AI 垂直整合 —大模型与定制芯片的＂全栈战争＂

写在前面：大模型和芯片分工巨变

过去三年，AI 产业链有一条心照不宣的分工线：英伟达造芯片、台积电造晶圆、云厂商卖算力、OpenAI 和 Anthropic 造模型、应用公司调 API。每一层把上一层当作水电煤，每一层都相信"专注自己这一层"是最优解。那是一个"租 GPU、跑模型、卖订阅"的线性世界。

但把 2025 年 12 月到 2026 年 7 月这八个月发生的事排成时间线，你会发现这条分工线正在以每月一桩大事的速度塌方：

• 2025/12
  英伟达以 200 亿美元收购 Groq（LPU 推理芯片），并推出自研大模型 Nemotron 3 Ultra（550B MoE，权重、语料、训练配方全开放）——芯片公司下场造模型。
• 2026/3
  Meta 一次公布四代 MTIA 自研芯片（300/400/450/500），Broadcom 合作延至 2029、部分 2nm；同月马斯克宣布奥斯汀 250 亿美元 2nm 晶圆厂 Terafab；OpenAI 完成 1,220 亿美元融资（亚马逊 500 亿、英伟达 300 亿、软银 300 亿），投后估值 8,520 亿美元，IPO 目标 1 万亿。
• 2026/4
  Anthropic 与亚马逊签 1,000 亿美元 / 5GW Trainium 十年长约，同期与三星接洽 2nm 自研芯片；DeepSeek 发布 V4 系列（1M 上下文 + DSA 稀疏注意力，V4-Pro 拿下 SWE-bench Verified 开源最高分 80.6%）。
• 2026/5
  Anthropic 完成 650 亿美元 Series H，投后估值 9,650 亿美元，官方披露 ARR 突破 470 亿美元；百度发布文心 5.1（预训练成本仅为同规模模型的 6%）。
• 2026/6
  微软 Build 一次发布 7 个 MAI 自研模型 + 自研 Maia 200/300，明确"降低对 OpenAI 依赖"；OpenAI × Broadcom 发布首颗自研推理 ASIC Jalapeño（9 个月流片）；Anthropic 6/1 秘密递交 IPO 申请；智谱发布 GLM-5.2（753B MoE、百万 token 稳定上下文、MIT 开源、开源智力榜第一）；华为 HDC 发布开源 openPangu 2.0（昇腾原生训练）。
• 2026/7
  路透社与 The Information 同日爆料 DeepSeek 与智谱双双秘密自研推理ASIC；SpaceXAI 发布 Grok 4.5（与 Cursor 同源训练，$2/$6）；OpenAI 发布 GPT-5.6 家族（Sol/Terra/Luna 三档）；Meta 发布 Muse Spark 1.1，首次给模型挂上计费表（$1.25/$4.25）——跑在自研 MTIA 上。

模型公司在造芯片，芯片公司在造模型，云厂商两头吃，连终端公司苹果都在造服务器芯片（Baltra）。这不是某一家对英伟达"不服"，而是一场产业级的边界重划。

当推理成本占到模型公司运营开支的 60–80%、当一颗通用 GPU 在特定推理负载下的有效利用率只有 30–40%、当算力供应被切成两半——"为自家模型量身定做一颗芯片"就从奢侈品变成了最理性的选择。模型是头条，芯片是护城河，推理经济学是胜负手。这三句话正在被全行业用真金白银验证。

本文回答四个问题：

① 这波垂直整合背后的战略逻辑有多硬、四种打法胜率如何？

② 推理的成本与速度两条战线各家怎么打？

③ 利润池会向哪里迁移，谁是"无论谁赢都赚"的隐形冠军？

④ 落到投资决策，哪些方向值得左侧布局？

开场：六位掌舵人的同期表态，指向同一件事

2026 年上半年，全球 AI 产业声量最高的几位 CEO 在不同场合、同一时间窗口，把"软硬一体化"推到了战略最前排。这不是零散动作，是产业临界点的共振。按时间先后排开：

我们开放的不只是 Nemotron 的权重，而是权重、预训练 checkpoint、后训练配方、强化学习环境、训练语料的全部。因为我们相信从数据到权重再到芯片的垂直整合，是最与众不同的赌注。Groq 的 LPU 不是 GPU 的对手，是 GPU 的补全——低延迟、溢价的 token 生成，将占 AI 集群算力的 25%。

—— 黄仁勋，NVIDIA CEO，GTC 2026 主题演讲（2026 年 3 月）

Meta 正与 Broadcom 在芯片设计、封装、网络三条线全面协同，我们将先部署超过 1GW 的自研硅，再扩展到数 GW 量级——为向数十亿人交付个人超级智能搭建算力底座。

—— 扎克伯格，Meta CEO，Meta × Broadcom 多代 MTIA 合作公告（2026 年 4 月）

Trainium 已经是 AWS 一门数十亿美元的生意。Anthropic 未来十年在 AWS 投入超过 1,000 亿美元、锁定 5GW 算力——当你的推理定价比英伟达方案低 50%，没有自研芯片的对手根本跟不起价。

—— Andy Jassy，Amazon CEO，Anthropic 扩大合作公告（2026 年 4 月）

今天发布的七款 MAI 模型，是微软第一次在没有 OpenAI 蒸馏的情况下端到端训练的前沿级模型栈。从模型与 Maia 200 的协同设计到自研强化学习框架，我们建起了一台"爬山机器"。拥有自己的智能、自己的硅、自己的运行时——这是主权的含义。

—— 纳德拉，Microsoft CEO，Build 2026 主题演讲（2026 年 6 月）

Jalapeño 是我们围绕对未来 LLM 推理的理解，从零开始设计的第一颗加速器。它为 OpenAI 的模型、内核、服务系统量身定做，九个月从设计到流片——我们甚至用自己的模型加速了芯片设计本身。算力的未来，属于同时掌握芯片、模型和系统的公司。

—— Sam Altman，OpenAI CEO，Jalapeño 发布会（2026 年 6 月）

基于 beta 客户的强烈正向反馈，SpaceXAI 明天把 Grok 4.5 公开——它是一个Opus 级模型，但更快、更省 token、更便宜。我们内部评估它大致对标 Opus 4.7，但速度快得多——能力 + 更快速度 + 更低成本的组合才是它真正有竞争力的地方。SpaceXAI 现在同时握着算力、模型和生成训练数据的编码工具 Cursor——三者同处一屋檐下，这才是我们要的飞轮。

—— Elon Musk，SpaceXAI CEO，Grok 4.5 发布（2026 年 7 月 8 日）

六方共振，三个一致结论：

① "通用 GPU 租用即基础设施"的时代正在变化，头部玩家正在走向自研芯片 + 自研模型 + 自有算力的闭环；

② 推理是第一个主战场——所有自研芯片第一颗都瞄准推理，不是训练；

③ 软硬协同的效率红利真实且可量化——OpenAI 目标推理成本砍半、微软声称特定工作流成本十分之一、亚马逊声称推理定价低 50%。这些数字背后是同一个物理事实：通用性的代价，终于超过了专用性的成本。

总纲：七大核心判断

判断一：这不是"去英伟达"，是"去通用化"。所有自研芯片的本质，不是替代英伟达 GPU 做所有事，而是把推理这类可预测、高复用、成本敏感的负载剥离出来，用专用 ASIC 把性能/瓦做到极致。训练市场英伟达仍是绝对霸主，但推理市场的通用 GPU 份额已进入结构性下行——英伟达不是被替代，是被"分层"：份额下降与绝对收入上升将长期并存。

判断二：2027 年是 ASIC 的"黄金交叉"之年。JPMorgan 预测 2027 年 AI 加速器总出货 2,330 万颗，其中 ASIC/XPU 1,250 万颗（53%）首次超过 GPU 的 1,090 万颗；TrendForce 口径 ASIC 服务器增速 44.6%，接近 GPU 服务器（16.1%）的三倍。推理专用化不是故事，是已被出货量曲线锁定的进行时。

判断三：推理经济学已经开始决定模型公司的生死。Anthropic 靠推理栈优化把每兆瓦算力年化收入从 1,600 万美元做到 6,000 万美元（9 个月近 4 倍）、毛利率从 -94% 修复到 65%，率先单季盈利并抢先申报 IPO（估值 9,650 亿）；OpenAI 年化收入约 250 亿但仍大额烧钱。模型能力的差距在缩小，单位经济学的差距在拉大——而单位经济学的核心变量，正是软硬协同的深度。

判断四：速度是成本之外的第二战场，"快"与"深"正在分化成两条路线。Agent 时代单任务串行调用模型几十上百次，延迟 × 次数 = 用户等待时间——速度既是体验也是产能。一条路线拼延迟与 token 效率（GPT-5.6 Luna、Grok 4.5、Groq LPU、Cerebras），一条拼推理深度与自我纠错（Claude Opus / Fable 5）。速度的物理瓶颈在 decode 阶段的内存带宽——恰是通用 GPU 的弱项、专用 ASIC 的主场。推理速度战争本身，就是垂直整合最好的招兵广告。

判断五：定制 ASIC 设计服务出现"双收单者"格局——Broadcom 与联发科。Broadcom 手握 Google TPU 旗舰、OpenAI Jalapeño、Meta MTIA、Apple Baltra 四大客户；联发科拿下 Google TPU v7e/v8e 并独家锁定 v9 升级版 Triggerfish，台积电给它的 CoWoS 配额 2027 年谈判目标一年七倍（约 15 万片）。甲方刻意培养第二供应商压价——这本身就证明 ASIC 需求强到一家吃不下。台积电则是所有闭环的共用底座：垂直整合解构的是英伟达的垄断，不是台积电的垄断。

判断六：英伟达的反击是"生态收编"而非防守，合理但内含战略悖论。收编速度（买 Groq）、收编 ASIC（NVLink Fusion 开放互联）、收编模型（Nemotron 全开源 + 联盟共训）、收编客户（千亿美元级投资绑定 OpenAI/xAI）。但反向整合越深，它越像所有客户的对手，反而加速客户投向 Broadcom / 联发科。真正要盯的不是 ASIC 抢了多少颗，而是 token 需求增速是否持续跑赢单 token 成本降速——这是整个算力板块共同的生命线。

判断七：CN是"模型 × 芯片"双线并进的双轨全栈，确定性反而更高。五路玩家全部同时拥有前沿模型和自研芯片路线：华为（盘古 5.5 × 昇腾）、阿里（通义 Qwen × 镇武 PPU）、百度（文心 5.1 × 昆仑芯）、DeepSeek（DS-V4 × 自研 ASIC）、智谱（GLM-5.2 × 定制 ASIC）。

美国的垂直整合是效率驱动，CN是"效率 + 生存"双驱动——无论哪家模型公司胜出，国产算力链（代工、封装、HBM、设备）都是必经之路：在被封锁的市场里，"卖铲人"的贝塔比"淘金者"的阿尔法更可靠。

一、起因：逼所有人下场造芯的"三本账"

"模型公司造芯片"不是新想法——谷歌 2013 年就开始做 TPU。真正的问题是：为什么在 2026 这个时间点，所有头部玩家同时动手？答案是三本账同时算到了临界点。

1.1 第一本：Token 成本账——推理是模型公司的 COGS

大模型行业有一个被反复回避的事实：模型越强、用户越多，推理成本越是线性甚至超线性扩张。ChatGPT 周活已到 9 亿，Claude Code 一个产品占 GitHub 全部提交量的 7% 以上——这些流量背后的 GPU 时钟从未停过。头部模型公司的推理开支已占运营成本的 60–80%，是最大单项支出。推理不是研发费用，是销货成本（COGS）——每一个 token 都直接吃掉毛利。这本账最有说服力的证据，是 2026 年中两大模型公司截然不同的财务画像：

表 1.1：OpenAI vs Anthropic——推理经济学决定的两张报表（2026 年 7 月）

这张表是全文最重要的一组数字。两家模型能力都是第一梯队，但 Anthropic 把"每兆瓦算力能榨出多少收入"做到了数倍于对手——推理成本大体固定，单位算力吞吐的有效 token 越多，边际利润率越接近 100%。这就是推理经济学的全部：当模型能力拉不开差距，谁的推理栈更高效，谁先盈利、谁先 IPO、谁掌握定价权。而推理栈效率的天花板，最终由"软件和硬件是不是为彼此设计"决定——这正是所有人扑向自研芯片的根本原因。OpenAI 的 Jalapeño 目标推理成本砍半：按它的规模，哪怕只兑现 30%，每年也是数十亿美元的利润释放。

1.2 第二本：供应安全账——最好的客户变成了竞争对手

AI 算力供应链上三个高度集中的瓶颈叠在一起：英伟达占 AI GPU 出货约 80–85%（CUDA 近乎垄断）、台积电占 7nm 以下先进 AI 芯片产能约九成、台积电 CoWoS 占高端 2.5D 封装约八成。任何一家还在"租 GPU"的模型公司，扩张节奏都被英伟达的分配权、台积电的封装产能决定。

更微妙的是供应商与客户的身份错乱：微软是 OpenAI 最大股东兼最大算力供应商，如今用 MAI 模型替换 Office 里的 OpenAI 负载；英伟达投 OpenAI 300 亿美元做股东，同时被 Jalapeño 分流；亚马逊是 Anthropic 最大投资人，Trainium 定价权却握在自己手里。当你的算力命脉握在一个"随时可能变成对手"的伙伴手里，自研就不再是财务问题，而是生存问题。

两个极端案例：① Anthropic——过去完全依赖亚马逊 Trainium、谷歌 TPU、英伟达 GPU 三家"租用"，Claude 调用量爆发时只能接受三家的定价与排期。所以它一边签 1,000 亿 / 5GW 的 AWS 十年长约锁产能，一边找三星谈 2nm 自研——长约是缓冲，自研才是主权。② DeepSeek——先进 GPU 受管制买不到、国产芯片适配成本高、产能同样受约束。"买不到、抢不到、等不起"，就是它下场造芯的直接原因。

1.3 第三本：战略控制账——通用性的代价，终于超过了专用性的成本

第三本账最隐蔽也最关键——经济学的临界反转。通用 GPU 的核心价值是"一颗芯片跑所有模型"，但这个通用性有三重代价：

• 有效利用率低
  通用 GPU 在特定推理负载下算力利用率只有 30–40%，大量硅片面积浪费在与该负载无关的功能上；
• 内存配置错配
  GPU 的 HBM 为训练而配（大容量、中带宽），而推理 decode 阶段要的是极高带宽——两种完全不同的内存哲学；
• 通用性溢价
  英伟达数据中心 GPU 毛利率约 75%，其中相当部分是"我能跑所有东西"的溢价——模型公司在为自己用不到的通用性持续买单。

当模型规模足够大、用户量足够多、负载特征足够稳定（MoE / MLA / KV Cache 结构已定型），专用 ASIC 的一次性开发成本（约 5 亿美元起 + 12–18 个月）就会被运营期摊薄到远低于通用性溢价。这个临界点在 2025–2026 年被 OpenAI、Meta、微软同时跨过——所以你看到它们集体动手。反过来，软硬协同还有第二层复利：只有同时掌握模型和芯片，才能把投机解码、KV Cache 布局、低精度格式这些优化调到极限——这是租 GPU 永远拿不到的深度。

三本账同时到达临界点：Token 成本吃掉利润（动力）+ 供应身份错乱不可接受（压力）+ 专用化经济性反转（可行性）= 2026 年全行业垂直整合共振爆发。这不是某家公司的战略偏好，是产业经济学的必然。

二、全景棋盘：谁在向哪个方向整合

把过去 12 个月所有公开的"越界"事件放进同一张表。每一行都有公开公告或权威媒体（路透社、Bloomberg、The Information）确认。

表 2.1：全球 AI 垂直整合动作矩阵（2025/12 – 2026/7）

这张表的三个关键读数：

① 14 家公司在 12 个月内全部动手——不是趋势苗头，是产业级共振；

② 合作方高度收敛且已双轨化——Broadcom（4 家旗舰客户）、联发科（谷歌第二供应商）、台积电（几乎全部）、三星（2 家以上接洽），"反英伟达联盟"的供应链骨架已经成型；

③ CN的造芯密度不输美国——六家公司（含字节）从模型到云到 ICT 全线推进，DY让它成为"不做不行"的刚需。

2.2 产业边界"塌方"示意图——从线性分工到闭环帝国

图 2.1：产业边界塌方——从"线性流水线"到"多个闭环帝国并存"

这张图的核心洞察：新秩序里没有分工，只有帝国。差异只在闭环的完整度——谷歌最完整（TPU + Gemini + GCP，跑了 13 年且开始外卖 TPU 变现）、SpaceXAI 最激进（连晶圆厂都要自建，还握着 Cursor 的训练数据）、苹果最隐蔽（终端 + 服务器双线）、CN被逼（DY让它没有"不做"的选项）。而台积电是所有闭环圈的共用底座——无论谁赢，硅片都要在它的产线上造出来。

三、为什么所有新芯片都是"推理芯片"——2026 年最大的结构性变化

细看这一轮所有新芯片的定位，会发现一个高度一致的事实：没有一颗是冲着训练去的。Jalapeño 是推理芯片，DeepSeek 造的是推理芯片，Maia 200 官方定位就是"为推理而生"，谷歌 TPU 8i、Meta Iris、Groq LPU、字节 SeedChip——全部是推理。为什么？

3.1 推理与训练是两种完全不同的芯片哲学

表 3.1：训练芯片 vs 推理芯片的本质差异

这解释了为什么自研芯片全部从推理切入：推理负载"单一、重复、已定型"，正好绕开 ASIC 最大的弱点（通用性差、生态薄），发挥它最大的强项（对特定负载的每瓦性能与成本碾压）。训练侧则相反——模型架构还在快速迭代，买英伟达仍是理性选择。于是形成了 2026 年市场的标准分工：训练留给英伟达，推理逐步搬去自研 ASIC。

3.2 数字已经说话：ASIC 出货量将在 2027 年超过 GPU

• JPMorgan（2026/6）：
  2026 年 AI ASIC 市场约 600–700 亿美元，未来数年 CAGR 40–50%；2027 年 AI 加速器总出货 2,330 万颗，其中 ASIC/XPU 1,250 万颗（53%）首次超过 GPU 的 1,090 万颗（47%）；
• TrendForce：
  2026 年 ASIC 服务器占 AI 服务器出货 27.8%（2023 以来最高），增速 44.6%，接近 GPU 服务器（16.1%）的三倍；2030 年 ASIC 占比看到约 40%；
• 四大云厂 2026 年自研加速器合计部署约 190 万颗
  （谷歌 TPU ~90 万、亚马逊 ~60 万、微软 Maia ~25 万、Meta MTIA ~18 万）；谷歌 TPU 单独口径 JPM 已上修到 2026 年 370 万颗、2027 年 500 万颗（含对外销售）；相应地，分析师普遍预期英伟达在推理侧的份额从 90%+ 逐步回落（激进者看 2028 年 20–30%，中性看 60–75% 的整体正常化）——注意这是"份额"下降，在总盘子翻几倍的背景下绝对收入仍在增长。

图 3.1：2027 年 ASIC/XPU 出货量预计首次超过 GPU — "推理专用化"的黄金交叉

一句话总结本章：AI 算力市场正在从"一个市场"分裂成"两个市场"——训练市场仍是英伟达的天下（架构快速迭代 + CUDA 生态），推理市场正在变成 ASIC 的主场（负载定型 + 成本敏感 + 软硬协同空间大）。自研芯片的本质，是模型公司把自己最确定、最大规模的那块负载，从"租英伟达的通用算力"改成"用自己的专用算力"。

四、推理速度战争：成本之外的第二战场

过去讨论推理只算一本成本账，但 2026 年 Agent 时代把速度推成了同等重要的第二战场。原因很直接：一个 Agent 任务动辄串行调用模型几十上百次，单次延迟 × 调用次数 = 用户等待时间；速度慢一倍，同样的算力集群每天能完成的任务量就少一半。速度既是体验，也是产能。

4.1 先讲物理：两个阶段、两个指标

LLM 推理分两个瓶颈完全相反的阶段：

• Prefill（预填充）一次性并行处理整个 prompt，是计算密集型，决定 TTFT（首字延迟，"多久开始吐字"）；

• Decode（解码）一次生成一个 token，每一步都要从显存重读全部权重 + 不断增长的 KV Cache，是内存带宽密集型，决定 TPS（每秒吐字数，体感"打字速度"）。

关键事实：通用 GPU 是为训练（计算密集）设计的，而 decode 恰恰是带宽密集——这就是 GPU 跑推理利用率只有 30–40% 的物理根源。谁能在 decode 阶段把内存带宽喂饱，谁就快。把 2026 年主要玩家放到同一张速度表上：

表 4.1：2026 年推理速度格局（代表性实测口径）

4.2 三条提速路线：硬件、算法、Token 效率

路线一：换硬件——把内存瓶颈物理消灭。推理慢的根因是每生成一个 token 都要把权重从 HBM 搬进计算核心。Cerebras 的晶圆级引擎和 Groq 的 LPU 用海量片上 SRAM 直接消灭搬运，能做到 GPU 的 5–20 倍速度。英伟达 200 亿美元拿下 Groq，正是承认"极低延迟推理"这个细分市场 GPU 架构物理上打不过——解法是把 LPU 装进自家机柜（Rubin 管高吞吐、LPX 管低延迟，组合每瓦 token 最高提升 35 倍）。谷歌 TPU 8i 扩大片上 SRAM 把 KV Cache 整个放进硅里、微软 Maia 200 配 272MB SRAM、TPU v9 Triggerfish 把 SRAM 扩到标准版的 2–3 倍——思路殊途同归：2026 年推理芯片的军备竞赛，本质是 SRAM 与 HBM 容量/带宽的军备竞赛。

路线二：改算法——投机解码成为标配。用一个小"草稿模型"先猜多个 token，大模型并行验证，猜对了就一次收获多个 token——典型加速 1.5–4 倍且无损质量。DeepSeek 的 DSpark 模块让 V4-Flash 生成速度提升 60–85%，走的正是这条路，且专门为国产芯片的效率痛点设计。

"Cursor 有些场景特别快"的工程真相：Cursor 的 Fast Apply 用了一个更聪明的变体——speculative edits（投机编辑）：改代码时，原文件的绝大部分内容不会变，所以直接拿原始代码当"草稿 token"，模型只在需要修改处真正生成，未变段落整块并行通过。结果是 70B 模型跑出 ~1,000 tokens/s（约 3,500 字符/秒），比朴素推理快 13 倍。再加上本地小模型补全、基于用户接受/拒绝行为的持续再训练——"编辑器只是表面，底下的推理栈才是产品"。这也是 SpaceXAI 愿意花 600 亿美元买它的深层原因之一：买的不只是用户，是一整套"让模型显得快"的推理工程能力（Grok 4.5 已由双方联合训练）。

路线三：提升 Token 效率——"少说废话"是最便宜的提速。同一个任务，用 5,000 个思考 token 完成和用 20,000 个完成，速度和成本差 4 倍。这是 2026 年各家发布词里最高频的卖点：GPT-5.6 官方主打"从每个 token 榨取更多有效工作"；Grok 4.5 主打"token 效率约为其他前沿模型的 2 倍"；Nemotron 3 和 DeepSeek V4 都引入可配置思考强度（reasoning effort），让用户自己在精度和速度间调档。

4.3 "GPT 快、Claude 深"的体感，背后是两家公司的战略分岔

重度用户的体感（GPT 明显快于 Claude、Claude 深度思考更强）与公开测量完全吻合，而且不是偶然——是两家公司在同一条帕累托前沿上选了不同的点：

• OpenAI 选择"快 + 便宜 + 规模"：
  GPT-5.6 的三档产品线（Sol $5/$30、Terra $2.5/$15、Luna $1/$6）本质是把速度做成了商品档位——Luna 主打"最快最便宜"，为高频低延迟场景专门留一个 SKU；训练目标函数里明确加入 token 效率。这与它 10 亿级 C 端用户 + 自研 Jalapeño 追求"每瓦 token 最大化"完全自洽——面向海量消费者，快就是体验，便宜就是护城河；
• Anthropic 选择"深 + 贵 + 企业"：
  Claude 的 extended thinking 舍得烧思考 token（TTFT 体感明显更长），换来复杂任务上最强的深度推理与自我纠错（SWE-bench 类基准大幅领先）。它的客户是企业和专业开发者——对这群人，一次做对比快 10 秒重要得多，且愿意为此付更高单价。ARR 从 90 亿冲到 600 亿证明这条路同样成立。

速度战争与垂直整合的连接点：三条提速路线——专用硬件、软硬协同的算法加速、模型级 token 效率——每一条都要求同时掌握模型和硬件。只有模型没有芯片，投机解码调不到极限；只有芯片没有模型，不知道该为什么样的 KV Cache 布局设计 SRAM。推理速度战争本身，就是垂直整合最好的招兵广告。

五、战略深拆：四种全栈打法，胜率各不相同

都在垂直整合，但起点不同、打法不同、胜率更不同。把玩家按"从哪一层出发"分成四类，各自的强弱牌就清楚了。

5.1 打法一：模型公司向下（OpenAI / Anthropic / DeepSeek / 智谱）——最必要，也最凶险

强牌：最懂负载。自己的模型路线图就是芯片的需求规格书，软硬协同空间最大——Jalapeño 九个月流片、还用自家模型辅助芯片设计，就是这张牌的极致演示。弱牌：没有硬件工程基因、没有供应链话语权、没有云基础设施——芯片造出来还得放进别人的数据中心。最大风险是资本消耗：一颗先进 AI 芯片设计成本约 5 亿美元起，加上流片、良率爬坡、软件栈建设，是一场以 3–5 年计的长跑。OpenAI 用博通"设计外包 + 制造整合"模式规避了大半；Anthropic 更谨慎——先用 AWS 定制芯片长约拿到自研的大部分好处（Trainium 推理定价比英伟达方案低约 50%，这是它毛利率从 -94% 修复到 65% 的核心来源），把自研留作对冲期权；DeepSeek 则要在国产工艺约束下走完全程。

胜率排序：OpenAI（已流片 + 博通兜底）> Anthropic（单位经济学已转正 + 挖到人 + 三条大腿可依靠）> DeepSeek（算法-芯片协同最激进但工艺受限）> 智谱（刚起步）。值得注意的是资本关系的环环相扣：OpenAI 的 1,220 亿美元融资里，亚马逊投了 500 亿、英伟达投了 300 亿——英伟达一边被 Jalapeño 分流，一边做 OpenAI 的股东。这轮 AI 产业最独特的风景就是：每个人都在给自己的竞争对手投资。

5.2 打法二：云公司双向补全（微软 / 谷歌 / 亚马逊 / Meta）——资源最厚，包袱是"既当裁判又当运动员"

四大云厂手握最厚的三张牌：自有海量内部负载（芯片一量产就有确定去处）、自有数据中心（不用求人）、合计近 7,000 亿美元的年度 capex。谷歌已经打完全场——TPU 迭代到第七代 Ironwood（单 Pod 9,216 颗、42.5 ExaFLOPS）、第八代 v8i/v8t 在路上，Gemini 全栈协同 13 年，如今开始把 TPU 外卖给对手（从成本中心变成收入中心），供应链还玩出"双供应商"变阵：旗舰给 Broadcom、效率型号 v7e/v8e 给联发科、v9 升级版 Triggerfish 由联发科独家承接。微软最戏剧化——一边给 OpenAI 供云、持有巨额股权，一边用 MAI 模型替换 Office 里的 OpenAI 负载，"被松绑"后半年就发七款模型，声称 MAI 适配的 Excel 工作流成本只有 GPT-5.6 的十分之一。Meta 则从"开源信仰"转向 Muse Spark 收费 API + Iris 芯片 9 月量产 + 2027 年 14GW 算力——先用自研芯片把推理成本压到极致，再把模型按 token 卖出去，$1.25/$4.25 的定价之所以敢这么低，正是因为没有"英伟达税"。

它们共同的隐忧：与模型伙伴的关系正在从共生滑向竞争——微软 vs OpenAI、谷歌 vs Anthropic、亚马逊 vs Anthropic，每一对都走在"最大客户 = 最大对手"的钢丝上。

5.3 打法三：英伟达的"生态收编"——打不过就装进机柜

英伟达面对的是教科书级的创新者窘境：客户集体自研。它的应对不是防守，而是四路出击的收编：

• 收编速度：
  200 亿美元拿下 Groq LPU——低延迟推理这块 GPU 物理上打不过的阵地，直接买下来放进自家机柜（LPX 机柜 2026Q3 出货，三星代工）；
• 收编 ASIC：
  NVLink Fusion 把互联协议开放给第三方定制芯片——你可以不买我的 GPU，但你的 ASIC 要用我的机柜、我的交换机、我的软件管理面。富士通、高通已接入，再加 20 亿美元入股 Marvell 钦定"座上宾"；
• 收编模型：
  Nemotron 3 全开源（权重 + 数据 + 配方）+ 拉 Mistral / Perplexity / Cursor 等共训下一代——不为打赢 GPT，为的是让"开源模型 + 英伟达硬件"成为企业默认组合，顺便让联盟成员分摊训练成本；
• 收编客户：
  千亿美元级投资绑定 OpenAI 换 10GW 订单、50 亿结盟 Intel、投资 xAI / CoreWeave——用资产负债表把最大的潜在流失客户变成利益共同体。

对英伟达的中性判断：推理侧份额下滑是既定事实（ASIC 出货 2027 超车），但市场总量的膨胀速度（加速器总出货三年翻三倍）+ 训练侧的绝对统治 + "生态税"的新收入（NVLink Fusion / LPX / 网络 / 软件），意味着"份额下降、收入上升"将长期并存。但收编策略内含战略悖论——它越是从"中立军火商"变成全栈对手，客户就越有动机去找 Broadcom / 联发科。真正需要盯的不是 ASIC 抢了多少颗，而是 token 需求增速是否持续超过单 token 成本下降速度——这是整个算力板块共同的生命线。

5.4 打法四：SpaceXAI 的"闪电全栈"——用并购一次买齐

别人用五年长出来的栈，马斯克用 18 个月买齐：xAI 并入 SpaceX（能源 + 发射 + 星链）→ 史上级别的 IPO 拿到公开市场弹药 → 600 亿美元收购 Cursor（开发者分发 + 推理工程能力）→ Grok 4.5 半价开战（$2/$6，"Opus 级但更快更省"，与 Cursor 同源训练）→ 与 Intel 合作推进 Terafab 自建 2nm 晶圆厂（"零延迟数据闭环"：芯片在奥斯汀设计、制造、部署，发现缺陷 48 小时内改版重投）。这个样本的意义在于它划出了垂直整合的上限刻度：从沙子（晶圆厂）到卫星（轨道算力）到应用（Cursor），理论上没有一层交给别人。风险同样极端：万亿估值定价了完美执行，历史上没有任何单一公司成功自建过 2nm 级晶圆厂，而"买来的栈"能否长成"长出来的栈"，成功率并不高。

六、CN战场：制程受限下的"双轨全栈"——五路玩家的模型与芯片对照

CN的垂直整合与美国动机相同（三本账一本不少），但多了一个硬约束：先进制程与 HBM 供应受限。这反而催生了更彻底的软硬协同——拿不到最好的工艺，就用"模型迁就芯片、芯片成就模型"来补。理解CN战场必须把每家的模型路线和芯片路线放在一起看——五路玩家全部是"模型 × 芯片"双线并进，只是闭环的方向各不相同。

6.1 五路玩家全景：模型 × 芯片双线对照

表 6.1：CN五路玩家"模型 × 芯片"双线对照（2026 年 7 月口径）

这张表的深层读法——五路其实是三种闭环模式：

① 华为、阿里是"平台闭环"（模型 + 芯片 + 云三件套全自持，对标谷歌），芯片除了自用还对外输出，模型的角色是给芯片生态打样；

② 百度是"效率闭环"（文心 5.1 用 6% 的训练成本 + 昆仑芯自用降本，两头压成本），规模不及华为阿里，但单位经济学最干净；

③ DeepSeek、智谱是"模型公司向下"（对标 OpenAI/Anthropic），芯片纯自用降本——其中 DeepSeek 的"算法定义芯片"走得最远：恰恰因为拿不到最好的制程，它把软硬协同做得比谁都彻底——用架构专用性对冲工艺代差，这是CN模型公司造芯最硬的技术逻辑。

6.2 CN路线的三个不由自己掌控的变量

必须直面：

① 中芯国际先进制程的良率与产能——美国公司用台积电 3nm/2nm，CN模型公司的 ASIC 大概率只能用 N+2 级工艺，起跑线不同；

② HBM 国产替代进度——长鑫的 HBM 量产节奏直接决定国产推理芯片的带宽上限（推理恰恰是带宽密集）；

③ G2的演化速度。芯片从设计到量产以年计，这三个变量在窗口期内都会剧烈变化——DeepSeek 们押注的是落地那天，软硬协同的收益足以覆盖工艺代差。

CN战场的独特看点：美国的垂直整合是"效率驱动"，CN是"效率 + 生存"双驱动，因此确定性反而更高——无论哪家模型公司胜出，国产算力链（中芯代工、盛合晶微封装、长鑫 HBM、北方华创设备）都是必经之路。在被封锁的市场里，"卖铲人"的贝塔比"淘金者"的阿尔法更可靠。

七、产业链利润池再分配：谁确定受益、谁被挤压、谁两可

垂直整合不改变 AI 总需求，但会剧烈改变利润在产业链各环节的分布。逐层过一遍。

7.1 确定受益：给所有阵营卖军火的四层

① 定制芯片设计服务（最直接受益，且已双轨化）。模型公司有需求、有钱，但没有芯片工程能力——中间的桥就是 Broadcom、联发科和 Marvell。

Broadcom 手握高端 ASIC 市场 80–85% 份额，客户清单读起来像本文目录：谷歌 TPU 旗舰、Meta MTIA、OpenAI Jalapeño、Apple Baltra、Anthropic 机柜方案、字节网络芯片；AI 收入 FY2026 指引约 560 亿美元，CEO 目标 FY2027 超 1,000 亿。

联发科是 2026 年的新变量：拿下谷歌 TPU v7e/v8e 订单（v7e 已风险试产）、独家承接 v9 升级版Triggerfish（SRAM 扩至 2–3 倍、HBM4E、新增仿真 die，面向 RL 与 Agent 负载，2027 底投产、2028 放量 100–200 万颗、单价高约 30%）；台积电给它的 CoWoS 配额从 2026 年约 2 万片向 2027 年 15 万片谈判（一年七倍；JPM 保守口径 1.8 万 → 5.5 万片，同期 Broadcom 23 万 → 35 万片）；自身目标云端 ASIC 收入 2026 年 10 亿美元、2027 年数十亿。

Marvell（份额 10–12%）绑定亚马逊 Trainium 与微软 Maia，还拿到英伟达 20 亿美元入股。

每多一家公司自研芯片，它们就多一个客户——这是本轮格局变化中斜率最陡的确定性；而甲方扶持第二供应商压价，本身就证明 ASIC 需求强到一家吃不下。

② 进制程代工。台积电 3nm 已被 TPU/Trainium/Maia/MTIA/Jalapeño 挤到满载、需求约为供给三倍；2nm 排队名单上是 TPU v9、Anthropic（若选三星则是三星 SF2 翻身的关键订单）。ASIC 替代 GPU 对代工厂是"客户名单变长"而不是"订单变少"——垂直整合解构的是英伟达的垄断，不是台积电的垄断。CN侧对应中芯国际/华虹——DeepSeek/智谱/字节的芯片都要在这里流片。

③ 先进封装与 HBM。每颗推理 ASIC 都要 2.5D 封装 + HBM（Maia 200 带 216GB HBM3e、Trainium3 144GB、MTIA 下一代直接上 HBM4、Triggerfish 上 HBM4E）。一个反直觉的事实：自研 ASIC 不减少 HBM 需求，反而加码——推理的瓶颈在带宽，ASIC 把性能推到极致的方式就是堆更多更快的 HBM。CoWoS 紧缺已外溢到 Amkor、ASE 的认证排队，Intel EMIB 也被联发科、Broadcom 纳入 2027 年备选。CN看长鑫 HBM 与盛合晶微。

④ 网络与互联。ASIC 集群同样要 scale-up/scale-out：博通 Tomahawk、英伟达 Spectrum-X/NVLink、Marvell 光 DSP、DELL/Celestica/广达们的整机柜集成、800G/1.6T 光模块与 CPO——集群规模每上一个数量级，互联在 BOM 里的占比就上一个台阶。

7.2 被挤压的位置

• 纯 API 中间层 / 无差异化推理云：
  上游模型公司自建芯片自降成本、下游云厂自研模型，夹在中间"转售 token"的生意毛利被两头挤压；
• 没有自有负载的独立 AI 芯片初创：
  Groq 卖身英伟达已经给出剧本——细分技术再好，没有内部负载兜底、没有生态，终局大概率是被大厂收编。给独立芯片初创的估值要按"并购期权"而非"独立成长"定价；
• 二线模型公司：
  造不起芯片（5 亿美元起步）、拿不到低成本算力、模型能力又不足以支撑溢价——垂直整合正在把模型层的入场券从"算法天才"改写成"资产负债表"，这是对行业多样性最深远的影响；

7.3 利润池迁移示意

图 7.1：利润池从"GPU 单极"走向"GPU + ASIC 服务 + 上游军火商"三分天下

八、落到投资决策：按确定性排序的五条主线

把第七章的产业逻辑翻译成可操作的配置框架，按确定性从高到低排五条主线。先说纪律：本轮相关标的多数已充分演绎（博通/台积电屡创新高、寒武纪高位、SpaceXAI 上市即万亿），以下是"方向图"而非"追高清单"。

表 8.1：五条主线 × 代表标的 × 核心逻辑 × 主要风险

配置纪律三句话：

① 核心仓押"无论谁赢都赚"的军火商三件套——博通 + 台积电 + HBM（SK 海力士/美光）；

② 弹性仓押双收单者格局的第二极联发科（云端 ASIC 收入 10 亿 → 数十亿美元的重估曲线）与国产替代（等昆仑芯/平头哥上市的定价锚）；

③ 理解兑现节奏比押注方向更决定回报——ASIC 设计服务最快（2026–27 进收入）、代工封装最长（5–10 年）、HBM 全程刚性、英伟达看 18–24 个月商品化窗口。逻辑成立和利润兑现之间隔着量产、生态、客户验证——绝不在题材情绪最热时追高，等回调、等验证节点再加仓。

九、风险、自证伪清单与三情景

把风险讲到位，研究才有意义。五大风险摆在桌面上：

风险一：垂直整合比想象中难。造出一颗 ASIC 容易（OpenAI 用了 9 个月），但软件生态、量产爬坡、规模化部署是另一回事。CUDA 生态 15 年才建成——自研芯片没有等价软件栈，就只是实验室赢家。"宣布芯片"和"量产芯片"之间隔着 12–18 个月，"量产"和"真省钱"之间还隔着一个生态。历史也提醒我们：特斯拉 Dojo 高调三年后黯然收缩，"自研芯片"的失败案例并不少。

风险二：英伟达反击超预期。如果 Groq LPU 组合真把推理能效做到 35 倍/瓦、NVLink Fusion 成功把 ASIC 阵营锁进自家机柜生态，英伟达可能用"GPU + LPU + 生态税"组合反向压制纯自研 ASIC 的吸引力——这是博通/联发科逻辑最大的反向风险。

风险三：估值与循环资本。Anthropic 一级估值 9,650 亿（二级私募炒到 1.2 万亿）、OpenAI 目标 1 万亿——都定价了极高的增长持续性。而"英伟达投 OpenAI 300 亿、亚马逊投 500 亿、OpenAI 再用融资买算力"的循环资本结构，放大了任何需求不及预期的回撤。Anthropic 月增 ARR 一旦从百亿级跳档回落，整个板块会重定价。

风险四：CAPEX 周期反噬。2025–2027 年超大规模厂商累计资本开支或超 2 万亿美元。如果模型架构进步让 token 成本自然快速下降（历史上每年降约一个数量级），推理需求的货币化增速可能跟不上算力扩张——触发全行业去投资周期。生命线指标只有一条：token 需求增速 vs 单 token 成本降速。

9.1 "我们错了"——六条自证伪信号

☐ 信号一：OpenAI Jalapeño 2026Q4 原型部署推迟，或 2027 放量目标砍半 ——校验窗口 2026Q4☐信号二：博通 AI 收入增速回落至 50% 以下，或联发科云端 ASIC 收入 2026 年不及 10 亿美元目标 ——校验窗口 2026 年报☐信号三：2027 年 ASIC/XPU 出货未能超过 GPU（黄金交叉推迟）——校验窗口 2027H2☐信号四：台积电 CoWoS 2027 年出现产能过剩 ——校验窗口 2027Q1☐信号五：Anthropic 月增 ARR 从百亿级明显跳档回落，或 IPO 定价显著低于一级估值 ——校验窗口 2026Q4 IPO 前后☐信号六：DeepSeek / 智谱芯片 2028 年仍未流片，或长鑫 HBM 量产大幅推迟 —— 校验窗口 2028Q1

9.2 三情景矩阵（BEAR / BASE / BULL）

表 9.1：垂直整合主线三情景

写在最后：这是不是又一轮"什么都自己做"的狂热

回到最朴素的问题：这波"模型公司造芯、芯片公司造模型"的边界塌方，是产业革命，还是又一轮终将被专业分工纠正的垂直整合狂热？历史上 IBM、摩托罗拉的全栈帝国最终都被水平分工拆解——这次为什么不同？

笔者的答案：这次的驱动力是物理和经济，不是野心。理由有四：

• 它解决的是真问题
  推理成本占运营开支 60–80%、供应三重集中且供应商随时变对手、通用性代价反转——三本账都是实打实的产业经济压力，不是叙事；
• 它已被出货量曲线锁定
  2027 年 ASIC/XPU 出货 1,250 万颗超过 GPU 的 1,090 万颗——黄金交叉不是预言，是各家已下的订单加总；
• 它有可量化的效率红利
  Anthropic 每兆瓦收入 9 个月 4 倍并率先盈利、OpenAI 目标推理成本砍半、亚马逊定价低 50%、Cursor 投机编辑快 13 倍——通用性的代价，确实超过了专用性的成本；
• 它有清晰的赢家结构
  ASIC 设计服务（博通 + 联发科双收单）、台积电（共用底座）、HBM（越 ASIC 越紧缺）、国产算力链（双驱动刚需）——"无论谁赢都赚"的隐形冠军已经站好位置。

但与所有产业革命一样，时间表比方向更容易错：ASIC 还在量产爬坡而非利润兑现，软件生态要从零建起，2–3 年的兑现周期里每个季度都可能出现"信仰动摇"的回调。OpenAI 9 个月造出 Jalapeño 很快，但从工程样品到 GW 级满产、真正砍掉一半推理成本，还有 18–24 个月的硬仗。

如果未来五年 AI 继续扩张，产业链一定从"线性分工"走向"闭环帝国"。最先赚到钱的不是提出路线的人，而是最早把软硬协同做成产品规模的人——谷歌赢在 13 年长跑，Anthropic 赢在推理经济学，OpenAI 赢在速度，博通和联发科赢在过路费，台积电赢在底座，华为和平头哥赢在刚需，DeepSeek 赢在"算法定义芯片"的孤注一掷。

附录一：关键术语表

附录二：数据三核验（截至 2026 年 7 月 11 日）

END