英伟达迎来最大挑战？算力寡头自研芯片跑赢 GB300

电子发烧友网报道如果说过去两年，全球 AI 产业的叙事主线是 “所有公司都在疯狂抢购英伟达 GPU”，那么到 2028 年，这条主线或将迎来一个值得警惕的终局：全球大部分可用 AI 算力，将集中掌握在 OpenAI 和 Anthropic 两家企业手中。

SemiAnalysis 创始人 Dylan Patel 判断，到 2028 年，Anthropic 与 OpenAI 将掌控全球大部分可用 AI 算力。按照今年新增 30 吉瓦、明年 50 吉瓦、后年 70 吉瓦的算力增量测算，2027 年底两家企业将占据新增算力的半壁江山；加之新一代芯片每瓦性能达到前代的 3‑5 倍，这半数新增算力所能输出的实际算力产出，将大幅超越全部存量算力。

与此同时，OpenAI 代号为 “Jalapeno” 的自研芯片，正对英伟达的行业霸主地位发起正面冲击。而这场技术较量的走向，或将决定上述算力集中格局的最终形态。

算力集中化背后的数学逻辑

要预判 2028 年的行业格局，需要先读懂 SemiAnalysis 创始人 Dylan Patel 提出的算力增长模型。从电力消耗维度统计，全球 AI 算力正高速扩张：今年、明年和后年的增量预计为 30 吉瓦、50 吉瓦和 70 吉瓦。截至 2027 年底，OpenAI 和 Anthropic 两家，将占据半数以上的新增算力。

更关键的是芯片代际差带来的乘数效应。Dylan Patel 指出，新一代 AI 芯片每瓦性能为前代的 3‑5 倍。假设截至 2024 年底已部署的存量算力能效系数为 1.0；2027 年底全部新增 70 吉瓦算力之中，OpenAI、Anthropic 占有 35 吉瓦，且这部分算力将搭载最新一代芯片，能效系数可达 3‑5。按此测算，全球约 100 吉瓦存量算力等效产出约为 100；两家企业所持 35 吉瓦新增算力，等效产出可达 105‑175。

也就是说，OpenAI 与 Anthropic 手握的这 50% 新增算力，在 Token 生成、模型训练吞吐量等实际产出层面会被成倍放大。当这批具备 3‑5 倍能效优势的算力落地投产，它所输出的实际能力，将远超同期全部存量算力之和。

算力向头部集中并非偶然现象。大模型训练算力需求呈指数级攀升，但电力供给、土地资源、冷却基础设施、芯片产能的扩张速度难以匹配算力增长。资源的稀缺性，天然向能够预付大额定金、签署长期电力协议、自建数据中心的头部企业倾斜。Anthropic 深度绑定亚马逊云科技、OpenAI 联合微软并对接多家能源供应商，正是这一产业逻辑的现实体现。

Jalapeno：OpenAI 的 “芯片独立宣言”

如果电力与数据中心构筑起算力垄断的硬件底座，自研芯片就是放大算力优势的技术加速器。

OpenAI 芯片业务负责人 Richard Ho 在采访中披露关键信息：自研 AI 处理器 Jalapeno，在对标英伟达当前旗舰产品 GB300 的对比测试中，两项核心指标实现领先。

第一是单位功耗 AI 处理能力，即能效比（performance per watt）。在数据中心场景下，电力已经成为 AI 训练与推理阶段最主要运营成本。能效优势直接转化为 TCO 总拥有成本优势。当算力规模达到数十吉瓦级别，即便仅实现 10% 的能效提升，每年也可节省数亿美元成本。

第二是推理响应速度。面向 C 端、B 端的 AI 服务中，推理延迟直接决定用户体验。Jalapeno 在响应速度上的优势，代表 OpenAI 既可以同等硬件成本下提供更低延迟服务，也可以在相同延迟约束下部署复杂度更高的模型。

值得关注的是测试选用的模型组合。OpenAI 并未局限于自家模型开展内部自测，测试集涵盖三类不同来源模型：自家开源小参数量模型 GPT‑OSS 120B、DeepSeek 第三方模型，以及 Moonshot AI 的 Kimi K2.5 1T。其中在万亿参数规模的 Kimi K2.5 1T 之上，Jalapeno 的性能优势表现得更为突出。

万亿参数模型对内存带宽、芯片互联效率要求极高，历来被视作英伟达 GPU 生态的优势场景。倘若 Jalapeno 在这类高负载极端场景优势进一步拉大，侧面说明它的架构设计在大规模模型推理上具备结构性优势，有可能来自优化的片上内存层级、更高效的互联拓扑，或是面向 Transformer 架构的定向优化。

自研芯片：算力战略的必然选择

OpenAI 布局自研芯片并非临时决策，是整套算力战略的关键一环。梳理完整逻辑链，便能看懂算力寡头化的形成路径：

第一环，需求端的规模扩张。从 GPT‑4 到 GPT‑5，再到未来更大体量的多模态模型，OpenAI 训练与推理需求持续指数级上涨。高度依赖外部芯片供应商，就意味着产能、定价、交付周期全部受制于人。

第二环，供给端锁定电力资源。OpenAI、Anthropic 通过大规模签约锁定数据中心与电力配额，前文提及的吉瓦级算力增量，已有相当部分被两家企业提前锁定。

第三环，效率端依靠芯片实现增益。锁定电力解决的是算力供给有无问题，自研芯片则解决资源利用效率。一旦自研芯片能效比肩甚至超越英伟达同级产品，同等电力配额就可以输出更多算力，相当于对已锁定能源实现系数放大。

第四环，生态端完成垂直整合。当 OpenAI 同时掌控模型、芯片、数据中心三层能力，它就不再只是英伟达的大客户，而是一家垂直一体化算力供给方。企业可以完成从底层硬件到上层推理的全链路调优，这也是 Jalapeno 能够在部分场景超越 GB300 的核心原因：并非芯片单体硬件绝对领先，而是硬件针对自身业务负载做定制化适配。

四环环环相扣形成正向飞轮：规模优势锁定能源供给→自研芯片放大资源利用效率→效率提升拉高实际算力产出→算力产出巩固市场地位→市场地位继续扩大规模。

被挤压的中间层：行业格局迎来三重冲击

算力集中叠加头部企业自研芯片浪潮，将对整条 AI 产业链带来深层次影响。

第一重冲击，作用于英伟达。短期来看英伟达行业地位不会被颠覆，GB300 依旧是行业标杆，CUDA 生态护城河依旧坚固。但核心大客户已经显露出自主化趋势，将从两个维度影响英伟达长期估值：一方面高端芯片增量需求会被自研方案分流；另一方面英伟达在产品定价、路线规划上的绝对话语权会被制衡。英伟达同样有所预判，加码自研大模型、探索 ARM 架构，本质也是向垂直整合方向延伸布局。

第二重冲击，指向云服务商。传统模式下云厂商是 AI 算力批发商，采购英伟达 GPU 之后以云实例对外售卖，供给模型企业与开发者。但当最大一批客户开始自建数据中心、开发自研芯片，云厂商的定位变得微妙。微软绑定 OpenAI、亚马逊绑定 Anthropic，本质是云厂商以基础设施投资换取股权与长期合约，规避被边缘化风险。而未能绑定头部大模型企业的云服务商，或将面临高端 GPU 采购需求增速放缓的压力。

第三重冲击，落在中小模型企业与开源社区。算力向头部聚拢，抬高了后入局者做基础大模型的追赶门槛。先进硬件、低成本电力、芯片设计能力向少数企业汇集，新玩家想要在基础模型赛道实现突破，难度显著提升。行业分层会进一步加剧：头部企业深耕基础大模型，中小企业转向垂直行业、端侧模型以及应用层创新。开源模型的价值会进一步凸显，为资源有限的开发者提供创新底座。

对普通用户而言，这一变化未必全然是负面。推理成本下行会向消费端传导：ChatGPT 不一定直接降价，但同等订阅费用下可调用的能力会显著增强；过往付费用户专属的深度研究、高级 Agent 能力，未来有望向免费用户开放；企业 API 调用成本下降，更多中小企业、开发者能够用上过去只有大客户可负担的 AI 能力，推动 AI 进一步普及。

结语

回到 Dylan Patel 的预判：2028 年全球大部分 AI 算力将归属两家企业。该预测的价值不在于数字精准度，而是揭示一条不可逆趋势：AI 基础设施正在从 “分散供给、通用采购”，转向 “集中建设、垂直整合”。

OpenAI Jalapeno 芯片的出现，正是这一产业转向的标志性事件。它证明头部模型企业，既可以定义算法，同样有能力定义承载算法运行的硬件。当算法创新与硬件创新在企业内部完成闭环，算力规模和能效提升持续驱动正向飞轮，整个 AI 产业的竞争门槛将抬升至全新层级。

站在全行业视角，这既是技术效率的胜利，也暗藏创新多样性下降的隐忧。算力集中能够加速技术迭代，但也有可能挤压多元创新空间。未来数年行业将迎来关键博弈：集中模式带来的效率红利，与去中心化带来的创新活力，能否在 AI 基础设施层面找到新的平衡点。

而寻找这个平衡点的线索，或许就藏在这些实验室中敢于对标 GB300 的自研芯片身上