AI 算力市場越來越大，真正值得看的不是“誰打敗輝達”，而是預算正在怎樣被不同層級的公司分走。
討論 GPU 公司，不能只看誰的晶片參數更強。
因為今天的輝達，早就不是一家簡單的“顯示卡公司”。它賣的是 GPU，也是 CUDA，是伺服器，是網路，是一整套 AI 資料中心基礎設施。
最新一個季度，輝達 2027 財年第一季度總收入達到 816 億美元，其中資料中心收入有 752 億美元，同比增長 92%。單季度 752 億美元的資料中心收入，已經足夠說明這麼個事兒：AI 算力市場的第一張桌子，還牢牢地被輝達把控著。
所以這篇文章真正要回答的，不是“誰能打敗輝達”。這個問題太簡單，也太容易寫成標題黨。
更值得看的問題是：當 AI 算力市場大到今天這個規模，預算會怎麼分流？那些公司正在從不同層級，切走原本屬於 GPU 的那部分錢？
換句話說，輝達之外，全球 GPU 和 AI 加速晶片市場，正在形成一張新的分層地圖。
真正值得看的問題不是“誰打敗輝達”，而是 AI 算力預算會怎樣分流。
先說清楚：本文裡的 GPU 是廣義口徑
嚴格來說，Cerebras、Groq、Google TPU、AWS Trainium 都不是傳統 GPU。
但如果只按傳統 GPU 來寫，這篇文章會變得很窄，只剩 Nvidia、AMD、Intel 和少數中國 GPU 公司。
問題是，AI 算力市場的競爭早就不只是發生在 GPU vs GPU 之間，好多公司可不只想做另一個輝達 GPU，而是打算在訓練、推理、雲端部署、國產替代、低成本服務這些場景裡，躲開 GPU 的傳統路子。
所以本文中的“GPU 公司”採用廣義口徑，包括四類：資料中心 GPU、GPGPU、AI 加速器、推理專用晶片，以及雲廠商自研 AI 晶片。
這個口徑先放在前面，後面就不會把所有公司都硬塞進“顯示卡公司”的框裡。
本文中的“GPU 公司”採用廣義口徑：資料中心 GPU、GPGPU、AI 加速器、推理專用晶片，以及雲廠商自研 AI 晶片。
一、正面競爭者：最現實的是 AMD，不是“下一個輝達”
要是只看全球市場，目前真正能在資料中心 GPU 上正面跟輝達叫板的公司還挺少的。
AMD 是最現實的第二供應商。Intel 有資料中心基礎，但 AI 加速器敘事沒有完全跑順。Qualcomm 則不是傳統 GPU 玩家，而是試圖從推理端切進去。
這一組裡面，AMD 最值得重點看。
它並不是要在所有指標上打贏輝達，而是要成為大客戶的“第二選擇”。對於雲廠商來說，只依賴一家供應商風險太高。只要 AMD 的性能、軟體、供貨和價格進入可接受區間，它就有機會分到一部分訓練和推理預算。
這和手機行業有點像：不是每個Android晶片都要正面打敗蘋果 A 系列，但只要市場足夠大，第二供應商就有自己的位置。
Intel 的問題比較複雜。它有資料中心的根基，還有製造和企業客戶的優勢，但是在 AI GPU 這條線上，市場對它的想像明顯比 AMD 弱，它更像是在守住資料中心的入口，而不是主動去改寫 AI 算力的格局。
Qualcomm 則是另一種變數。它不是來做訓練 GPU 的，而是想切推理成本。AI 推理和訓練不同，訓練要追求大規模平行和通用能力，推理更關心延遲、吞吐、功耗和單位 token 成本。如果未來大模型進入高頻呼叫階段，Qualcomm 這種低功耗推理路線就值得單獨看。
這一組怎麼看：AMD 爭的是第二供應商，Intel 爭的是資料中心入口，Qualcomm 爭的是推理成本。
二、中國 GPU / AI 晶片公司：窗口打開了，但不等於全面追平
中國這條線，是全文最特殊的一組。
它不是單純的技術路線競爭，而是技術、政策、供應鏈安全和本土客戶需求共同推動的結果。
根據 Reuters 引用 IDC 資料的報導，2025 年中國 AI 加速卡總出貨約 400 萬張，其中 Nvidia 約 220 萬張，份額約 55%；中國廠商合計約 165 萬張，份額約 41%。其中，華為約 81.2 萬張，阿里平頭哥約 26.5 萬張，百度崑崙芯和寒武紀各約 11.6 萬張。
這個資料的含義很明確：國產 AI 晶片已經不只是概念，而是開始進入真實出貨和真實訂單階段。
但也要把話說完整。份額提升，不等於性能全面追平。國產替代的背後，有出口管制帶來的供給缺口，也有本土政企客戶對供應鏈安全的需求，還有國內智算中心建設帶來的訂單窗口。
這一組最值得重點寫的是三家公司：華為、寒武紀、摩爾線程。
華為是個系統級的玩家。它的優勢可不只在晶片這一塊，而是在“晶片加上伺服器加上叢集加上雲還有政企管道”的一整套能力。對於政企客戶還有智算中心來講，他們買的通常可不只是一顆晶片，而是一套能交付、能部署、能維運的方案。
寒武紀的亮點在財報。很多國產晶片公司過去的問題是“技術故事很強，收入兌現很慢”。寒武紀最新季度營收和利潤同時上來，說明它至少已經跨過了“有沒有真實訂單”這一關。
摩爾線程更像是國產通用 GPU 的代表。它的敘事可不只是 AI 加速器，而是更接近輝達早期那種圖形、計算、生態一塊兒做的路子，不過這條路也最難，因為通用 GPU 比拚的不只是晶片性能，還有驅動、編譯器、開發者生態、遊戲和專業軟體適配。
這一組怎麼看：國產替代已經進入真實出貨階段，但它首先是窗口期和供應鏈安全邏輯，不應簡單理解為性能全面追平。
三、繞開 GPU 的公司：推理晶片正在另起一條路
這一組最有資訊差。
普通讀者聽到 AI 晶片，第一反應通常是 Nvidia、AMD、Intel。但真正有意思的變化，是很多公司壓根不想做傳統 GPU。
它們盯上的不是訓練，而是推理。
訓練階段，晶片得處理大規模平行計算，得追求通用性、穩定性還有生態成熟度，到了推理階段，情況就不一樣：每次回答得有多快，每生成一個 token 得花多少錢，能耗能不能降下來，記憶體頻寬夠不夠？
當 AI 應用從“訓練大模型”走向“每天被幾億次呼叫”，推理成本會變成一門很大的生意。
這一組的關鍵詞是：不做 GPU，但搶 GPU 的錢。
Cerebras 用特別大的晶片架構，試著減少傳統叢集裡的通訊瓶頸；Groq 把低延遲推理當作賣點，讓開發者在體驗上直接感覺到“快”。
這類公司不一定會成為下一個輝達，不過，它們將會一直製造壓力，特別是在推理方面。如果某個場景對於延遲、成本或者能耗比較在意，這樣客戶就會有動力去嘗試不是輝達的方案。
這一組怎麼看：訓練市場仍然高度依賴 Nvidia，推理市場則更可能出現專用晶片窗口。
四、雲廠商自研晶片：最大的客戶也在下場
這部分不需要寫太長，但必須出現。
因為從長期看，輝達最大的壓力不一定來自另一個 GPU 公司，而可能來自客戶自己。
Google、Amazon、Microsoft、Meta 都在做自研 AI 晶片。它們的目的不是公開賣卡賺錢，而是降低自己的 AI 服務成本。
對於雲廠商來說，AI 基礎設施投入已經是百億美元甚至千億美元等級的支出。只要自研晶片能把單位推理成本、訓練成本或能耗降下來，省下來的錢就非常可觀。
雲廠商自研晶片的邏輯很直接：不是為了替代所有輝達 GPU，而是為了把一部分可預測、規模化、重複運行的任務遷移到自己的晶片上。
比如說像推薦系統、廣告排序、內容分發還有固定模型推理這類任務，一旦處理規模到了一定程度，自己研發的晶片比較有可能達到成本效益。
它們不會立刻取代輝達。訓練最前沿模型，輝達仍然有很強的生態和性能優勢。但雲廠商自研晶片會改變輝達的議價環境。
以前客戶只能排隊去買 GPU。以後大客戶可能會說，最關鍵的訓練我接著買，不過有一部分推理和內部負載，我能自己弄。
這一組怎麼看：雲廠商自研晶片不是為了賣給別人，而是為了降低自己的 AI 成本。它們短期不顛覆 Nvidia，長期會削弱 Nvidia 的定價權。
結論：輝達不是被替代，而是被分層競爭包圍
把這幾組公司放在一起看，就能發現一個很清楚的變化：
輝達面對的不是某一個“挑戰者”，而是一張從不同方向收緊的網。
AMD 爭的是第二供應商。它最現實，也最直接。只要雲廠商不想完全依賴 Nvidia，AMD 就有機會。
中國廠商爭的是國產替代。這條線是由出口管制、本土客戶、政企採購還有智算中心建設一起推動的。華為是系統級的玩家，寒武紀開始實現收入了，摩爾線程和沐曦則在通用 GPU 和智算方面。
輝達仍然是第一張桌子的主人，但越來越多公司正在從第二供應商、國產替代、推理晶片和雲廠商自研四個方向分走預算。 (硅基代謝)