近期，OpenAI官宣联手芯片巨头博通下场造AI芯片，计划在2029年底前部署高达10GW的算力基础设施。这家以软件见长的AI巨头，正在硬件领域展现出前所未有的野心。
如果你仔细观察，会发现OpenAI在芯片和数据中心领域的布局只是冰山一角。它一方面自研芯片，另一方面又与英伟达、AMD、Oracle等公司紧密合作，全力推动新一代AI基础设施建设。
为什么软件巨头纷纷涉足硬件？芯片和数据中心对AI究竟意味着什么？自研芯片的真正挑战在哪里？当前的芯片热潮是泡沫吗？
AI 芯片公司Groq创始人Jonathan Ross在近期的一次深度访谈中，揭示了这些问题背后的真相。
Jonathan直言不讳地指出，“如果现在给OpenAI的推理算力翻一倍，给Anthropic的推理算力翻一倍，那么在一个月之内，他们的收入几乎会翻倍。”
这一观点揭示了AI行业当前最根本的现实：AI应用的增长受限于算力的供给。
在需求近乎无限的市场中，最稀缺的不是“最好的产品”，而是“可获得的产品”。谁能获得更多算力，谁就能服务更多用户，赚取更多收入。
AI与以往的技术革命有着本质区别。其增长几乎不受单一要素的制约。AI的三要素——数据、算法、算力，形成了一个独特的增长飞轮：只要提升其中任意一项，AI的整体表现就会改善。而在实践中，最容易调整、见效最快的，就是算力。
传统观念认为，产品的护城河在于技术专利、品牌或网络效应。但在AI时代，一个差异化且高效的供应链本身就是一条极深的护城河。
在算力稀缺的时代，交付能力的重要程度远超一切，能够稳定、快速地提供产品本身，就构成了强大的竞争优势。
自研芯片：难以逾越的护城河科技巨头纷纷“造芯”的背后，并非单纯为了在性能上超越英伟达，而是为了“掌控自己的命运”。关键在于供应链的博弈和议价权。
Jonathan表示，“我认为不会有太多人能真正成功进入芯片领域。很多人把TPU看作一个巨大成功，但他们没意识到，当时Google其实有大约三个芯片项目在同时进行，只有一个最终超越了GPU。”
制造芯片的难度被外界严重低估。芯片的成功不仅在于硬件设计本身，而是其背后极为复杂的软件生态、持续的工程优化和对整个技术生态演进节奏的精准把握。
“你要是说我自己做一颗AI芯片来和英伟达竞争，这就好比说Google搜索挺好用的，我来复制一个吧。这几乎是疯狂的，因为里面涉及的优化、设计和工程深度极其复杂，几乎不可能复制成功。”
那么，为什么巨头们仍前仆后继地投入芯片自研？Ross用他在Google的经历揭示了真相：“实验室里有1万台基于AMD芯片的服务器，工程师把服务器从机架里抽出来，直接把AMD芯片撬下来丢进垃圾桶。”
“那为什么Google还要做1万台AMD服务器？因为他们想借此从英特尔那里拿到更大的折扣。”到了这种规模，Google为适配AMD去设计主板、做整机和测试所花的成本，和最终从英特尔拿到的折扣相比，还是划算的。
自研芯片的真正价值，不仅在于有了自己的芯片，更是拿回对自己命运的主导权。
HBM：算力战争的隐形战场一个反直觉的现实是，市场上依然有大量接近五年前发布的英伟达H100 GPU在被高价租用，并且其产生的收入远高于运营成本。整个市场的算力供给远不应求。
这背后的关键瓶颈之一，是HBM（高带宽内存）。HBM是GPU的超级显存，而英伟达实际上对HBM具有买方垄断的地位。
买方垄断与卖方垄断相反：当市场上只有极少数大买家，而HBM的产能又很有限时，就会出现这种格局。如果只看GPU核心，英伟达一年生产5000万颗并非不可能，但现实中今年大概只能生产550万块整机GPU。原因就在HBM和承载它的中介层产能有限。
“由于产能就是有限的，自研芯片真正带来的，不仅是有了自己的芯片，更是拿回对自己命运的主导权。这才是自研芯片的独特价值所在。”Jonathan解释道。
在AI需求迅猛飙升的背景下，即便英伟达现金流充沛，也很难完全提前覆盖未来的超大需求，因此供给瓶颈仍会存在。这不仅仅是买方垄断的问题，还有资本开支巨大，内存厂商普遍保守等原因。
再者，HBM的毛利很高，谁都不愿意轻易扩产，因为一旦供给增加，利润率就会下滑。
速度：被低估的竞争要素在AI交互中，速度的重要性常常被低估。许多人认为，他们可以输入一个提示，然后去做别的事情，等回来时结果就出来了。这种观点在Jonathan看来是完全错误的。
“我们来看一下快消品。如果按利润率来排序，排在最上面的是烟草，接下来是嚼烟，然后是软饮料，再往下才是水和其他类似的产品。”Jonathan分析道，“在快消品行业里，高利润率最相关的因素是什么？就是成分对人起作用的速度。”
多巴胺循环有多快被触发，决定了人们对品牌的依赖。 当一种产品能带来快速反应时，你会对它产生强烈的品牌联想，进而形成品牌价值。
这也是Google为什么那么强调速度，Facebook为什么也强调速度的原因。历史数据表明，每当网页速度提升100毫秒，转化率大约会提高8%。
“人类在判断什么因素会影响参与度、影响结果方面，其实很不敏感。我们从早期互联网公司建设中就已经深有体会。”Ross指出。
当Groq刚开始优化芯片速度时，人们看了演示视频后会问：为什么要比人类阅读速度还快？
Jonathan的回答是：那网页为什么要比人类阅读速度加载得更快呢？这里存在一种思维错位，很多人并没有在直觉层面真正明白速度有多重要。
回本周期与算力价值在算力投资领域，传统的会计思维可能需要调整。Jonathan提出了一个关键洞察：芯片的价值分成两个阶段。
“第一是我是否愿意买来部署；第二是我是否愿意持续运行。两者的计算完全不同：部署时要覆盖资本支出；持续运行时只要覆盖运营成本。”
也就是说，今天把芯片部署上线，必须把资本支出赚回来并且获得回报。而只要能覆盖运营成本，就会让它继续运行。也就是说可以接受芯片的价值随时间下滑。
“大家真正押注的是：新芯片出来后，旧芯片的可创造价值不会低到连运营成本都覆盖不了。”
以当前的H100为例，这批芯片都快五年了，依然跑得不错，而且收入远高于运营成本。今天不会再去新部署H100，但让它们继续运行仍是赚钱的。只要算力短缺还在，这种情况就会持续。
在近乎无限的算力需求面前，供应能力本身就成了最稀缺的资源。
开源模型的成本误区市场上存在一个普遍误解：开源模型的运行成本更低。Jonathan对此进行了澄清。
“当中国的模型出来时，大家的反应都是：天哪，他们把模型训练出来了，几乎赶上美国的模型了。刚开始连我自己都有点被带偏了，会想这些模型运行成本是不是更低。”
“现在我更了解大家在用的基础模型和中国模型之间的差别后，我的结论是并不更便宜，运行成本大概高出十倍。”
具体来说，以最近发布的GPT开源模型为例，它的优化方向和中国模型不同，但质量很高，就其专注的领域而言，明显优于中国的模型。而这个开源模型的运行成本大约只有中国模型的十分之一。
那为什么很多人定价更低呢？因为当某个模型在一个被锁定的市场里，用户只想要这个模型，而且只有一个提供方时，它就能把价格抬到十倍。也就是说，价格被抬高了，但大家把成本和价格混淆了。
中国的模型更偏向把训练做得更便宜，而不是把推理运行做得更便宜。
能源：算力的终极瓶颈随着AI算力需求的爆炸式增长，能源供应已成为不可忽视的瓶颈。要满足这波算力浪潮的能源需求，是否只有核电这一条路？
Jonathan认为不止核电。“核电高效且成本可控，可再生能源同样高效且成本可控。”
他提出了一个简单的解决方案：美国及其盟友只要愿意把算力中心建在能源便宜的地方，就能获得比中国更多的可用能源。
以欧洲和美国对比。美国相比欧洲，更厌恶风险。但关键是分清风险类型：一种是作为性错误，做了错事；另一种是不作为性错误，该做的不做。
在高速增长的经济里，错过机会往往比做错一件事代价更昂贵。 而欧洲对不作为的风险反而更能接受。
“如果欧洲真想在AI上竞争，其实可以这样做：比如让挪威部署大量风电。挪威风电的可利用率大约有80%，同时挪威水电富足，如果把风电装机扩到水电的5倍，挪威一国提供的电力就能接近美国全国水平，而且能稳定供给。”
欧洲的一个国家就有如此潜力，更不用说全球范围内还有多少非核能的潜力可以被释放出来。
Jonathan强调，“谁掌握算力，谁就掌控AI；而没有能源，就不可能有算力。”
算力没有上限的经济学与其他技术革命不同，AI算力的增长几乎没有理论上限。
Jonathan指出，只要增加算力，产品就会更好。从可用规模上看，算力没有上限。这和工业革命不一样。工业革命时期，只有先有机器才能用上能源，而且要先把机器造出来，这需要时间。
AI 不是这样。没错，把模型做得更好，的确可以在同样算力下做更多事；但如果把算力翻倍，用户数会翻倍，模型质量也会提升。这很不一样。
只要给社会配上更多可用的计算能力，整体经济活动就会随之变强。 以往从没出现过这种状况，不再被某个环节卡住；只要把其中一个关键要素加大投入，整体表现就会随之一起提升。
Jonathan预测，AI会带来三件事：
第一是强烈的通缩压力。咖啡会更便宜，住房会更便宜，很多东西都会更便宜，这意味着人们所需的钱会更少。
随之而来，第二点是人们可以减少工作：每周工作时长更少、工作天数更少、职业生涯更短，能更早退休，因为用更少的工作就能维持生活。
第三点是会出现全新的岗位、公司和产业，这些现在还不存在。
“一百年前最著名的预测是什么？说人类会大饥荒，因为无法养活自己。事实是，每次技术进步，人们总是低估经济会发生的深刻变化。”
护城河与供应链博弈在AI算力市场，传统的护城河概念正在被重新定义。
Jonathan认为，英伟达的真正护城河并非其软件生态，尤其是在推理领域。“在训练阶段这点成立，但在推理阶段并不成立。我们现在平台上注册的开发者有220万了。”
对于新兴的芯片公司，时间本身就是一条护城河。“VC常问怎么防止别人抄袭？答案是就算照抄，也会比我们晚三年，这还是在一切顺利、从设计到量产只需三年的理想情况下。”
Groq已经做了三款量产芯片，全部都是一次流片成功。但行业里首版成功率只有14%，也就是说有86%的概率需要重转一次。
在算力极度短缺的市场中，供应链的稳定性和交付速度本身就成为最强的竞争优势。
Jonathan透露，Groq的交付周期仅为6个月，与行业常见的18个月形成鲜明对比。这种快速的响应能力，在技术迭代日新月异的AI时代具有不可估量的价值。
结语在访谈的最后，Jonathan用一个深刻的比喻描述了AI的意义：“大多数人害怕的事，恰恰让我兴奋。大家担心AI会带来什么，我觉得可以用伽利略做比喻。”
“几百年前，伽利略让望远镜普及，为此惹了大麻烦。因为望远镜让我们看到了真相，宇宙比想象中更辽阔，于是我们感到自身渺小。后来我们发现，人类很小，宇宙却广阔而动人。”
“我认为大模型是心智的望远镜。它们现在让我们觉得自己很渺小，但一百年后，我们会意识到智能的广阔超乎想象，而那同样是美的。”
在算力战争的硝烟背后，是人类认知边界的又一次重大扩展。谁能为这一扩展提供坚实的基础设施，谁就将在未来的智能时代占据领先地位。
当前的算力竞赛只是开始，真正的AI革命还在后头。