當 Google 說「我們一顆 NVIDIA 的 GPU 都沒用」—— AI 芯片戰爭的真相

AI 芯片戰爭

2025 年 11 月 18 日，Google 發布了 Gemini 3。

這本來只是又一個 AI 模型發布的新聞，但一句話讓整個科技圈炸了鍋：「訓練這個史上最強的 AI 模型，我們一顆 NVIDIA 的 GPU 都沒有用。」

等等，什麼？

你懂的，在 AI 這個圈子裡，NVIDIA 就像是那個壟斷了整條街的黑道老大。想練 AI 模型？交保護費。想開數據中心？交保護費。想跑推理服務？還是交保護費。幾乎所有你聽過的 AI 公司，從 OpenAI 到 Meta，都得乖乖排隊買老黃的顯卡。

但 Google 居然說，他們繞過去了。

更誇張的是，Gemini 3 一發布就直接登頂 LMArena 排行榜，把 Elon Musk 的 Grok 4.1 Thinking 擠了下去。如果這不是在吹牛，那 NVIDIA 的護城河是不是沒有想像中那麼深？

這個問題困擾了我好幾天。我花了大量時間研究這背後的技術和商業邏輯，今天想跟你好好聊聊這場 AI 芯片戰爭的真相。

廚房裡的戰爭

GPU vs TPU 架構比喻

要理解 Google TPU 和 NVIDIA GPU 的差異，最好的方法是想像兩間完全不同的廚房。

想像一下 NVIDIA 的 GPU 是一間塞滿了上千個大廚的超級廚房。這些大廚什麼都會，能做法餐、能烤牛排、能炒中菜。聽起來很厲害對吧？但這間廚房有個致命的問題。

每次做菜，所有大廚都要同時完成一個奇怪的流程：聽到指令，幾千人同時衝向冰箱拿食材，跑回案板切一刀，然後再跑回去把食材放回冰箱。要切第二刀？再跑一趟。

聽起來是不是特別蠢？

但這就是 GPU 並行運算的實際運作方式。那些大廚大部分時間其實不是在切菜，而是在廚房裡折返跑。結果就是累得滿頭大汗，風扇呼呼轉，電表瘋狂跳，但真正切菜的時間可能只有那麼一小會。

這在專業術語裡叫做「記憶體帶寬瓶頸」。GPU 雖然運算能力強大，但數據需要不斷在處理器和記憶體之間搬來搬去，這個搬運過程消耗了大量的時間和能源。

現在來看 Google 的 TPU。

TPU 用的是一種叫做「脈動陣列」的架構。說得白話一點，就是把那間全能大廚房改成了一條極度高效的流水線。

在這條流水線上，大廚們排成一排。第一個大廚切一刀，不用跑回冰箱，直接把食材遞給旁邊的第二個大廚。第二個大廚再切一刀，遞給第三個。數據就像血液一樣在這條流水線上流動，一步接一步地被處理，中間完全不需要回到記憶體。

這叫做「數據複用」。

Google 的工程師在設計 TPU 時做了一個很聰明的取捨：他們放棄了 GPU 的通用性，專門針對 AI 訓練最核心的運算——矩陣乘法——進行優化。TPU 不會渲染畫面，不能打遊戲，但做矩陣運算的效率，比 GPU 高出一個級別。

根據公開數據，新一代 TPU 的能效比同等級 GPU 高出 2 到 3 倍。這意味著什麼？當你把幾萬甚至幾十萬顆芯片連在一起，日日夜夜跑幾個月去訓練一個 Gemini 3 級別的模型時，省下的電費是一個天文數字。

少跑腿就意味著少發熱，少發熱就意味著少用空調，少用空調就意味著數據中心的運營成本大幅下降。Google 的數據中心 PUE（電力使用效率）是 1.1，遠低於業界平均的 1.58。

這是 Google 跟 NVIDIA 叫板的第一個底氣——物理層面的降維打擊。

跟著錢走

但說實話，省電這件事對普通人來說可能沒什麼感覺。讓我們來算一筆更直觀的帳。

看一下 NVIDIA 最新的財報。2025 年第三季，他們的營收是 570 億美元，年增 62%。數據中心業務一個季度就賺了 512 億美元。這些數字都很驚人，但最讓我印象深刻的是另一個數字：

毛利率 73.4%。

這是什麼概念？意味著微軟、Meta、Amazon 這些科技巨頭，每花 100 塊錢買 NVIDIA 的顯卡，只有大約 26 塊錢是真正付給台積電的製造成本和物料成本。剩下的 74 塊，都是交給老黃的「技術溢價」。

你可以把這理解成 AI 時代的過路費。想上 AI 這趟車？你就得交這筆錢。而且這筆過路費從 ChatGPT 爆發以來，基本上就沒有低過 70%。

這就是為什麼 NVIDIA 的市值能衝到 4 兆美元以上。

但 Google 的帳本完全不一樣。

TPU 是自研的，Google 只需要付研發成本和找台積電代工的製造成本。那 74% 的巨額利潤？一分錢都不用掏，全都留在自己兜裡。

這一進一出，差距有多大？

讓我舉個實際的例子。當 Google 在 2024 年底推出 Gemini Flash 2.0 時，他們宣稱性價比是 GPT-4o 的 24 倍。當時很多人覺得這是吹牛，但現在回頭看，這個數字可能是真的——不是因為 Google 的算法突然開了掛，而是因為他們在硬體成本上有著絕對的優勢。

用 NVIDIA 的 GPU 訓練模型，你是頂著 74% 的溢價在燒錢。用 TPU 訓練？你是貼著成本價在跑。

這是商業層面的降維打擊。

棋盤上的博弈

科技公司的策略博弈

聊到這裡，你可能會想：Google 的 TPU 這麼厲害，為什麼不直接拿出來賣，像 NVIDIA 一樣當芯片商？那不是賺翻了？

這就是 Google 最高明的地方。

他們的策略叫做「把肉爛在鍋裡」。

NVIDIA 是賣鋤頭的。想讓大家都來買你的鋤頭，你就得把鋤頭做得特別通用，誰都能用。但 Google 不一樣，他不賣 TPU 芯片，他只賣 TPU 的算力。想用 TPU？沒問題，來 Google Cloud 租服務器。

這招太狠了。

一方面，Google 省去了建立龐大銷售渠道的麻煩，也不用去適配各種千奇百怪的客戶環境。另一方面，也是最重要的，Google 用自家的 Gemini 給 TPU 打了一個響亮的廣告。

你想想，Gemini 3 這次的表現如此亮眼，在多項基準測試中登頂，而它背後全是 TPU 在支撐。這等於 Google 親自下場證明：看，用我的 TPU 能訓練出這麼強的模型。

那些想訓練頂尖模型的公司，比如 Anthropic，比如 Midjourney，看到這個結果會怎麼想？

事實已經給出了答案。

2025 年 10 月 23 日，Anthropic 宣布了一筆歷史性的交易：他們將從 Google 獲得高達 100 萬顆 TPU，這筆交易價值數百億美元，將在 2026 年帶來超過一吉瓦的算力容量。一吉瓦是什麼概念？大約等於一座大型核電站的輸出功率，或者可以供應近百萬戶家庭的用電。

Anthropic 選擇 TPU 的原因很直接：性價比和效率。他們的 CFO Krishna Rao 說：「我們的客戶，從財富 500 強企業到 AI 原生新創，都依賴 Claude 完成最重要的工作。這次擴展的容量確保我們能滿足指數級增長的需求，同時保持模型在業界前沿。」

更有意思的是最近的消息。

2025 年 11 月 25 日，也就是幾天前，傳出 Meta 正在與 Google 談判，計劃在 2027 年將 TPU 部署到自己的數據中心，並可能最早在 2026 年就開始從 Google Cloud 租用 TPU 算力。這個消息一出，NVIDIA 的股價當天下跌了約 4%。

要知道，Meta 是 NVIDIA 最大的客戶之一，2025 年他們計劃在 AI 基礎設施上投入高達 650 億美元。如果連 Meta 都開始考慮 TPU，那代表什麼？

代表 Google 的策略正在奏效。

但這裡有個微妙的轉變值得注意。Google 原本的策略是「只賣算力不賣芯片」，但 Meta 的談判顯示他們正在考慮將 TPU 直接部署到客戶的數據中心。這是一個重大的策略轉型。

根據報導，Google Cloud 的高層認為，擴大 TPU 的採用可以幫助他們搶占 NVIDIA 年營收的 10%——這是一個數百億美元的機會。

Google 說白了就是拿自家最強的模型當廣告，把客戶、算力、還有雲服務全部綁在一起。

那堵叫 CUDA 的牆

讀到這裡，你是不是覺得 NVIDIA 要完蛋了？Google 要統一 AI 的度量衡了？

且慢。

雖然 TPU 在硬體和成本上確實有優勢，但在現實世界裡，NVIDIA 依然佔據著數據中心 GPU 市場約 92% 的份額。AMD 只有 4%，其他所有廠商加起來也只有 4%。

為什麼？

因為 NVIDIA 手裡還有最後一道，也是最堅不可摧的護城河。這道護城河的名字叫 CUDA。

CUDA 不只是一個軟體，它是過去 15 年 NVIDIA 的工程師一行一行代碼堆出來的龐大生態系統。

你看，PyTorch 是圍繞 CUDA 建構的。TensorFlow 的 GPU 加速也依賴 CUDA。幾乎所有主流的 AI 框架、函式庫、工具鏈，都是針對 CUDA 優化的。如果你今天想從 NVIDIA 轉到其他平台，你不只是換一塊芯片的問題，你可能需要重寫大量的代碼，重新訓練你的工程團隊，重新適配你的整個開發流程。

這個轉換成本高到什麼程度？高到很多公司寧願繼續付那 74% 的「保護費」，也不願意折騰。

而且 NVIDIA 不是傻傻站在那裡等人來挑戰。看看他們最近的動作：

Jensen Huang 在最新的財報電話會議上說：「有很多關於 AI 泡沫的討論。但從我們的角度來看，我們看到的是完全不同的東西。」

他的自信不是沒有根據的。NVIDIA 的 CFO Colette Kress 透露，公司已經有 5000 億美元的 Blackwell 和 Rubin 芯片訂單能見度，時間跨度到 2026 年底。五千億美元！這代表未來兩年的需求基本上已經鎖定了。

Jensen Huang 還說：「Blackwell 的銷售火爆到不行，雲端 GPU 已經賣光了。」

NVIDIA 預計到這個十年末，AI 基礎設施的年支出將達到 3 到 4 兆美元。他們不只是在賣芯片，他們正在把自己從一個芯片公司轉型成一個完整的 AI 平台公司。

這裡有一個很有意思的觀察：雖然 Google、AMD、Amazon 都在發展自己的 AI 芯片，但沒有人形成一個統一的「反 CUDA 聯盟」。Google 用 XLA，AMD 用 ROCm，Amazon 用 Neuron SDK。大家各自為政，這反而讓 CUDA 的地位更加穩固。

只要這道牆不倒，NVIDIA 的帝國就依然穩固。

這不是誰輸誰贏的故事

那麼，這場 AI 芯片戰爭到底誰會贏？

說實話，我認為這個問題本身就問錯了。

這不是一個誰輸誰贏的零和遊戲，而是市場多元化的開始。

短期來看，也就是未來一到兩年，NVIDIA 的地位依然穩固。92% 的市佔率、15 年積累的 CUDA 生態系統、5000 億美元的訂單能見度，這些都不是一朝一夕能撼動的。

但中長期來看，三到五年的時間跨度，變化正在發生。Google TPU 正在擴張客戶基礎，AMD 的 ROCm 已經整合到 PyTorch 和 JAX 的官方支援，大客戶們開始認真考慮多元化的算力來源。

對投資者來說，這意味著不能再把 NVIDIA 當成「AI 唯一受益股」來看。Google、AMD、甚至台積電，都會在這個趨勢中受益。

對開發者和企業來說，這意味著未來會有更多選擇。成本競爭會加劇，74% 的毛利率不可能永遠維持。那些現在被「NVIDIA 稅」壓得喘不過氣的公司，未來可能會看到曙光。

對於整個 AI 產業來說，這其實是一件好事。競爭會帶來創新，創新會帶來進步。

回到文章開頭的那個問題：當 Google 說「我們一顆 NVIDIA 的 GPU 都沒用」的時候，NVIDIA 是不是要完蛋了？

答案是：沒有。

但 Google 確實在芯片戰場上撕開了一道口子。這道口子現在看起來不大，但它代表著一種可能性——一種不必依賴單一供應商的可能性。

Jensen Huang 說得對，AI 的大潮才剛剛開始。但這片海洋夠大，容得下不止一艘船。

參考資料

本文基於 2025 年 11 月的公開資料撰寫。AI 芯片市場變化快速，建議讀者關注最新發展。

本文最初發布於 HackMD @BASHCAT。

搜尋此網誌

BASHCAT