投资边界提示：本文为产业与架构分析，不构成个别化投资建议；涉及英伟达、华为、地平线等相关主体的判断，须结合自身风险承受能力与专业意见独立决策。

一、引言：为什么"软件定义芯片"是计算架构史上的文明级命题

若只看财报与出货量，英伟达、谷歌、特斯拉、华为、地平线分属游戏图形、互联网搜索、电动车、通信设备、自动驾驶芯片五个截然不同的行业；但放回"计算架构史"的纵轴，它们共享同一种罕见野心：不被动接受"计算机该长什么样"，而是先定义未来最重要的计算负载，再把这个世界烧进硅里。

这不是"软硬协同"四个字能概括的。这是五种文明形态，却遵循同一条底层法则——软件不是硬件的翻译层，软件是硬件的因^[1]。它们不约而同地拒绝"通用芯片 + 通用软件"的惰性组合，宁可把编译器、框架乃至芯片本身，都改写成只为自家最重要的负载服务。近年体系结构研究把这种"为特定负载定制硅"的思路系统化为领域特定架构（DSA），并指出软硬协同设计已成为突破算力瓶颈的必经之路^[1][8]（[8] 为预印本，尚未经过同行评审）。

所谓"软件定义芯片"，在这里不是一句市场口号，而是一种因果方向的倒置：传统路径是"先有通用硬件，再写软件去适配它"；这五家的路径则是"先有想算的东西，再为它造一块专属的硅"。当这种倒置成为公司战略的主轴，芯片就不再是成本中心，而变成承载世界观的载体。英伟达用开发者习惯定义芯片，谷歌用搜索广告定义芯片，特斯拉用车端数据定义芯片，华为用行业数字化与自主算力场景定义芯片，地平线用智驾模型定义芯片——五种路径，同一个方向。这五家因此构成一份"算力文明"的样本集：比的不是峰值算力，而是谁先把未来负载固化进硅里，谁就掌握定义权。理解它们，不能只看产品参数，更要看谁在定义"该算什么"。下文把五条路径称为定义期、反训期与重建期，并在最后提炼它们共享的因果链。

本文余下部分安排如下：第二部分剖析英伟达与谷歌两种"定义型"路径，一个出售一种被默认接受的计算协议、一个以内部负载倒逼硅片；第三部分看特斯拉与地平线如何用真实场景反训编译器与硅片；第四部分考察华为如何在封锁中重建同构算力体系；第五部分提炼软件定义芯片的四层法则并展望；文末附参考文献。

二、定义期：英伟达与谷歌如何把"计算该长什么样"烧进硅里

英伟达：出售"AI 该怎样被计算"的默认协议

英伟达最容易被误读成"GPU 公司"。错。它今天本质是通用并行计算的事实操作系统，真正产品不是 A100、H100、Blackwell 或 Rubin，而是开发者写模型时脑内的默认假设：新论文代码一上来就是 device = cuda；框架作者先把 PyTorch 跑通在 CUDA，再谈其他后端；招人时默认候选人会 CUDA，不会 CANN 或 ROCm^[1][8]。

它的链条是：深度学习负载爆发，矩阵乘法、注意力、卷积、AllReduce 成为主旋律；CUDA 把"并行计算"变成一门可编程语言；Tensor Core 不是先有硬件再找场景，而是为上述负载反向硬化；TensorRT 把计算图融合、内核选择、显存复用做到硬件感知级；NVLink 加 NCCL 把多卡通信变成训练规模化的隐藏前提^[8]。

所以 Hopper、Blackwell 到 Rubin 是结果，不是原因。先有 CUDA 世界，再有 Hopper 架构；2026 年 3 月 GTC 发布的 Vera Rubin 平台把单 Token 推理成本压到 Blackwell 的约十分之一（其 Vera CPU 计划 2026 年下半年面市），恰是 CUDA 生态锁定后的架构红利。它的利润来自：开发者心智垄断——你选的不是 GPU 而是"能跑别人代码"的权利；训练集群事实标准——换卡意味着重写技术栈；软件栈把纸面算力折损成"可用算力差距"，竞品常被生态摩擦吃掉优势；每代新模型都在 CUDA 语义内演化，反过来巩固硬件假设。英伟达的核心资产在于，它不需拥有终端场景，只需要拥有模型作者在编写代码时的默认执行框架（default execution framework）。这种框架级锁定比场景锁定更抽象，也更具持久性——用生态定义硬件语义，用开发者习惯定义芯片的迭代方向。

谷歌：先有超大规模负载，再有 TPU

谷歌与英伟达走了相反的路：英伟达"先给世界造计算平面，再让负载适应它"，谷歌"先有全球最贵的训练任务，再为它专门造硅"。

谷歌的内部负载特征鲜明：搜索排序、广告点击率、机器翻译、语音识别，多模态预训练与 Gemini 级大模型，AlphaGo、AlphaFold、AlphaProof，以及全球级 SPMD 训练——批量极大、形状极稳定，只怕太贵。

于是 JAX 与 XLA 出现了，而且编译器先于芯片成熟。XLA 的世界观是：模型不是"跑起来就行"，而是"先被重写成可分区、可融合、可重排的计算图"，函数式、可微分、可向量化、可重排都比其反面好^[2][8]。一旦编译器世界是这样，芯片就可以大胆做减法：不必兼容 C++ 生态，不必照顾通用图形，可以把矩阵单元、片间互联、HBM 带宽、张量分片做成一等公民。

2017 年部署、2023 年进一步演化的 TPU 系列，正是这套世界观的硅化物：TPU v4 以光路交换机（OCS）动态重构互联拓扑，把嵌入类负载加速 5–7 倍而仅占约 5% 的裸片面积与功耗，并以更低能耗支撑大规模训练^[2]；其后 v5e/v5p、Trillium（v6）逐代提升，2025 年 11 月发布的 Ironwood（v7）更以 Pod 级架构把 9216 颗芯片织成 42.5 exaFLOPS 的 FP8 算力，专为大推理时代设计。更具转折意义的是，据公开报道，Anthropic 于 2025 年 10 月公布谷歌史上最大 TPU 协议，计划 2026 年部署、规模至多 100 万颗 TPU 芯片（含 Trillium 与 Ironwood 代际），使 TPU 从内部负载工具走向外部商业竞争。谷歌的利润不靠卖 TPU，而靠：内部训练成本下降，同样的 Gemini 训练用自研硅比外购卡便宜的部分就是利润；推理成本下降，搜索里每个 AI 增强功能的成本必须低到可忽略；用规模把单位智能成本压到对手追不上。谷歌证明的是：若你有自己的超级场景，就可以让编译器成为模型与芯片之间的中央厨房，再为这个厨房定制厨具。

三、反训期：特斯拉与地平线如何用真实场景反训编译器

特斯拉：最极端的"场景反训一切"

特斯拉是五家里最不"平台化"的，却把"场景反训编译器"做到了最极端——不卖芯片、云、框架、授权，只解决一件事：一辆车如何用神经网络在真实世界里自主行驶。

这个场景的物理约束极硬：8 路摄像头、百毫秒级端到端时延、失效即人命，数据来自量产车队日常闭环^[3]；通用 GPU 太贵太热，走"买卡加默认栈"不通；权威综述亦把世界模型、因果解耦、鲁棒性列为关键挑战^[3]。

有了这些信念，特斯拉的芯片路线并非一路坦途：Dojo 项目于 2025 年 8 月因资源集中而全面暂停，项目负责人 Peter Bannon 离职；直到 2026 年初 AI5 设计完成，马斯克才宣布重启 Dojo 3——这一"暂停—重启"本身就是"场景反训"的注脚：把资源集中到最接近量产的那一代芯片上。同期 FSD 与 AI5 为特斯拉的视频数据、自动标注、仿真、世界模型量身定制；AI5 用三星 2nm 工艺，有用算力约 HW4 的 5 倍（推理速度最高可达 40 倍），量产计划推至 2027 年。特斯拉的自研神经网络编译器把占用网络、BEV、轨迹规划等 FSD 栈直接映射至 AI5 的 NPU 与矩阵单元，使"模型—编译器—硅片"成为一线贯通的通道，而不是层叠损耗的适配层。

特斯拉的编译器不追求支持所有模型，只追求把自己的网络在自有芯片上跑出最低时延、最高吞吐、最低功耗；其利润不在卖基础设施，而在 FSD 订阅的近零边际成本、纯视觉省下的物料、量产数据飞轮与规模摊薄的自研投入——以物理世界数据反训模型、编译器与芯片，让车端成本下降、销量上升、数据更多。

地平线：算法定义芯片，中国智驾芯片公司中商业模式最独特的样本之一

地平线常被叫作"智驾芯片公司"，这是降维。它的真正逻辑是：先判断自动驾驶与机器人未来最重要的模型长什么样，再去设计 BPU（Brain Processing Unit）。

从伯努利、贝叶斯到纳什架构（征程 6 采用第三代纳什架构，最高 560 TOPS），并已在规划中将"黎曼"预留给下一代征程 7；迭代逻辑不是拍脑袋选 IP，而是先回答：ADAS 要不要定点化？城区 NOA 要不要概率预测与交互博弈？端到端驾驶要不要进 VLA/VLM？想清楚这些，再决定算子硬化、量化与编译调度^[5][6][10]（[10] 为预印本，尚未经过同行评审）。

占据预测已是视觉自动驾驶的关键任务，2025 年综述指出稀疏化与自监督是降标注成本、逼近多传感器精度的方向^[6]；同期 CVPR 与 AAAI 则把它推向高效时空解耦预测与世界模型规划，以满足车端实时性^[4][5][6]。前沿综述亦把"占据预测 + 世界模型"接入端到端规划，列为自动驾驶前沿方向之一^[9]（[9] 为预印本，尚未经过同行评审）。地平线的天工开物把智驾数据分布、模型假设、时延功耗与量产成本塞进编译决策，用搜索、强化学习与代价模型决定计算图切分、算子映射与存储放置，让编译器成为随模型演化的副产品。

地平线的利润不在"每 TOPS 卖多少钱"，而在：城区 NOA 能否下沉更低价位车型，决定市场天花板；单芯片能否替代对手双芯片方案，决定客户总拥有成本（地平线征程 6 产品发布，2024）；车企自研智驾成本是否高到不可承受，决定外购合理性。商业验证也已就位：征程系列 2025 年 8 月累计出货突破 1000 万套，2026 年 9 月突破 1500 万套，2026 年上半年以约三成份额居中国自主品牌全阶智驾芯片市场第一，城区 NOA 高阶市场亦升至两成以上。

四、重建期：华为如何在封锁中把"自主算力"做成全栈同构系统

华为：在被封锁中重建同构算力体系

华为面对的前提与其他四家完全不同。英伟达有全球市场，谷歌有全球互联网负载，特斯拉有车队闭环，地平线有智驾场景；华为面对的是被封锁、被断供、被生态排斥的地缘环境，要重建一套能跑中国 AI 的算力体系。这意味它不能只做芯片（无先进制程代工）、只做框架（无全球开发者）、只做云（无全球市场），而必须做同构系统：鲲鹏替代 x86 服务器 CPU，昇腾替代 GPU，CANN 是贴近硬件的编译、算子、运行时层，MindSpore 是训练推理框架，盘古是行业大模型，华为云是交付层，Atlas 与智算中心是整机集群，5G、光通信、电力是底层连接（华为昇腾 / CANN 技术白皮书与智算中心披露）。

昇腾不是"国产 CUDA"。Da Vinci 架构一开始就不是为"兼容 PyTorch 全生态"设计的，它是为一组特定的中国 AI 现实设计的：大模型训练推理需要国产替代方案；政企私有化部署需要可控栈；多卡集合通信在受限互联条件下要可用；行业模型（电力、气象、医疗、制造）需要垂直优化；验收指标不只是跑分，还有"能不能交付、能不能运维、有没有后门"。CANN 的价值在于它知道 AI Core 的并行结构，知道缓存与 HBM 的分层，知道 HCCS 与 RoCE 的通信拓扑，知道 MindSpore 的图语义（MindIR）可以直接下沉到硬件：图算融合在编译器层把算子切小后映射为 AI Core 的流水任务，省去"框架—通用加速层—硬件"的层层损耗^[8]，使同构栈在受限条件下仍能把新模型快速下沉到硅片。这种"框架—编译器—芯片"同构，正是华为在无人区里把"自主算力"从口号变成可交付系统的关键：当每一层都为下一层预留下沉通道，整条栈就能在受限条件下既跑得通、又交得付、还看得懂后门。这也是为何在同样被封锁的对手里，只有华为把"算力主权"从 PPT 变成了可验收交付。交付已有硬证据：昇腾 910C 于 2025 年 5 月开启规模供货，成为首款大规模部署的国产 AI 训练芯片；以 384 颗 910C 构成的 CloudMatrix 384 超节点对标英伟达 NVL72，用系统能力补单芯片差距；据公开披露与 SemiAnalysis 测算，910C 在 2025 全年出货约 81.2 万颗、国内近半份额，2026 年一季度交付 15 万张、服务 37 家头部大模型企业；CANN 于 2025 年华为全联接大会宣布开源，并通过 torch_npu 适配 PyTorch 生态（华为昇腾披露、SemiAnalysis 测算）。

华为吃的不是"卖卡利润"，而是：信创预算，政府、国企、运营商的自主化采购；智算中心建设，地方政府与央企的算力基础设施；行业数字化，把 AI 嵌入电力、交通、制造、金融的实际生产流程；云加框架加芯片一体交付，客户买的是"能跑的 AI 系统"，不是一块板卡。华为版本——用行业数字化与自主算力场景，反向统一芯片、框架、编译器和云，在被封锁的条件下重建计算主权。这是最重、最慢、也最不可替代的一种软件定义芯片。

五、结论与展望：从"硬件能跑什么"到"该造一块什么样的硅"

抽掉五层行业外衣，是同一组因果关系在不同约束下的展开：

它们分属五个行业，底层共享：先定义"计算该长什么样"，再把这世界烧进硅里。

当然，因果方向并非总是如此：x86 长期被软件适配而非定义硬件，ARM 以授权让硬件先行，RISC-V 把定义权分散给生态——这些都是"硬件是因"的成功范式。AI 计算的特殊之处，更在于负载形态的不可预测性：Transformer 在 2017 年还不存在，而 x86 的科学计算负载几十年基本稳定。正是这种"负载形态不可预测、变化速度远快于通用计算"的压力，才迫使硬件无法靠"先造通用架构再等软件适配"跟上，让编译器与模型去定义硬件语义。本文命题因而有其边界：它描述的是 AI 领域的因果倒置。

五家站不同层次，这四层不是并列的盒子，而是以"反馈回路长度"度量的递进光谱。第一层回路为零：硬件既定，软件仅做表层优化，这是绝大多数"AI 公司"的位置。第二层回路在软件内部：CUDA 之后 GPU 不再是显卡而是通用张量机，生态自我强化。第三层回路跨过软硬件边界：模型与编译器直接决定硬件架构，先有 Transformer、BEV、端到端，再有矩阵单元、BPU、FSD，是在给未来负载画电路^[1][2][7]；其回路周期以"周"至"月"计。第四层回路包含物理世界或行业验收：场景数据反训整个栈——模型、编译器、下一代芯片与终端数据彼此反喂，环转得越快护城河越深；其回路周期以"月"至"年"计（车型换代、行业验收）；近年 DSA 与神经网络硬件加速研究，正把"为负载反向硬化""编译调度决定实际利用率"上升为可验证的架构原则^[7][8]。五家公司都以不同路径进入了这第四层。

这五家都不止于"AI 基础设施公司"标签：英伟达定义"AI 计算"，谷歌用场景倒逼硅片，特斯拉把每行代码变成车轮上的决策，华为在封锁中重建从硅到云的栈，地平线把"算法定义芯片"变成征程迭代逻辑。

它们都做芯片，却都不靠"芯片本身"赚钱；都做软件，却不当成芯片的附属品。真正属于 AI 顶层的利润，留给那些追问"该造一块什么样的硅去迎接未来最重要的智能"的人。

场景写模型，模型写编译器，编译器写芯片，芯片再反过来扩大场景。转得动这个环的，吃利润；转不动的，被吃。

观察者后记： 五种文明的真正分野，在于谁先拥有定义"未来负载"的权力；当竞争从"算力峰值"下沉到"场景—模型—编译器—硅片"的闭环，赢家卖的是让世界向自己收敛的因果链。

参考文献

[1] Hennessy, J. L., & Patterson, D. A. (2019). A new golden age for computer architecture. *Communications of the ACM, 62*(2), 48–60. https://doi.org/10.1145/3282307

[2] Jouppi, N. P., Kurian, G., Li, S., Ma, P., Nagarajan, R., Nai, L., Patil, N., Subramanian, S., Swing, A., Towles, B., Young, C., Zhou, X., Zhou, Z., & Patterson, D. A. (2023). TPU v4: An optically reconfigurable supercomputer for machine learning with hardware support for embeddings. In *Proceedings of the 50th Annual International Symposium on Computer Architecture (ISCA '23)* (Article 82, pp. 1–14). https://doi.org/10.1145/3579371.3589350

[3] Chen, L., Wu, P., Chitta, K., Jaeger, B., Geiger, A., & Li, H. (2024). End-to-end autonomous driving: Challenges and frontiers. *IEEE Transactions on Pattern Analysis and Machine Intelligence, 46*(12), 10164–10183. https://doi.org/10.1109/TPAMI.2024.3435937

[4] Yang, Y., Mei, J., Ma, Y., Du, S., Chen, W., Qian, Y., Feng, Y., & Liu, Y. (2025). Driving in the occupancy world: Vision-centric 4D occupancy forecasting and planning via world models for autonomous driving. *Proceedings of the AAAI Conference on Artificial Intelligence, 39*(9), 9327–9335. https://arxiv.org/abs/2408.14197

[5] Xu, J., Chen, X., Ma, J., Huang, J., Xu, J., Wang, Y., & Pei, L. (2025). Spatiotemporal decoupling for efficient vision-based occupancy forecasting. In *Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)* (pp. 22338–22347). https://openaccess.thecvf.com/content/CVPR2025/html/Xu_Spatiotemporal_Decoupling_for_Efficient_Vision-Based_Occupancy_Forecasting_CVPR_2025_paper.html

[6] Zhang, Y., Zhang, J., Wang, Z., Xu, J., & Huang, D. (2025). Vision-based 3D occupancy prediction in autonomous driving: A review and outlook. *Frontiers of Computer Science, 20*(1), 2001301. https://doi.org/10.1007/s11704-024-40443-5

[7] Guo, C., Wei, C., Tang, J., Duan, B., Han, S., Li, H., & Chen, Y. (2025). Transitive Array: An efficient GEMM accelerator with result reuse. In *Proceedings of the 52nd Annual International Symposium on Computer Architecture (ISCA '25)* (pp. 990–1004). https://doi.org/10.1145/3695053.3731043

[8] Xu, B., Banerjee, A., & Gupta, S. (2025). Hardware acceleration for neural networks: A comprehensive survey. *arXiv:2512.23914*. https://doi.org/10.48550/arXiv.2512.23914 [Preprint]

[9] Feng, T., Wang, W., & Yang, Y. (2025). A survey of world models for autonomous driving. *arXiv:2501.11260*. https://arxiv.org/abs/2501.11260 [Preprint]

[10] Oksuz, K., Buburuzan, A., Knittel, A., Yao, Y., & Dokania, P. K. (2025). Foundation models for trajectory planning in autonomous driving: A review of progress and open challenges. *arXiv:2512.00021*. https://arxiv.org/abs/2512.00021 [Preprint]