博通的算盘：携手OpenAI造芯，能否撬动英伟达？
近日，博通CEO陈福阳（Hock Tan）在财报电话会上透露，公司新增了一家AI领域“大客户”，获得其超100亿美元的AI基础设施订单，但未具名客户身份。多方消息源证实，这一神秘新客户正是OpenAI。据悉，该订单将在2026财年开始贡献营收，博通将为OpenAI定制研发AI加速芯片并提供后续硬件交付。
此举被视为OpenAI为缓解算力供给和成本压力而开启的“造船”计划，但短期内仍难撼动英伟达(Nvidia)的主导地位——决定胜负的关键不在单颗芯片性能，而是生态体系、系统级交付能力和开发者锁定等综合优势。
一、博通和 OpenAI 百亿订单背后的“算计”
OpenAI押注自研芯片，背后是其算力需求和成本飙升的巨大压力。内部预测显示，OpenAI已将2025年至2029年的累计现金消耗预期大幅上调至约1150亿美元，比之前预期高出800亿美元。作为当今全球最“烧钱”的创业公司之一，OpenAI面临前所未有的资本开支挑战。
为了控制飙升的算力开支，OpenAI计划开发自有的数据中心级AI芯片并建设配套设施，以降低对外部GPU云资源的依赖。今年7月，OpenAI深化了与Oracle的合作，规划建设4.5GW的数据中心集群；其“Stargate”项目甚至设想投资高达5000亿美元、建设10GW算力，由软银等提供资金支持。这些举措表明，OpenAI正从芯片设计到数据中心基础设施，全面布局上游供应链，以“自己造船”的方式保障未来算力供给和降低单位算力成本。
对于博通而言，与OpenAI的定制芯片合作不仅仅是笔大订单，更代表着新的战略增长曲线。博通过去凭借面向苹果等大客户的定制芯片（如无线射频组件）奠定了稳健业务，如今希望将这一模式复制到AI时代，即通过“定制硅+机柜级硬件”服务超大客户，获取高确定性的长期收入。此次与OpenAI签订的百亿美元级合作，无疑为博通打开了AI定制芯片业务的增量空间。订单一旦规模化量产，博通可在较长周期内锁定可观的现金流和毛利率，大幅提升业绩稳定性。
陈福阳就此表示，新客户带来了“立竿见影且相当可观的需求”，将使2026财年AI业务展望“显著改善”。博通股价在消息公布后大涨，反映市场对其押注AI定制芯片前景的看好。可以说，这份来自OpenAI的超级订单，对博通意义重大：一方面巩固其在AI基础设施供应链中的地位，另一方面验证了“为头部玩家打造定制算力方案”这一模式的可行性。这将成为博通继传统通信芯片、企业软件之后的第二增长引擎，为公司未来业绩提供强劲支撑。
二、AI 巨头+芯片公司的新合作模式
近年来，科技巨头与半导体公司合作开发AI芯片的模式渐成常态。其基本商业逻辑是：由客户提出需求和资金支持（包括一次性研发费用NRE） ，芯片公司负责定制ASIC/加速器的设计量产 ，并进一步提供机柜级硬件配套 （例如交换芯片、存储控制、互连网络等）来构建完整解决方案。这种模式下，芯片公司深入绑定客户需求，为其量身打造硬件，加之提供整套基础设施方案，显著提高了客户锁定度和对规格标准的影响力。对于客户而言，虽然需承担前期NRE投入，但换来的是更优的性价比和供应保障；对于供应商而言，一旦合作达成，大批量订单带来规模效应，利润率和营收的可见度也更高。
正因如此，谷歌、亚马逊、Meta等公司近年来纷纷投入自研或合作开发AI芯片，以摆脱对第三方GPU的完全依赖。OpenAI此次选择与博通联手，正是延续这一潮流：由博通提供定制“XPU”加速器（博通对定制AI芯片的称谓）并整合到整机柜系统内，专供OpenAI庞大的模型训练和推理集群使用。
需要强调的是，无论是谷歌TPU还是OpenAI定制芯片，其制造和封装仍高度依赖台积电等晶圆代工和先进封装生态。尖端AI芯片往往采用台积电5nm、3nm工艺，并使用CoWoS等2.5D封装技术将HBM高带宽存储集成，这些都不是芯片设计公司自身可以完成的。
OpenAI早在2024年就曾与台积电合作，为其首款自研芯片进行流片准备。这意味着，即便自研芯片，在产能保障上仍需与其他客户争夺代工资源。
目前英伟达已经提前锁定了台积电相当比例的先进产能和CoWoS封装能力（据报道其2025年CoWoS封装产能占有率超过70%），新进入者要获取足够产能并非易事。
不过，博通在供应链组织和客户项目执行方面久经考验。作为一家“整合型芯片巨头”， 博通擅长将大客户的定制化需求落地为硅片和系统产品，并确保按时可靠交付。这种能力源于其多年服务超大客户的经验——无论是苹果手机的无线芯片，还是云计算厂商的定制ASIC，博通一直以交付稳定著称。
陈福阳强调，与超大规模客户联合开发专用加速器是一段需要软硬件协同演进的“旅程”，需要双方多轮迭代，不断让算法与硅片深度结合优化，才能在性能上达到第三方通用芯片无法企及的高度。这种端到端的合作模式并非一般芯片设计初创公司所能承接，反而是博通此类有丰富产品线和供应链掌控力的公司之独特强项。
从资本市场和行业格局看，大客户定制芯片浪潮对AI芯片产业的影响是结构性的而非颠覆性的。博通拿下百亿美元订单，意味着其AI定制硅业务在未来几年收入高增确定性强，这已反映在乐观的财测指引中。一些分析师预计2026年博通定制AI芯片业务增速将远超英伟达同期芯片业务增速。
然而，需要注意的是，这类定制芯片通常“只服务于单一客户内部”，并不参与开放市场竞争，也不直接输出到更广泛的生态中。因此，对整个行业竞争格局的撼动相对有限。以谷歌TPU为例，虽然性能出色，但主要部署在谷歌自家数据中心（或Google Cloud供客户使用），并未取代英伟达GPU在行业内的通用地位。
OpenAI的芯片也是类似——只在OpenAI/微软内部使用，不会出售给其他公司。这意味着英伟达面对的外部客户需求并不会因为OpenAI自研芯片而急剧减少，充其量是少了一个直接采购GPU的大户。但考虑到OpenAI背后微软Azure仍会采购大量英伟达GPU提供云服务，以及其他成千上万的AI初创公司和企业客户仍以英伟达为首选，加上OpenAI芯片本身性能和适配情况未知，短期内行业版图不会因为这一单合作而改写。
概言之，巨头自研芯片更多是为自身降本增效，并非马上颠覆供应格局 。英伟达在GPU市场的复合优势，仍使其成为大多数AI落地场景的首选方案。
三、英伟达为何难以被打败
表面看来，AI芯片之争是算力峰值的比拼，然而更深层次的护城河来自软硬件生态的厚度 以及系统级交付能力 。英伟达之所以难以被撼动，正是因为其构建了一个从芯片到软件、从单机到集群的闭环生态体系 ，远非一两代“更快芯片”所能替代。这其中，英伟达掌控的几个整个产业的以下几个关键节点：
1.软硬件栈与开发者锁定 ：英伟达经过多年投入，打造了CUDA为核心的完整软件栈。包括深度学习框架配套的cuDNN库、加速计算的TensorRT推理优化器、企业版的NVIDIA AI Enterprise套件、提供分布式训练推理的Triton推理服务器，以及底层的NVCC编译器和驱动支持等。
这套体系几乎无缝衔接了从模型框架到GPU指令的各层级，使开发者可以方便地在英伟达GPU上开发、优化和部署AI模型。长期下来，CUDA已成为AI研发的工业标准，大部分AI模型的训练代码、工具链都深度绑定于此。
“站在巨人的肩膀上”使得新模型的开发变得高效而可靠，但代价是开发者被牢牢锁定在英伟达生态内。若要迁移到其他芯片架构，往往需要重写底层代码或等待相应兼容层的成熟，成本高昂且风险巨大。
正因如此，新晋AI芯片想撬动这一局面，除非在性能或效率上提升一个数量级（2-10倍） ，否则很难令用户放弃成熟工具链而投入额外成本适配。换言之，英伟达的软件生态本身已成为强大的护城河 ，竞争对手不仅要造出硬件，还得补齐整个软硬件协同体系。
这也是OpenAI自研芯片仅供内部使用的局限所在：它并不会自动诞生出一个类似CUDA的公共生态，无法吸引外部社区共同完善工具链和应用适配，难以形成正反馈的网络效应。
2.整机柜交付与系统整合 ：在硬件层面，英伟达同样建立了系统级解决方案 的壁垒。如今顶级AI集群的部署，远非采购芯片那么简单，而是需要考虑通信带宽、存储IO、供电散热、集群管理等诸多因素。英伟达通过推出预集成的整机柜产品（如DGX SuperPOD、MGX模块化服务器，以及最新发布的GB200 NVL72整柜方案等），将液冷散热、NVLink/NVSwitch高速互连、InfiniBand网络、供配电和集群管理软硬件打包为“即插即用”的一体化解决方案。
最新的NVIDIA GB200 NVL72架构中，一个机柜内集成了36颗Grace CPU和72颗Blackwell GPU，形成72-GPU的NVLink高速域，相当于一台单架柜的“准Exa级”超级计算机。该方案采用全液冷设计，提供130TB/s的GPU间通信带宽，将过去需要多个机架级别的算力浓缩到一个机柜，大幅降低部署复杂度。
类似的整柜产品还内置了电源分配、控制管理和优化的固件，使客户收到后无需自行调试组装，即可像交付一面“算力之墙”那样快速上线使用。这样的系统交付能力是英伟达“软硬一体”战略的重要组成部分：它既确保了芯片性能在系统层面的充分发挥，又让客户省去了自行集成的麻烦，进一步巩固了供应商锁定。
相比之下，博通等竞争者虽在某些组件上有优势（如以太网交换芯片、NIC网卡等），但要提供类似“交钥匙”的AI超级计算整机柜仍有不小差距。多数定制芯片客户最终还需自行或借助ODM厂商完成系统集成，这无形中增加了采用非标准芯片的难度和时间成本。
3.既有装机量与生态飞轮 ：最后，不容忽视的是英伟达已经累积的庞大装机存量和产业生态飞轮 效应。截至目前，全球各大云服务商、研究机构和企业部署的AI GPU节点数以百万计，其中绝大部分是英伟达A100、H100系列GPU。
这些现有算力形成了一个巨大的生态土壤：上百万训练过的模型、无数优化调优的高性能库、遍布学术和工业界的人才技能储备，都围绕英伟达平台而建立。这意味着每一份新增算力需求，自然会倾向于选择与现有环境兼容的方案，以无缝利用已有成果并避免“从头再来”。大型模型团队在Nvidia架构上积累的最佳实践经验，使得他们在扩容时边际成本最低的选择仍是追加更多GPU 。
反之，若改用全新架构，不仅前期成果难以复用，人才也需要重新培养，风险与成本都难以接受。因此，英伟达在AI领域已形成正反馈循环 ：装机越多→生态越完善→新增应用更愿意采用→进一步扩大装机。新玩家想打破这一循环，需要的不仅是性能超越，更要提供迁移路径、生态支持等全套方案，否则很容易陷入“性能很好却无人用”的困境。
OpenAI自研芯片由于仅内部使用、生态封闭 ，其影响力被锁定在OpenAI自身，对整个行业的生态格局几乎不产生外溢效应。这更加凸显了这样一个方法论判断：在AI算力之争中，孤立的硬件性能并非决定性因素，生态体系的总和才是真正的胜负手 。
四、对于英伟达的影响
在中短期（1-3年）内，英伟达凭借“芯片+系统+生态”的复合垄断优势，地位依然稳固难撼。OpenAI携手博通造芯的动作，更多是着眼于其自身长期算力保障和成本优化，对英伟达当前商业版图的冲击相当有限。
首先，时间维度上，OpenAI定制芯片最快要到2026年才能大规模供货，在此之前OpenAI仍然需要依赖英伟达GPU支撑业务运营（据报道OpenAI目前仍是英伟达主要客户之一）。即便2026年后OpenAI部分工作负载转移到自研芯片，英伟达届时很可能已推出更新一代的GPU（如Rubin架构）以及更完善的软件优化，继续保持性能领先。其次，体量维度上，OpenAI一家削减对英伟达采购，并不足以撼动英伟达盘踞的80-90% AI加速器市场份额 。
目前云计算四巨头（谷歌、亚马逊、微软、Meta）尽管各自都有自研AI芯片计划，但据统计它们依然贡献了英伟达相当比例的收入。例如谷歌开发TPU同时，每年仍采购大量英伟达GPU以满足多样化的AI任务需求；微软即便投资OpenAI芯片，旗下Azure云和内部产品也离不开英伟达GPU的支撑。
再者，OpenAI芯片的用途局限 也决定了其对英伟达的替代效应有限——据传这款芯片主要用于AI推理加速（即模型部署阶段），而在大模型训练这一高端市场，英伟达H100/GH200等GPU依旧是首选。而英伟达近年来在软硬件协同上发力，使其GPU不仅在训练，在推理性能和能效上也快速提升（如H100 NVL专门针对大模型推理进行了优化）。因此OpenAI新芯片能否在性能或成本上明显胜出，还有待观察。
综合来看，OpenAI押注自研芯片更大的意义在战略层面——为长远的算力自主权和成本控制埋下伏笔，而非立即改变市场格局。英伟达短期内坐拥全面优势：一方面数据中心GPU业务增长强劲（2025年Q3英伟达数据中心营收同比大增112%，达308亿美元），手握订单饱满；另一方面其生态护城河使客户粘性空前提高，新方案很难迅速撬走存量客户。
在可以预见的1-3年内，英伟达的地位更像是“AI算力界的主机厂”，从芯片到整机全盘输出，形成事实标准。正如行业评论所言：“硬件创新远不足以挑战英伟达，新进入者必须构建完整的软件生态才能让用户无缝过渡”。
目前看，无论OpenAI-博通，还是谷歌、亚马逊的芯片计划，短期都无法提供这样的横向通用生态。因此英伟达的领先优势在未来数年仍将持续。或许真正的竞局变化，要到这些定制芯片迭代数代、并在更广泛社区站稳脚跟之后。然而在此之前，英伟达凭借其系统级交付能力和开发者牢靠锁定，依然是AI算力领域当之无愧的王者。OpenAI造“芯”航船已经扬帆，但英伟达这艘航空母舰凭借深厚的生态底蕴，暂时依旧稳航在前。