弱化英伟达市场优势 AI算力架构上演“三英战吕布”

AI注定成为2020年代全球半导体产业最重要的主题，借助AI算力需求的爆发，英伟达从一家2019年营收仅109亿美元、市值不足1500亿美元的公司，迅速成长为拥有超过5.5万亿市值的全球第一，公司年营收接近2200亿美元。亮眼数据的背后，是英伟达软硬件体系在AI算力架构中的绝对领导地位。

面对英伟达如此强势的市场地位，以英特尔、AMD和谷歌为首的处理器三巨头希望通过革新AI算力架构的设计体系，弱化英伟达市场地位，在AI应用从训练向推理应用过渡期抢回AI算力架构的控制权。

英特尔与AMD再携手 致力打造无GPU的AI算力架构

虽然英特尔和AMD在PC处理器市场斗了20多年，但是当x86生态遇到挑战时，两家屡次携手捍卫x86处理器的市场领先地位，从共同打破Power架构垄断到携手构建x86生态迎接Arm挑战，如今双方再一次携手致力于强化x86处理器在AI算力架构的统治地位。

长久以来，人工智能硬件领域的讨论焦点始终围绕GPU展开，CPU 反倒沦为次要备选，即便是随着AI推理应用的普及再一次引爆了CPU的市场需求，但是在AI算力架构体系中，英伟达自研的Vera处理器和Arm的AGI处理器似乎比x86处理器更符合AI负载的处理需求。

为了重塑x86处理器在AI算力体系的核心地位，英特尔与 AMD 推出一套全新面向处理器的技术规范，试图重新平衡CPU和GPU之间的二者的算力定位。此次合作释放明确信号：两家厂商均认定，在特定机器学习任务场景下，CPU特别是x86 CPU仍有巨大性能提升空间。

这套规范全称为AI 计算扩展（AI Compute Extensions，简称 ACE），可为 x86 处理器提供一套高效执行 AI 运算的标准化方案。其定位并非替代大规模训练场景中的 GPU，而是面向轻量模型、低延迟任务，以及无独立显卡、搭载显卡得不偿失的硬件系统。这一点的实际价值远超表面看上去的程度。CPU 与 GPU 之间的数据双向传输存在固定性能开销；对于需要即时响应、硬件资源受限的业务负载，数据反复搬运极易形成性能瓶颈。而将全部计算任务交由 CPU 本地执行，则能彻底规避该问题。

从底层技术原理来看，ACE 架构以矩阵乘法运算为核心 —— 矩阵乘法是绝大多数 AI 算法的基础计算单元。传统 CPU 虽能完成此类运算，但执行效率偏低。行业此前依靠 AVX 向量指令弥补短板，但这套指令集在设计之初并未针对矩阵密集型运算做优化。ACE 采用全新优化思路：保留现有 AVX10 寄存器架构，同时新增专用矩阵运算硬件单元。该设计无需开发者更换全新数据格式或编程模型，核心亮点包含三大维度：能效表现显著提升、开发与调优门槛降低、兼容 AVX 原生 512 位输入位宽。依托 512 位通用输入，ACE 无需定制专属数据输入格式，仅需少量改动即可兼容现有软件与硬件开发流程。

性能提升在指令执行层面体现最为直观：处理同等输入向量时，ACE 可并行执行的运算量最高可达 AVX10 的 16 倍，这并不代表应用运行速度会直接提升 16 倍，实际落地性能受多重因素制约，但该特性可大幅提升指令执行效率，同步降低功耗、减轻内存带宽占用压力。可以预见，英特尔、AMD 会在后续处理器设计中分配更多硬件资源给该运算单元，进一步拔高算力。除此之外，单条 ACE 指令可完成远超同等 AVX10 循环指令的计算量，直接减少 CPU 指令调度开销，同步优化内存带宽利用率。这种特性让能效优化成为ACE最具实用价值的优势之一。GPU算力强劲，但功耗极高，且额外的数据传输会叠加性能损耗。对比之下，由CPU直接承载AI运算的方案能效更优，尤其适配边缘终端、单人终端软件等场景。

图 ACE架构的核心内容汇总图 

ACE 架构另一核心设计亮点是跨厂商一致性。该规范不绑定任何厂商专属硬件实现，大幅降低开发者适配 PyTorch、TensorFlow 等主流 AI 框架的成本。开发者无需针对不同 AVX 版本编写多套分支代码，仅需面向统一标准开发即可。该扩展指令集全面覆盖机器学习主流数据格式，包括 INT8、INT32、FP8、FP16、FP32、BF16；同时原生支持开放计算项目（OCP）推出的 MX 分块缩放数据格式，该格式并未纳入 AVX10 指令集。丰富的数据格式兼容能力，适配当下多样化的模型部署需求，推理场景受益尤为明显。

在异构计算层面，ACE 还有一项不易察觉的优势：目前 NPU 虽逐步普及，但行业尚未形成统一标准，将任务迁移至 NPU 会因硬件差异衍生各类适配难题。当业务对响应速度、开发简洁性的需求高于极致算力时，ACE 提供了稳定可靠的 CPU 本地运算方案。

上述所有技术革新，均不会动摇 GPU 在大规模 AI 训练场景中的核心地位，当下超大规模训练集群依旧高度依赖专用加速卡。但 ACE 清晰证明：CPU 在人工智能赛道的架构演进并未止步。依托全新架构优化，CPU 可承接范围更广的 AI 业务负载，部分场景下甚至能交出更优的运行表现。

谷歌TPU要挑战英伟达商业模型

除了英特尔和AMD之外，英伟达面对的另一个强劲对手是手握云资源和TPU的谷歌。随着AI推理应用对效率要求越来越严格，谷歌的自研张量处理器（TPU）已经成长为英伟达的真正竞争对手。过去很长一段时间，谷歌研发 TPU 主要供给自身内部业务，依托这套芯片承载搜索、语音识别等内部高负载 AI 运算。而现在，谷歌计划把内部算力优势转化为对外商业化业务，直接与英伟达同台竞争。

这场战略转向的典型案例，是坐落于纽约州西部安大略湖南岸、尼亚加拉瀑布附近一座名为 “马林湖” 的 AI 数据中心集群。据《华尔街日报》知情人士透露，谷歌母公司 Alphabet 已为该项目出具 32 亿美元资金担保；项目开发方计划向 Anthropic 出租算力，所用硬件正是上万块谷歌自研 TPU。整套商业逻辑与英伟达如出一辙：为数据中心项目提供融资支持，后续机房采购自家芯片时实现收益回流。

行业分析机构 SemiAnalysis 在去年 11 月研报中抛出疑问：Anthropic 训练大模型所使用的谷歌第七代 TPU，是否会终结英伟达一家独大的格局？谷歌近期一系列动作，显然意在验证这一猜想。公司刚与黑石集团达成 50 亿美元合作，合资成立全新云服务商，对标 CoreWeave、Nebius 这类深度绑定英伟达生态的云厂商。同时谷歌调整销售策略，不再仅通过云平台对外提供算力，改为直接向客户售卖 TPU 芯片，并推出首款专为 AI 推理场景设计的 TPU 新品。

反观英伟达，并未将 TPU 视作足以动摇根基的威胁。依托 CUDA 软件生态与成熟硬件配套体系，英伟达依旧占据全球 AI 芯片市场超九成份额，绝大多数 AI 实验室都深度依赖其产品。不过，部分云服务商陷入英伟达生态绑定困境，他们担忧一旦削减英伟达采购份额，就难以拿到紧俏的高端 GPU。贝西默风投合伙人亚当・费舍尔透露，不少业内口中的 “新兴云厂商” 都深陷行业半开玩笑所称的 “黄仁勋牢笼”。他表示：“并非所有绑定英伟达的新兴云厂商都会直言痛点，部分企业会称英伟达能满足全部需求；但还有大量厂商迫切寻找替代方案，却找不到第二家稳定供货的芯片供应商。”

谷歌正以巨额资金与战略倾斜打破行业固有格局。公司宣布计划募资 850 亿美元股权融资，资金主要用于扩建 AI 算力基础设施。除马林湖项目外，谷歌还为路易斯安那州巴吞鲁日附近另一座服务 Anthropic 的 “河湾” 数据中心项目背书，项目总投资 70 亿美元；同时为得克萨斯州科罗拉多城一处 AI 算力租赁项目提供 14 亿美元担保。 

随着全球 AI 算力供给持续收紧，这类配套融资模式的重要性愈发凸显。过去一年，AI 赛道竞争的核心早已从模型研发转向算力资源争夺。谷歌内部，TPU 业务战略地位大幅提升。去年 12 月，阿明・瓦赫达特出任公司 AI 基础设施建设首席技术官，全盘统筹 TPU 芯片设计、供应链与落地部署，他的核心任务就是全力推动自研芯片持续迭代性能、落地清晰商业化目标。瓦赫达特称，谷歌并非要颠覆英伟达的行业龙头地位。谷歌自有数据中心仍在采购英伟达 GPU，双方属于竞争与合作并存的关系。“对我、对谷歌而言，这从来不是一场零和博弈，当下市场算力需求体量巨大，足以容纳多方玩家。”

全球 AI 业务负载增速远超单一厂商的供给上限，这正是谷歌突围的窗口期。若谷歌持续迭代 TPU 性能、锁定 Anthropic、城堡证券等长期大客户，同时依托雄厚资金助力合作伙伴扩建算力机房，TPU 将不再只是谷歌内部自用工具，有望在英伟达一家独大的市场中，成为行业真正成熟的第二选择。