Jon Peddie Research預測，未來一兩年內(nèi)獨立AI芯片供應商數(shù)量將縮減40%，實際情況可能更嚴峻。

英偉達的爆發(fā)式增長及其GPU的旺盛需求，推動了全球AI處理器市場的迅猛發(fā)展。然而，專注于研發(fā)專用AI芯片的初創(chuàng)企業(yè)浪潮已達頂峰，或已無限接近頂峰。

自2016年以來，全球AI處理器初創(chuàng)企業(yè)數(shù)量增長逾一倍，截至2025年底，該領域獨立企業(yè)數(shù)量激增至14 家，這一規(guī)模已難以為繼。受AI處理器市場前景吸引，投資者迄今已向這些企業(yè)投入高達280億美元資金。據(jù)預測，受推理（云端與本地）、邊緣端部署（從可穿戴設備到個人電腦）的出貨量驅動，以及訓練業(yè)務與超大規(guī)模云服務商的營收貢獻，2026年該市場規(guī)模將突破4940億美元。

盡管英偉達的技術擁有深厚、廣泛且?guī)缀鯃圆豢纱莸能浖褩?，以及面向?shù)據(jù)中心的完整硬件基礎設施，但投資者似乎對此視而不見，幾乎愿意為任何宣稱能研發(fā)出更快、更智能、更具成本效益的AI處理器的企業(yè)注資。

不出所料，大多數(shù)企業(yè)均聚焦于數(shù)據(jù)中心或邊緣端的AI推理業(yè)務。模型訓練業(yè)務資本密集度極高，多數(shù)初創(chuàng)企業(yè)已將該領域拱手讓給英偉達。

Jon Peddie Research指出：“未來一兩年內(nèi)，獨立AI處理器供應商數(shù)量將縮減 40%，實際情況可能更嚴峻?！?/p>

然而，多數(shù)此類初創(chuàng)企業(yè)的成功窗口期或將關閉。行業(yè)初創(chuàng)企業(yè)成立高峰期為2018年，彼時75%的初創(chuàng)企業(yè)已成立）。值得關注的是，初創(chuàng)企業(yè)數(shù)量增長始于英偉達業(yè)務爆發(fā)、震驚科技行業(yè)之前。人們或許認為，英偉達的成功是吸引眾多企業(yè)入局的 “蜜糖”，但實際上58%的初創(chuàng)企業(yè)在此之前便已啟動。2022年以來，該行業(yè)年均完成7起收購；2020年至今，已有17家初創(chuàng)企業(yè)實現(xiàn)首次公開募股（IPO）。

AI芯片初創(chuàng)企業(yè)的復雜格局

從本質上講，AI處理器是一種經(jīng)過優(yōu)化的芯片，通過執(zhí)行海量張量運算并最大限度減少數(shù)據(jù)遷移，實現(xiàn)神經(jīng)網(wǎng)絡工作負載的高效快速運行。其產(chǎn)品類型涵蓋GPU、NPU、CIM/PIM、神經(jīng)形態(tài)處理器及矩陣 / 張量引擎。

盡管CPU和FPGA也用于運行AI工作負載，但因其通用性無法按功能區(qū)分，通常被排除在850億美元規(guī)模的AI芯片市場之外進行單獨評估。不過，搭載矢量擴展或單指令多數(shù)據(jù)流（SIMD）引擎的 CPU，同樣屬于AI處理器范疇。CPU、SoC與ASIC之間的重疊關系令人困惑。

從基礎層面看，AI處理器包含多個核心構建模塊：

• 計算模塊：寬位單指令多數(shù)據(jù)流 / 單指令多線程（SIMD/SIMT）核心（GPU 架構）、張量或矩陣引擎（NPU）、矢量單元、激活單元。
• 存儲層級：靠近計算單元的小型高速片上SRAM；處理器外部或同封裝內(nèi)的大容量HBM/ DDR；緩存或暫存器；預取器 / DMA（存內(nèi)計算芯片大致歸為此類）。
• 互聯(lián)模塊：片上網(wǎng)絡（NOC）及片外鏈路，包括但不限于PCIe、CXL、NVLink及以太網(wǎng)。
• 控制模塊：命令處理器、調(diào)度器，以及用于內(nèi)核/集合操作的微碼。

AI處理器應用場景覆蓋云服務、數(shù)據(jù)中心芯片、嵌入式IP及神經(jīng)形態(tài)硬件。創(chuàng)始團隊與工程師致力于彌補 CPU 與 GPU 的性能短板：優(yōu)化存儲管理、在小批量數(shù)據(jù)處理中維持高利用率、在嚴格功耗限制下滿足延遲指標，以及實現(xiàn)規(guī)?；瘓鼍跋碌姆€(wěn)定吞吐量。

企業(yè)主要從兩大維度開發(fā)產(chǎn)品：工作負載類型（訓練、推理或傳感器級信號處理），以及部署層級（從超大規(guī)模數(shù)據(jù)中心到電池供電的可穿戴設備）。

多數(shù)技術研發(fā)聚焦于存儲與執(zhí)行控制。存內(nèi)計算與模擬技術通過在存儲陣列內(nèi)完成運算并保留局部中間結果，減少數(shù)據(jù)傳輸，進而推動數(shù)據(jù)流架構設計。晶圓級芯片將激活值存儲于本地 SRAM，實現(xiàn)長序列權重的流式處理。

可重構架構在編譯階段調(diào)整數(shù)據(jù)流與數(shù)據(jù)分塊策略，優(yōu)化多層網(wǎng)絡的資源利用率。訓練芯片側重互聯(lián)帶寬與集合通信性能，推理芯片則優(yōu)先優(yōu)化單批次延遲、Transformer模型的鍵值緩存、邊緣端能效，以及降低對云端依賴以減少延遲（這對智能體機器人尤為關鍵）。

技術落地取決于市場推廣策略與生態(tài)系統(tǒng)支持。云服務商將加速器集成至托管服務與模型服務框架；IP供應商與手機、汽車及工業(yè)級片上系統(tǒng)團隊合作，提供工具鏈、模型與性能密度路線圖。

此外，邊緣端技術企業(yè)推出軟件開發(fā)工具包（SDK），實現(xiàn)模型壓縮、INT8 及更低精度量化，將算子映射至稀疏或模擬單元，同時滿足精度要求。神經(jīng)形態(tài)技術團隊則推出脈沖神經(jīng)網(wǎng)絡編譯器，側重事件流處理的能效與延遲優(yōu)化。編譯器、內(nèi)核集與可觀測性工具的優(yōu)化，其實際價值往往超越峰值每秒萬億次運算（TOPS）指標。

市場競爭格局因部署層級而異。訓練芯片聚焦單模型訓練成本，綜合考量網(wǎng)絡、存儲與編譯器限制；推理芯片以延遲約束下的單令牌/單幀成本為核心目標，運用緩存管理與量化技術；邊緣設備比拼單推理毫瓦功耗與工具鏈可移植性；IP供應商則在流片周期、PPA指標及驗證支持方面展開競爭；科研項目則在市場落地速度與可能顛覆存儲、計算、通信權衡關系的實驗之間尋求平衡。

在此過程中，研發(fā)團隊針對注意力機制深度、參數(shù)規(guī)模、激活值大小、稀疏性及精度策略等特定需求定制芯片設計。當企業(yè)實現(xiàn)芯片、編譯器與部署工具的協(xié)同優(yōu)化時，可降低集成成本，加速從模型訓練到高吞吐量部署的轉化。

客戶因此擁有多元選擇：拓展云端算力、采用晶圓級系統(tǒng)實現(xiàn)規(guī)模化部署、在片上系統(tǒng)中集成神經(jīng)網(wǎng)絡處理器，或通過模擬與神經(jīng)形態(tài)芯片將計算能力部署至傳感器近端。280 億美元的投資正流向這些海量的研發(fā)工作，也使初創(chuàng)企業(yè)成為極具吸引力的收購標的。

AI芯片初創(chuàng)企業(yè)爆發(fā)式增長的終結

然而，AI芯片初創(chuàng)企業(yè)的 “大爆發(fā)” 或將落幕。2025年末，投資者已開始對超大規(guī)模云服務商、政府及私營企業(yè)的巨額資本設備支出感到擔憂，這一情緒在由AI熱潮主導的股市中引發(fā)波動，媒體充斥著市場泡沫及破裂時間預測的討論。

AI芯片供應商領域的泡沫破裂已暗流涌動。畢竟，任何行業(yè)都無法支撐146家供應商共存。截至2025年底，行業(yè)已出現(xiàn)多起收購與企業(yè)倒閉案例（共計 21 起），未來此類事件將持續(xù)增加。但風險投資機構仍在博弈概率：獲得超10億美元融資的6家企業(yè)大概率成為幸存者，其余逾百家初創(chuàng)企業(yè)將尋求被37家處于收購階段的上市公司并購。Jon Peddie Research預測，未來一兩年內(nèi)獨立AI芯片供應商數(shù)量將縮減40%，實際情況可能更嚴峻。

盡管多數(shù)初創(chuàng)企業(yè)將被收購或倒閉，但被收購的企業(yè)將為收購方帶來由樂觀風險投資機構買單的免費IP資產(chǎn)。280億美元足以支撐大量研發(fā)工作，尤其這些初創(chuàng)企業(yè)平均員工規(guī)模不足10人。相較之下，英偉達當前員工約3.6萬人，二者競爭并不對等。

這些收購案背后，是無數(shù)未能實現(xiàn)的商業(yè)愿景。若企業(yè)的核心愿景僅是 “研發(fā)出更優(yōu)處理器，市場便會趨之若鶩”，那么最終的失落便在所難免。英偉達的主導地位不僅源于其AI GPU的性能優(yōu)勢與深厚軟件堆棧，其面向數(shù)據(jù)中心打造的完整硬件基礎設施布局，更是其持續(xù)領先的關鍵所在。

*聲明：本文系原作者創(chuàng)作。文章內(nèi)容系其個人觀點，我方轉載僅為分享與討論，不代表我方贊成或認同，如有異議，請聯(lián)系后臺。