OpenAI 自研晶片：NVIDIA 會因此停止投資嗎？深度解析晶片多元化戰略
📰 新聞背景
OpenAI 剛發布首款基於 Cerebras 晶片運行的 AI 模型 GPT-5.3-Codex-Spark，並在 1 月與 Cerebras 簽署超過 100 億美元的合作協議。這是 OpenAI 首次使用非 NVIDIA 晶片推出生產級模型，引發市場關注：NVIDIA 會因此停止對 OpenAI 的投資嗎？
---
🎯 核心問題拆解
Q1：OpenAI 為什麼要自研晶片生態？
商業考量一：降低推理成本
OpenAI 的商業模式正從「訓練模型」轉向「服務用戶」。ChatGPT 每週服務 8 億用戶，推理成本已成為最大支出項目。
📊 推理 vs 訓練成本對比
成本項目：推理佔比 90%，訓練僅佔 10%
- 訓練：一次性投入，模型完成後成本固定
- 推理：每個用戶查詢都要消耗算力，成本隨用戶量線性成長
Cerebras 晶片在推理速度上比 NVIDIA Blackwell 快 5 倍，每美元產出的 token 數是 NVIDIA 的 3 倍。對於每天處理 25 億條訊息的 ChatGPT，這意味著成本結構的革命性改變。
商業考量二：避免供應鏈單點失敗
NVIDIA 控制 90% 的 AI 晶片市場，這創造三大風險：
- 供應瓶頸：H100/B200 排隊時間長達數月
- 定價權力：NVIDIA 可隨時調價，客戶議價空間小
- 策略衝突：NVIDIA 也投資 Anthropic 等 OpenAI 競爭對手
OpenAI 的多供應商策略包括：
- Cerebras：100 億美元，專攻推理速度
- AMD：數十億美元，MI450 系統
- Broadcom：合作開發客製化晶片
- NVIDIA：仍是訓練主力，1000 億美元投資承諾
商業考量三：技術差異化
Cerebras 的 晶圓級運算架構解決了 NVIDIA GPU 的核心痛點：
🔧 技術對比：Cerebras vs NVIDIA
記憶體頻寬
- Cerebras WSE-3：21 PB/s（晶圓上的 SRAM）
- NVIDIA B200：~5 TB/s（外部 HBM）
- 差異：Cerebras 快 4200 倍
晶片間通訊
- Cerebras：單晶片運行，無通訊延遲
- NVIDIA：需要 8-16 個 GPU 協作，NVLink 頻寬成為瓶頸
推理延遲
- Cerebras：3000 tokens/秒（GPT-OSS-120B）
- NVIDIA Blackwell：650 tokens/秒
- 結果：Cerebras 快 5 倍
對於需要「即時對話」的 ChatGPT，這種速度差異直接轉化為用戶體驗優勢。
---
Q2：NVIDIA 會停止投資 OpenAI 嗎？
短期答案：不會，但會重新談判
根據路透社獨家報導（2026/2/2），NVIDIA 原計劃的 1000 億美元投資已經拖延數月未簽約。原因包括：
NVIDIA 的疑慮
- 商業模式風險：OpenAI 年收入 200 億美元，卻承諾 1.4 兆美元基礎建設投資，財務可持續性存疑
- 技術路線分歧：OpenAI 積極採用 Cerebras/AMD，削弱 NVIDIA 獨家地位
- 競爭動態變化：NVIDIA 已投資 210 億美元給 Anthropic（Google TPU），不想把雞蛋放同一籃
OpenAI 的立場
- 公開表態友好：CEO Sam Altman 強調「NVIDIA 製造世界最好的 AI 晶片，我們希望長期當巨量客戶」
- 實際行為多元：同時與 Cerebras（100 億）、AMD（數十億）、Broadcom 簽約
- 策略清晰：訓練用 NVIDIA，推理多元化
長期答案：關係會「去排他性」
NVIDIA 和 OpenAI 不會分手，但會從「主僕關係」變成「多方合作之一」。類似案例：
📚 歷史先例：AWS Graviton 的啟示
2018 年 AWS 推出自研 ARM 晶片 Graviton，Intel 股價一度重挫。但 10 年後：
- AWS 仍是 Intel 最大客戶之一
- Graviton 僅佔 AWS 算力的 30-40%
- Intel 專注高階 CPU，AWS 用 Graviton 打低價市場
結論：客戶自研晶片不是為了取代供應商，而是重新定義議價權。OpenAI 的 Cerebras 策略也是如此。
---
Q3：半導體產業如何看待「客戶自研晶片」？
案例一：Google TPU — 垂直整合的成功典範
背景：2015 年 Google 發現 NVIDIA GPU 無法滿足搜尋和廣告推理需求，開發 TPU。
結果：
- TPU v7 Ironwood 推理效能 4x NVIDIA B200
- 成本：TPU 佔系統成本 <5%，能耗 <3%
- 商業影響：Google Cloud 用 TPU 打價格戰，迫使 NVIDIA 降價
啟示：垂直整合成功的前提是巨量內部需求 + 長期投資決心。Google 每年訓練數百個模型，足以攤平晶片研發成本。
案例二：AWS Trainium — 降低訓練成本 40%
背景：AWS 發現客戶抱怨 NVIDIA 訓練成本過高，2020 年推出 Trainium。
技術亮點：
- Trainium3：2.52 PFLOPs FP8 算力
- 能效：比 Trainium2 省電 40%
- 擴展性：NeuronSwitch 可串接 144 顆晶片
商業策略：
- AWS 不賣晶片，只賣「算力服務」
- 價格比 NVIDIA 實例便宜 30-50%
- 目標客戶：中小企業和成本敏感型 AI 新創
啟示：客戶自研晶片的主要動機是成本控制，不是技術領先。AWS/Google 的晶片在 benchmark 上通常輸 NVIDIA，但「夠用 + 便宜」就能吸引大量客戶。
案例三：Tesla Dojo — 失敗的垂直整合？
背景：2019 年 Tesla 宣布自研 Dojo 超級電腦，用於自動駕駛訓練。
問題：
- 需求單一：Dojo 只訓練視覺模型，通用性差
- 成本高昂：研發 + 製造成本遠超預期
- 進度延遲：2024 年才小規模部署，落後計畫 3 年
結果：2025 年 Tesla 宣布「Dojo + NVIDIA 雙軌並行」，實質承認自研晶片無法完全取代 NVIDIA。
啟示：垂直整合不是萬靈丹。成功需要：巨量需求、長期資金、頂尖人才、持續迭代能力。
---
🧠 策略解讀：OpenAI 的「晶片外交」
OpenAI 的多供應商策略不是技術決策，而是地緣政治 + 財務工程的組合拳：
策略一：用「供應商競爭」壓低成本
與 Cerebras 的 100 億合約，讓 OpenAI 在與 NVIDIA 談判時有了籌碼：
- 「你不降價，我就多買 Cerebras」
- 「你供貨延遲，我有備案」
這是典型的採購談判槓桿，亞馬遜/沃爾瑪等零售巨頭常用此招對付供應商。
策略二：用「晶片投資」換「算力貸款」
OpenAI 與 AMD 的交易結構很特殊：
- AMD 提供「數十億美元」算力
- OpenAI 用「未來 10% 股權」支付（若達成股價里程碑）
這等於零現金支出擴充算力，對現金流緊張的 OpenAI 極為關鍵。Cerebras 交易可能也有類似結構（未公開）。
策略三：用「技術多元」降低監管風險
美國參議員 Elizabeth Warren 曾致信司法部，要求調查 NVIDIA 是否「反競爭壟斷」。OpenAI 的多供應商策略可以：
- 避免被指控「與 NVIDIA 排他性綁定」
- 向監管機構證明「市場有充分競爭」
- 降低未來被反壟斷調查波及的風險
---
💡 投資啟示
對 NVIDIA（NVDA）
利空因素
- 大客戶多元化，單一客戶依賴度下降
- 推理市場出現強勁競爭者（Cerebras、AMD、Google TPU）
- 毛利率可能因價格競爭承壓
利多因素
- 訓練市場仍是絕對霸主（90% 市佔率）
- 推理市場總量暴增，即使市佔率下降，絕對營收仍成長
- CUDA 軟體生態系統無人能撼動
投資建議：NVIDIA 短期股價可能因「OpenAI 多元化」消息波動，但長期成長邏輯未變。AI 算力需求 10 年內成長 100 倍，市場大到容納多個贏家。
對 OpenAI（未上市）
風險
- 1.4 兆美元基礎建設承諾 vs 200 億年收入，財務缺口巨大
- 多供應商策略增加系統複雜度和維護成本
- Cerebras/AMD 晶片生態系統不成熟，可能拖累產品開發
機會
- 成本控制若成功，毛利率可從 50% 提升至 65-70%（參考 Google）
- 推理速度優勢可轉化為用戶體驗護城河
- 多元算力降低供應鏈風險，提升投資人信心
對 Cerebras（計劃 2026 Q2 IPO）
投資亮點
- OpenAI 100 億訂單驗證技術可行性
- IPO 目標估值 220 億美元，若成功將是 2026 年最大科技 IPO
- 晶圓級運算若成為行業標準，Cerebras 將是唯一玩家
風險
- 單一客戶依賴：OpenAI 佔營收 60%+
- 製造良率：晶圓級晶片良率低，成本控制困難
- 生態系統：軟體開發工具遠不如 NVIDIA CUDA 成熟
---
🎬 結論
OpenAI 自研晶片不會讓 NVIDIA 停止投資，但會重塑雙方關係
- 短期：NVIDIA 投資談判會拖延，但最終會簽約（金額可能縮水至 500-700 億）
- 中期：OpenAI 推理用 Cerebras/AMD，訓練仍用 NVIDIA，形成「混合架構」
- 長期：NVIDIA 地位從「唯一供應商」變成「核心供應商之一」，但仍是最大受益者
這不是零和遊戲，而是市場擴張的必然
AI 算力需求正以每年 3-4 倍速度成長。即使 NVIDIA 市佔率從 90% 降至 70%，營收仍會暴增。關鍵在於：蛋糕變大的速度，遠快於市佔率下降的速度。
半導體產業的新常態：客戶自研 + 採購並存
亞馬遜有 Graviton 還買 Intel，Google 有 TPU 還用 NVIDIA，蘋果有 M 系列還向台積電下單。垂直整合與外部採購不是對立，而是互補。OpenAI 的 Cerebras 策略，只是這個趨勢的最新案例。
最大贏家：整個 AI 生態系統
晶片多元化降低系統性風險，加速技術創新，最終受益的是：
- 開發者：更多選擇，更低成本
- 終端用戶：更快的 AI 回應速度
- 投資人：更健康的產業競爭格局
NVIDIA 不會倒，OpenAI 不會破產，Cerebras 有機會成為獨角獸。這是一個多贏的產業演化，不是殘酷的零和競爭。
---
💬 討論區提問
- 你認為 OpenAI 的多供應商策略會成功嗎？還是會因為系統複雜度過高而失敗？
- 如果你是 NVIDIA CEO，你會如何應對大客戶的「去 NVIDIA 化」趨勢？
- Cerebras IPO 估值 220 億美元合理嗎？你會參與申購嗎？
（歡迎在評論區分享你的觀點！）