算力格局新变局：当 AI 从 GPU 走向 TPU、NPU、ASIC

在过去五年里，全球 AI 热潮的最大赢家无疑是 NVIDIA。它的 GPU 几乎成为大模型训练的“黄金标准”，从 ChatGPT 到 Gemini，再到国内的通义、文心、深度求索，几乎都离不开 NVIDIA 的 H100、A100、GH200。
然而，当下的趋势正在悄然变化。AI 训练的体量越大，算力的形式就越多样化。Google 的 TPU、亚马逊的 Trainium、华为的昇腾、阿里的含光……新的芯片正在重新划分“算力的版图”。

这篇文章，我们就来深入拆解三个问题：

1. 除了 NVIDIA 的 GPU，还有哪些算力芯片选项？

2. 大模型厂商如果从 GPU 转向 TPU，这会影响 NVIDIA 的股价吗？

3. 谁在下一场算力战争中潜伏，谁又可能被取代？

---

一、GPU 之外的算力江湖：AI 世界的“百芯大战”

我们常说“GPU 是 AI 的发动机”，但现在的 AI 产业早已不止一种引擎。
事实上，算力芯片已经分化成三大流派：
① 通用计算类（CPU / GPU），② 专用加速类（TPU / NPU / ASIC），③ 可编程与混合架构类（FPGA / DPU / IPU）。

1️⃣ 专用 AI 加速器（ASIC / 定制芯片）

AI 的核心计算是 矩阵乘法与累加，传统 GPU 虽然强大，但通用架构导致效率并非极致。于是，Google 率先推出了 TPU（Tensor Processing Unit） —— 一种完全针对神经网络的定制芯片。

• TPU 的思路： 用硬件直接映射神经网络中的张量运算，不浪费任何逻辑判断时间。

• 结果： 在同等功耗下，TPU 在 AI 推理任务上能比 GPU 提高数倍性能。

• 市场引用： 据 Trefis 与 Omdia 报告，TPU 已被广泛部署在 Google Cloud、Gemini、PaLM、YouTube 推荐系统等核心业务中，成为全球最成熟的非 GPU 加速器体系之一。