全球AI芯片竞争加速转向自研定制与异构集成

一、态势概览

大模型训练和推理规模持续扩大，算力成本、能源消耗和芯片供应成为制约AI企业扩张的重要因素。长期以来，头部AI企业主要依靠采购英伟达等厂商的通用GPU获得计算能力。随着模型调用量快速增长，通用GPU在灵活性上占优，但在特定稳定负载上，往往不是成本或能效最优解，OpenAI、Anthropic、谷歌等企业开始通过自研或联合开发方式深度参与芯片设计，根据自身模型和应用需求定制计算架构。

与此同时，芯片性能提升也不再主要依赖先进制程和单颗处理器算力。多晶粒集成、高带宽内存、高速互连和先进封装快速发展，使多个计算、存储和通信单元能够组成更大规模的计算系统。AI芯片竞争由单一处理器性能比拼，进一步转向模型、芯片、内存、互连和软件栈协同优化，自研定制与异构集成成为两条相互交织的发展主线。

二、企业动态

1. OpenAI推出首款自研推理芯片，围绕大模型负载反向设计硬件

2026年6月，OpenAI与博通发布首款自研AI推理芯片Jalapeño。该芯片从大语言模型推理需求出发进行架构设计，重点优化计算资源、内存访问和数据通信效率。早期测试显示，其单位功耗处理能力显著超过当前先进系统。芯片从设计到投产仅用9个月，计划于2026年底开始部署，并逐步扩展至吉瓦级规模。

双方采取深度协同开发模式，OpenAI负责根据模型、推理内核和产品负载确定硬件需求，博通提供芯片实现、网络和连接技术，Celestica承担电路板、机架和系统集成。由模型企业直接参与定义芯片架构，使硬件设计能够围绕实际推理任务持续优化，也将OpenAI的技术体系从模型和软件进一步延伸至底层计算硬件。

2. Anthropic组建芯片设计团队，建立多种计算平台并行路线

2026年8月，Anthropic开始组建内部芯片设计团队，招聘同时具备硬件和软件经验的工程师，探索面向Claude训练和推理需求的定制芯片。公司此前主要依靠亚马逊Trainium、谷歌TPU以及英伟达、AMD等外部处理器获取算力，组建自研团队后仍将继续使用多家供应商的计算平台。

这种布局体现出模型企业对芯片策略的变化。自研芯片并非简单替代通用GPU，而是针对规模稳定、调用量较大的核心负载增加专用计算选择，再与GPU、云厂商自研加速器共同形成多芯片算力体系。不同硬件承担不同训练和推理任务，可以在保持算力来源多元化的同时，提高特定负载的成本和能效表现。

3. 苹果推进2纳米和四晶粒架构，强化端侧AI计算能力

2026年8月，苹果发布M6和M5 Ultra两款芯片，分别沿先进制程和多晶粒集成方向提升AI计算性能。M6首次采用2纳米工艺，集成双16核神经网络引擎，统一内存带宽最高达到170GB/s，重点提升本地AI模型、智能体和专业应用的运行效率。

M5 Ultra则首次采用四晶粒架构，通过UltraFusion技术连接两个双晶粒M5 Max，使四个晶粒作为统一处理器协同工作，晶粒间带宽超过4.4TB/s，统一内存带宽达到1.2TB/s。多晶粒设计突破单颗大型芯片在面积、制造和良率上的限制，也使高性能计算进一步从单芯片扩展向高速互连的多芯片系统。

4. 谷歌扩大与Marvell合作，定制范围延伸至内存和网络系统

2026年7月，谷歌与Marvell扩大定制半导体合作，合作范围覆盖AI推理加速器、存储控制器、网络接口控制器、内存接口控制器以及近存计算等多个方向，并与谷歌现有TPU体系衔接。如果达到协议设定的采购规模，到2033财年相关合作可能为Marvell带来最高约1200亿美元累计收入。

谷歌的布局已经超出单一AI处理器开发，而是同时优化计算、存储和网络等基础组件。随着大型AI集群内部数据交换量不断增加，处理器性能提升后，内存带宽和网络通信容易形成新的瓶颈。将多个关键部件进行定制，有助于围绕自身数据中心和AI负载建立更紧密的系统级硬件架构。

三、影响评析

通用GPU主导的市场结构向通用加速器与定制芯片并存演进。GPU凭借通用性和成熟软件生态，仍将在前沿模型训练、新型工作负载和科研计算中占据重要位置；对于业务规模大、运行模式稳定的推理任务，定制ASIC能够针对特定负载优化资源配置，降低单位计算成本。头部模型和云厂商将根据不同工作负载组合多种芯片，而非依赖单一计算平台。

竞争重点从先进制程进一步延伸至异构集成和系统协同。制程微缩仍是提高晶体管密度和能效的重要路径，但芯片规模、制造成本和良率等因素正在推动多晶粒、先进封装和高速互连加快发展。AI计算性能越来越取决于处理器、高带宽内存、网络和软件调度之间能否高效配合，单颗芯片的峰值算力已经难以完整反映实际计算效率。

模型企业与半导体企业的合作关系更加深入，AI芯片体系正在从“单一通用处理器主导”转向“多类型算力平台并存”，但关键制造与高端供应链环节仍呈高度集中格局。OpenAI与博通、谷歌与Marvell的合作表明，模型和云厂商正在更早介入芯片定义和系统架构设计，具备定制ASIC、高速互连、内存接口和先进封装能力的企业战略地位相应提升。AI芯片产业正在由少数通用处理器厂商提供标准化产品，转向模型企业、云服务商、芯片设计公司、制造和系统集成企业共同参与的协作格局。未来竞争的核心，将越来越体现为围绕具体AI负载组织芯片、内存、互连和软件资源的整体能力。 

参考文献：

[1]OpenAI and Broadcom unveil LLM-optimized inference chip[EB/OL]. (2026-06-24). https://openai.com/index/openai-broadcom-jalapeno-inference-chip/.

[2]Anthropic to build in-house chip design team for Claude, hire engineers[EB/OL]. (2026-08-05). https://www.reuters.com/business/anthropic-build-in-house-chip-design-team-claude-hire-engineers-2026-08-05/.

[3]Apple introduces M6 and M5 Ultra for a big leap in performance and AI compute[EB/OL]. (2026-08-25). https://www.apple.com/newsroom/2026/08/apple-introduces-m6-and-m5-ultra-for-a-big-leap-in-performance-and-ai-compute/.

[4]Anhata Rooprai. Marvell gives Google option to buy $12.2 billion stake in custom AI chip deal[EB/OL]. (2026-08-19). https://www.reuters.com/technology/marvell-grants-google-122-billion-stock-warrant-custom-chip-deal-2026-08-19/.