自研ASIC的天花板：TPU、Trainium、MTIA能吃掉多少英伟达

聊英伟达的对手，除了AMD，还有一批更隐秘也更值得关注的选手——超大云自己做的AI芯片。Google的TPU、亚马逊的Trainium、Meta的MTIA、微软的Maia。它们和英伟达不在同一个市场上直接竞争，但都在悄悄啃英伟达的份额。

先看规模。

业内估算2026年超大云自研芯片合计部署量约190万颗加速器，相当于英伟达出货量的一个可观比例。TPU v6（Trillium）、MTIA v3已经在谷歌和Meta的生产环境正式跑起来，AWS Trainium3也做到3nm、单卡144GB HBM3E。硬件规格上，这批芯片已经和英伟达在同一个量级。

自研ASIC的逻辑非常简单：

超大云买英伟达GPU要付75%的毛利溢价，如果自己做一颗只服务于自家工作负载的芯片，成本可以砍掉一半以上。就算算上一次性的设计费用、软件栈开发、工程团队，大规模部署之后单位算力成本还是能省下来。所以每一家超大云都有强烈的动机做这件事。

但ASIC也有非常明确的天花板，这是理解这条主线的关键。

第一，ASIC是“自用”的。

它只跑自家框架、自家工作负载，不对外销售。TPU只在Google Cloud内部用，Trainium只在AWS内部用。这意味着它不能形成通用市场，也不能像英伟达那样跨客户、跨场景摊薄开发成本。

第二，ASIC需要自家的软件栈。

TPU用的是XLA、JAX，Trainium有Neuron SDK。这些软件栈只在超大云自家闭环里成熟，超大云工程师能用，外部的AI公司几乎没人碰。这就限制了ASIC的实际使用范围。

第三，ASIC的迭代节奏比GPU慢。

英伟达每年一代新架构，超大云自研芯片一般两到三年一代。因为设计一颗新芯片、量产、部署、调优都要时间。当英伟达每代都翻倍性能的时候，ASIC很容易被拉开身位。

第四，前沿训练还是绕不开英伟达。

超大云自己训练顶级模型时，大部分核心训练任务依然放在英伟达集群上。TPU和MTIA更多用在推理、以及一些相对确定的训练任务上。这是因为前沿训练的实验性极强，需要CUDA生态里丰富的调试和优化工具，自研ASIC生态还没到这一步。

所以ASIC对英伟达是“稳定失血”，不是“颠覆性替代”。它会在推理、以及超大云自用训练里，一点一点吃掉英伟达的份额，可能长期把英伟达的市占从80％压到60％甚至更低。但短期内它不会把英伟达打下神坛，因为CUDA生态的普适性、迭代速度、外部市场规模都不是超大云自研能覆盖的。

这对投资者的启示是：ASIC是英伟达估值的长期折价因子，不是短期崩盘因子。

看这条线索，该关注的信号是自研ASIC在超大云内部的部署比例——如果Google内部TPU占比从今天的一半冲到八成，或者AWS Trainium的推理份额过半，那才是真正的拐点。

在此之前，英伟达依然是这个市场的定价权中枢。