术风险又蕴藏高回报潜力，是投资者眼中 典型的硬科技赌注。在AI算力需求无处不在的未来，如果EN100这样的产品成熟起来，我们或将迎来“AI本地化”时代的春天。

SiMa.ai MLSoC Modalix：边缘多模AI的新势力

市场热度：SiMa.ai是一家硅谷创业公司，专注嵌入式边缘AI 解决方案。它的名气虽不如前几位，但在其细分领域却颇有建树：早在2022年SiMa.ai就推出了第一代Machine Learning SoC（MLSoC）芯片，用于高能效的边缘视觉处理，号称性能功耗领先同侪。进入生成式AI时代，SiMa.ai顺势而上。在2025年3月，该公司发布了新一代产品MLSoC Modalix ，并与模块厂商Enclustra合作推出基于Modalix的系统级模块（SoM）。Modalix瞄准的是多模态边缘AI 应用，特别是将大模型（如语言模型）和传统CV模型结合起来，在低功耗设备上实现复杂AI任务。SiMa.ai宣称Modalix芯片比当前主流边缘AI方案有10倍以上的每瓦性能优势 ，可以在同等功耗下跑更大的模型或更多路AI任务。这一卖点吸引了不少眼球：因为此前边缘AI大多聚焦图像识别等单一任务，很难运行语言模型之类的数据密集型应用。如果Modalix真能打破这限制，那将打开边缘AI的新天地。SiMa.ai在融资方面也很亮眼，截至2025年已累计融资约3.3亿美元，投资方包括Dell资本、Fidelity、Maverick等知名机构。可见资本市场认可其技术和市场前景。近期还有消息称，思科与SiMa.ai达成合作，将结合Modalix和思科工业交换机方案，提供实时工业边缘AI解决方案。这些都表明，SiMa.ai正逐步从幕后走向台前 ，成为边缘AI芯片新势力中不可忽视的一员。

技术定位：Modalix芯片是一款多功能AI SoC ，旨在低功耗场合实现多模态AI推理 。不同于只包含加速器的芯片，Modalix集成了8核Arm Cortex-A65应用处理器 、专用ML加速器 、ISP图像信号处理 、视频编解码 以及各种I/O接口。可以看作是一个完备的小型系统，既能跑操作系统和常规程序，又能高效执行AI推理任务。因此Modalix并非只针对某单一任务，而是希望在如机器人、无人机、安防摄像头、车载终端等边缘节点 上，一颗芯片包揽感知、决策、控制等多重AI工作负载。这和过去边缘设备需CPU+GPU/NPU+DSP多芯片组合形成鲜明对比——Modalix试图All-in-One 。SiMa.ai的产品路线历来强调“软件先行”，提供易用的开发环境，使传统不用AI的嵌入式开发者也能上手MLSoC。因此Modalix芯片定位是嵌入式AI计算的通用平台 。特别针对当下兴起的边缘生成式AI需求（如本地运行小型语言模型、边缘执行语音对话等），Modalix希望成为首批能胜任此类任务的低功耗芯片之一。从刚需角度看，随着工业4.0、智能安防和自动驾驶等领域发展，边缘侧对实时AI处理的需求暴增，而云端处理受限于时延、带宽甚至隐私因素，本地AI 势在必行。Modalix正是为此而生，可说踩在了趋势上。SiMa.ai甚至喊出口号要做“边缘的黄金标准”（Edge AI at scale）。虽然这个野心是否实现尚需时间，但Modalix瞄准的市场确实广阔且日益重要。

核心优势：Modalix MLSoC的优势可以从性能功耗比、模块化兼容 两方面来看。首先，性能功耗比 ：据SiMa.ai实测，Modalix在多种多模态AI应用下，每瓦性能比当前最佳方案高出10倍以上。以具体数字来说，Modalix芯片本身提供50 TOPS 算力，典型功耗估计在几瓦级（官方未公布但根据上一代推测在5200 TOPS，Modalix可能10W就50 TOPS，综合考虑效率高许多。当然具体任务不同效果不一，但SiMa.ai有信心给出10倍这个平均领先幅度，可见Modalix架构在低功耗优化上做得很不错。其次，Modalix支持多芯片集群 ：两芯片组成100 TOPS节点，四芯片达200 TOPS ，并可做成PCIe加速卡形式提供给更高性能需求的边缘服务器。这让Modalix具备一定扩展性，不局限于单颗使用。例如工业场景需要更多算力时，可插两张4芯片卡到一台边缘机器里，获得400 TOPS性能，比肩小型数据中心服务器，但功耗和成本低很多。再次，Modalix强调了生态兼容 ：通过与Enclustra合作，其推出的SoM模块号称能“无缝集成进当前主流GPU SoM提供商的系统”。这里虽未指名道姓，但几乎可以断定指的是Nvidia Jetson模块生态。Enclustra提供的Modalix SoM据称针脚和尺寸与Jetson AGX系列相容，让已有采用Jetson的硬件设计可以平滑更换为Modalix模块。这招相当聪明，因为边缘设备开发者对硬件改动很慎重，如果Modalix模块能即插即用替代Nvidia的而获得更高能效，自然容易被接受。同时，Modalix的软件栈兼容主流的TensorFlow Lite、ONNX等模型格式，迁移成本低。集成度高 也是Modalix卖点之一：嵌入式系统需要的不只是算力，还有各种传感处理。Modalix内建ISP和视频编解码，可以直接接相机传感器，输出处理后的视频流给ML加速器做分析，再由CPU统筹。这种紧密耦合避免了多芯片之间的数据搬运，提高效率、降低延迟。在一个安防摄像头里，可能过去需要Arm SoC+独立NPU+FPGA，现在一颗Modalix全搞定，功耗还更低。最后提一下软件易用性 ：SiMa.ai的SDK以拖拽式图形界面著称，让不懂AI的工程师也能部署模型。据用户反馈，一些经典CV模型迁移到SiMa.ai MLSoC上非常快捷。这种软硬结合 的优势，使Modalix不光硬件强，还易于应用落地。

客户状态：Modalix芯片已于2025年1月开始提供工程样片给客户测试。SiMa.ai也开启了早期访问计划，让客户注册获取Modalix SoM样品。目前，官方提到的合作伙伴包括Enclustra（硬件模块商）和思科（应用合作）等。特别思科的参与表明Modalix已进入工业物联网/边缘 的重要应用场景，有望随思科方案一起推向市场。再考虑投资方Dell资本，Modalix可能也在同Dell嵌入式部门或Edge计算产品线对接。这些迹象都表明Modalix距离实际产品化很近了。SiMa.ai本身没有大规模制造线，预计会通过代工和合作伙伴生产SoM模块出售。按照计划，2025年内Modalix将实现小批量量产并嵌入客户产品 。如果一切顺利，明年我们或许能看到某些工业视觉设备、无人机控制器、甚至商用机器人里出现Modalix的身影。SiMa.ai此前产品已有一些成功案例（如国防领域边缘AI项目），这次Modalix瞄准更大众市场，希望复制成功。目前客户对Modalix的反响据称积极，一些测试者验证其性能功耗确实达标，多模态处理效果好。当然也存在挑战：边缘市场碎片化严重，Modalix要攻克各行业客户需要资源；另外Nvidia、Intel等亦不甘示弱（如Nvidia将推更强的Jetson下一代）。SiMa.ai能否跑在大玩家前面守住优势，要看执行能力。就投资看，SiMa.ai融资充足，且有退出可能（不少人猜测Dell或思科终将收购之，将Modalix收入自家产品线）。所以SiMa.ai目前虽未IPO，但已属估值不低的明星初创公司。如果Modalix顺利商用并业绩亮眼，其投资回报将非常可观，反之若不达预期，也可能后续融资遇冷甚至被边缘化。因此今年对Modalix来说是关键一年。总的来说，我们对Modalix持审慎乐观态度：技术和市场契合度高，团队务实有前代成功经验，若无意外很可能成为边缘AI芯片领域的一支新锐劲旅 。

割据混战中的黄金分割点在哪里？

综上所述，2025年的AI芯片战场呈现出群雄逐鹿的格局：有英伟达 这样的绝对王者凭借Blackwell Ultra继续冲锋陷阵，也有AMD 携MI355X奋起直追、围魏救赵；有亚马逊、谷歌 这样财力雄厚的巨头另辟蹊径，自给自足打造专用芯片；还有d-Matrix、EnCharge、SiMa.ai 等初生牛犊，用全新架构在特定细分领域向传统算力发难。这场“推理芯片内战”可谓热火朝天，精彩纷呈。对于投资者和产业观察者来说，我们更关心的或许是：谁能笑到最后？当前的估值与前景是否匹配基本面？中国本土厂商有没有机会后来居上？在此我们尝试给出几点判断。

首先，从估值与基本面支撑 角度：

Nvidia依然稳坐钓鱼台，但未来预期已高 。英伟达凭借GPU在AI算力市场一家独大，短期基本面相当强劲——H100持续供不应求，Blackwell Ultra订单在手，营收和利润有望继续爆发式增长。因此目前其高企的估值（几十倍PS，万亿市值）在短期由真实业绩支撑尚可。然而，市场对其增长预期已非常饱满，可以说美好前景都price-in了。一旦后续有任何风吹草动，比如竞争加剧 （AMD蚕食份额，云厂自研减少采购）或需求不及预期 （AI投入热潮降温），股价都可能剧烈波动。

AMD潜力与不确定性并存 。AMD的股价相对低于Nvidia很多，其AI故事在资本市场刚刚起步。MI300系列若真能打开局面，哪怕只拿下10-20%的高端加速卡市场，对于AMD营收和利润都是显著增益，可能带来戴维斯双击的机会。从目前看，AMD已经在超算和部分云厂站稳了，而且强调性价比路线，这符合大客户降本需求。但同时，AMD面临的挑战也不少：软件生态短板依旧、供应链和产能可能不如对手、以及Nvidia可能的价格战和产品快速迭代反击。因此，AMD胜出的概率和幅度还很不确定 。

Amazon、Google等巨头借AI降本增效，利好长远竞争力 。亚马逊和谷歌自研芯片不直接对营收做贡献（不会对外销售芯片），但间接提升利润率 和业务护城河。以AWS为例，Trainium2让其云AI算力成本更低，能以更具竞争力的价格争夺客户，同时提高自有服务的盈利能力。这种内部收益难以量化，但长远看有助于AWS市占率和利润率双升，对亚马逊整体价值是正面。

AI芯片初创公司：高风险高回报的赌注 。d-Matrix、EnCharge、SiMa.ai等公司的估值目前主要在私募和风投层面，尚未公众交易。但它们的存在提醒我们，AI硬件创新并非止步于GPU。对于风险投资者来说，这些初创公司如果成功，其估值增长可能是数倍甚至数十倍的；而失败则血本无归。目前看，三家公司里d-Matrix呼声最高，微软加持、产品接近落地，一旦拿下实单极可能冲击IPO或被大厂高价收购。从CRN等报道看，业界认可其技术潜力，只等验证兑现。如果d-Matrix证明可行，那Nvidia的股价恐怕都要受到冲击，因为意味着推理市场利润池被撬开。此外，EnCharge和SiMa.ai则相对专注在新兴市场：前者瞄准终端设备，后者主攻边缘多模态。它们若成功，会开启各自领域的新市场，想象空间也很大，但相对不直接威胁Nvidia的基本盘。对于普通投资者来说，无法直接投资未上市的初创公司，但可以通过关注大公司的生态反应 来间接参与：例如，观察Nvidia、AMD未来产品路线有没有吸纳这些新技术（如Nvidia也在TensorCore里引入块浮点、或发布模拟计算方案等）。又比如，留意收购动态 ：不排除Nvidia或Intel为了消除威胁，出手并购这些初创公司的可能性。一旦发生，将影响相关上市公司股价。因此，这些初创公司是半导体行业创新的风向标，它们的成败值得密切跟踪。

再看国产能否替代 方面：

老实说，就目前态势，国产芯片想在短期内替代上述顶尖AI芯片，难度极大。无论Nvidia Blackwell还是AMD MI300，都是在台积电最先进工艺上打造的怪兽芯片，而国内因制裁原因无法直接获取3nm/5nm 制造产能，只能退而求其次。此外，芯片只是问题一半，另一半是软件生态 。Nvidia靠CUDA壁垒经营十几年，国内厂商如寒武纪、壁仞等在生态上起步较晚，短期难以形成完整配套。因此，基本判断：高端AI芯片国产化替代在2025年基本无法实现 。具体来说，大模型训练所需的算力，目前国内可能连A100级别都未完全达到，更别说追赶H100/Blackwell这代了。当然，在某些特定领域 ，国产替代或可部分实现。例如，边缘侧华为昇腾310等AI芯片在国内应用较广，能满足不少嵌入式AI推理需求，但它不能与Blackwell这类超高端芯片同日而语，只是在低端避免了进口依赖。还有一些国内创业公司探索低精度计算 、存内计算 ，思路类似d-Matrix或EnCharge，希望以不同路径突围。如果这些路线取得突破，倒有可能绕开制程封锁实现优势。但这些仍处于研发或小规模试验阶段，离商用还有距离。总的说来，在2025这个时点，中国AI芯片整体水平落后国际最先进一至两代 ，想完全替代不现实。不过，并非没有一线生机：正如上文分析的d-Matrix、EnCharge等思路，其实国内也有人在研究。中国拥有庞大本土AI应用市场，这既是挑战也是机遇。如果能够聚焦推理等落地场景，用差异化创新 来切入，也许能找到立足点。比如国内某些模拟计算项目、光计算项目，若能避开最尖端工艺限制，做出有实用价值的产品，就可能实现在局部领域的弯道超车。但这毕竟是少数，短期主战场上，国产难以对抗Nvidia们。综合判断，在可预见的1-2年内，国产AI芯片无法实质性替代进口顶尖产品在大模型训练和推理上的地位，更多会扮演补充角色。但我们也不应气馁，而要鼓励国内在新路径上探索 ，因为唯有形成自有知识产权的独特技术，才有可能绕过封锁建立优势。

最后回答“还能不能投？ ”。AI芯片领域波诡云谲，但机会与风险并存。对于不同投资者，策略应有区别：

偏保守的投资者 ，可以关注巨头中受益于AI趋势且估值尚合理者 。

激进进取的投资者 ，可适当关注AI芯片新秀和相关标的 。直接投资未上市初创公司不易，但可以挖掘其背后利益相关的上市公司。如果相信这些初创公司会成功，不妨看看其产业链伙伴，有时大公司一个小动作（比如Cisco收购SiMa.ai）就能带来投资机会。再者，FPGA厂商 可能受益于新架构兴起，因为很多初创验证阶段用FPGA，加上FPGA能在推理领域发挥弹性优势。像Xilinx已被AMD收购融入产品阵列，Intel的Altera FPGA也可能在推理市场有一席之地。这些都是间接受益的方向。当然，激进投资最大的赌注莫过于直接投初创公司的股权，这需要专业VC/PE渠道，不在本文讨论范围。但其高风险高回报属性需强调：成功者凤毛麟角，大部分初创芯片公司其实都难逃失败或平庸命运。投资者若非深度懂行，不宜盲目all in某条技术路线。

中国投资者 ，在当前环境下更需冷静客观。AI芯片虽然炙手可热，但不要被概念炒作迷惑 。A股市场时常蹭热点，一听“国产GPU成功流片”“某某算力服务器发布”就哄抬股价。然而真实落地和商业回报有天壤之别。务必要看清公司在产业链的位置和壁垒。如果只是买了别人的芯片回来组个板卡，那并没有核心竞争力，风口一过可能跌回原形。中国有一些值得关注的公司在AI加速领域深耕（比如寒武纪、景嘉微、燧原、壁仞等等），但短期业绩压力大，竞争也激烈，并且面对国外巨头狙击和制裁，前路崎岖。投资这类公司需要很强的风险承受能力和长线眼光，不排除其中将来跑出“国产Nvidia”，但中途淘汰也会很多。相对来说，可以多留意国内在特殊赛道的创新 ，如有团队做出了d-Matrix类似的存内计算芯片或EnCharge类似的模拟芯片，如果数据亮眼，那可能是一鸣惊人的黑马（因为走差异化才有胜算）。另外，国内资本大可以通过参与跨境并购 等方式布局：未来不排除一些海外初创的技术中国可以引进或合作。如果监管环境允许，这可能是快速提升国内算力能力的途径。当然，目前地缘政治复杂，这类投资要谨慎评估政策风险。

综上，判断2025年的AI推理芯片领域，没有单一绝对的“黄金分割点”赢家 。我们相信，推理芯片内战远未结束 ，未来几年鹿死谁手尚未可知。不过可以确定的是，AI算力需求只增不减，这场竞赛将长期进行下去，各方都会有机会书写各自的传奇。至于2025年，会不会成为回望历史时的拐点年份——在这一年，AI硬件格局由一家独大开始走向多极争霸——还有待时间检验。对于我们投资者，需要做的就是保持冷静与敏锐，既不盲从炒作也不错失良机，在喧嚣中找准属于自己的“黄金分割点”。

投资如棋局，对手疯狂你当冷静，对手犹豫你要果敢。在这AI芯片鏖战之际，也是同样的道理。让我们拭目以待，下一个胜出者将从何处崛起，王冠花落谁家。也许几年后回头看，今天的竞争正孕育着明日的王者，而我们所坚持的理性判断，终将带来丰厚的回报。