Rubin 缩水背后，英伟达的 CUDA 神话正在松动

两条看似无关的新闻，在 6 月最后一周先后落地。

6 月 25 日，OpenAI 发布首款自研 AI 推理芯片 Jalapeño，与博通联手仅用 9 个月完成从设计到流片——这家全球最大的 GPU 买家，开始自己造芯片了。

6 月 30 日，半导体研究机构 SemiAnalysis 在社交平台公开宣布：英伟达原版 4 芯片 Rubin Ultra 已在 GTC 2026 发布仅三个月后遭取消，新版性能缩水近半。"这一切发生的背景是，"该机构补充道，"英伟达的市场份额正在被侵蚀。"

而早在去年，媒体爆出 Anthropic 的年化营收已逼近 70 亿美元，旗下 Claude Code 在推出两个月内创造了 5 亿美元年化收入。而驱动这一切的算力底座，已经不再只有英伟达——谷歌 TPU 承担训练、亚马逊 Trainium 负责推理、英伟达 GPU 退居为"研究探索"的第三选项。

三条新闻，指向同一个问题：CUDA 护城河——英伟达最坚固也最被神话的竞争壁垒——正在出现裂痕。

87% 到 75%，英伟达的"不可替代"正在瓦解

先看一组数字。

据 Silicon Analysts 基于英伟达/AMD 财报及台积电产能分配数据的估算，英伟达在 AI 加速器市场（按收入计）的份额轨迹如下：

可以看到， 英伟达的收入仍在增长——从 150 亿到 1500 亿，四年十倍。但份额从 87% 高峰滑向 75%，意味着增量市场中有越来越大的一块被切走了。

切走这块蛋糕的，不是某一个对手，而是来自四面八方的竞争：谷歌 TPU、亚马逊 Trainium、微软 Maia、Meta MTIA、博通定制的 XPU——还有刚加入的 OpenAI。

博通 CEO 陈福阳在 2026 财年一季报电话会上透露了一个此前未公开的数字：博通 AI 半导体收入已达到 84 亿年化运行率，同比增长 10684 亿年化运行率，同比增长 106400-500 亿的年度轨迹冲刺。这家公司已经签下了六个超大规模客户为其定制 AI 芯片，OpenAI 是第六个。

换句话说，全球最大的几家云计算公司和 AI 公司，不约而同地选择了同一个方向：自己造芯片。

Anthropic 的选择

如果说市场份额数据是冰冷的统计，那 Anthropic 的案例就是一个活生生的"去英伟达化"教科书。

Anthropic 是目前全球增长最快的 AI 公司之一。 年化营收逼近 70 亿美元（2025 年同期仅约 10 亿），服务超过 30 万家企业客户，大客户数量同比增长近 7 倍。Claude Code 在推出两个月内创造了 5 亿美元年化收入，Anthropic 称其为"史上增长最快的产品"。

而驱动这一切的算力底座，是一种被 Anthropic CFO Krishna Rao 称为"独特计算策略"的三平台架构：

注意最后一列。英伟达 GPU 排第三，不是并列，不是"备选"，是三个选项里规模最小的那个。

这不是一个缺钱的小公司在用廉价替代品凑合。这是全球第二大 AI 公司，在生产环境中，用非英伟达芯片驱动其增长最快的产品。

SemiAnalysis 在 6 月 30 日的帖子中特别点出了这一点："Claude Code 的推理工作有相当大一部分运行在 Trainium 上，Claude 的训练在 TPU 上完成。就在一年前，TPU 和 Trainium 能增长到这种规模，同时 CUDA 护城河被缓慢侵蚀，还是难以想象的事。"

Anthropic 为什么要这样做？不是因为 TPU 和 Trainium 比 H100 更强——在绝对性能上它们可能仍有差距。而是因为特定场景下，专有芯片的性价比远超通用 GPU。训练用 TPU，因为谷歌给了几百亿美元的合同和百万颗芯片的供应承诺。推理用 Trainium，因为 AWS 是其主要云服务商、已投资 80 亿美元，Project Rainier 超算集群完全跑在 Trainium 2 上，没有 GPU 溢价。

亚马逊在 Trainium 上赌得很大。据其 2026 年一季报披露，Trainium 产品线已获得超过 2250 亿美元的收入承诺，客户包括 OpenAI 和 Anthropic。AWS 的 AI 收入运行率已超过 150 亿美元，Bedrock 推理服务大部分跑在 Trainium 上。

这里的关键词不是"性能"，是"成本"。推理是每天都在烧钱的事。ChatGPT 每次回答问题、API 每次返回代码，背后都是 GPU 在跑电。Anthropic 用 Trainium 替代 GPU 做推理，不是为了跑得更快，是为了每花一美元算更多次。

三道侵蚀切口：CUDA 护城河从哪里裂开

CUDA 之所以被视为英伟达最坚固的护城河，是因为它构建了一个"硬件 - 软件 - 开发者"的封闭生态：

• 20 年积累，400 万 + 开发者
• 所有主流 ML 框架优先为 CUDA 优化
• cuDNN、TensorRT、NCCL 等优化库形成深度绑定
• 切换成本以年计，以亿美元衡量

但 2026 年的 AI 芯片竞争，不再是"做一个比 H100 快 10% 的 GPU"——那是正面进攻，无人能赢。侵蚀来自三个侧面：

侵蚀路径一：自研 ASIC——不打全战场，只切最肥的推理蛋糕

这是最致命的路径。它的逻辑不是"我能做得比英伟达好"，而是"我不需要 GPU 的所有功能，我只需要推理"。

一块英伟达 H100 要做的事：图形渲染、科学计算、AI 训练、AI 推理、视频编解码……一块 Jalapeño 只做一件事：运行 OpenAI 自己的模型进行推理。前者是瑞士军刀，后者是一把专砍一种木头的斧头——在特定任务上，斧头比军刀好用得多，也便宜得多。

OpenAI Jalapeño 的定位极其精准： 不和英伟达比全能，只在推理——这个每天消耗数十亿次 API 调用、每年燃烧数亿美元成本的场景——做到极致。OpenAI 官方目标是降低 30-50% 的推理成本。在每天烧掉数百万美元推理费用的体量下，这意味着每年节省数亿美元的纯利润。

而且 OpenAI 不是第一家。 微软 Maia 200（2026 年 1 月发布）、谷歌 TPU Ironwood（第七代，首款专为推理设计）、亚马逊 Trainium 3——四大云厂商全部亮出了自研推理芯片。再加上 Meta MTIA 和苹果的定制芯片，全球前七大科技公司中，只有一家还在"只买不造"——而它也在路上了。

侵蚀路径二：AMD——从"存在"到"可信替代"

AMD 的 AI GPU 收入从 2022 年的不到 10 亿美元飙升至 2026 年预计的 150 亿美元以上，四年超过 15 倍增长。

这背后的关键转折点是 MI400 系列。基于 CDNA5 架构、432GB HBM4 内存、19.6 TB/s 带宽，预计 2026 年下半年量产。S&P Global 预测 MI400 单系列将贡献 72 亿美元收入，占 AMD 数据中心业务的 25%。

更重要的是客户端的信号。Meta 已与 AMD 签署了高达 6 吉瓦的采购承诺——这不仅是 AMD 历史上最大的 AI 芯片订单，也是一个明确的信号：超大规模客户在做多供应商布局。

AMD 的局限同样明显：台积电 CoWoS 产能分配仅约 11%，而英伟达占据 60% 以上。产能天花板决定了 AMD 短期内无法对英伟达形成数量级冲击。但"可信的第二供应商"这个定位本身，就已经拆掉了"非英伟达不可"的叙事墙角。

侵蚀路径三：软件层解耦——Triton、JAX 和"CUDA-Free"的未来

这是最容易被忽略、但长期最危险的一条路径。

CUDA 的绑定依赖于一个简单事实：AI 研究员写代码用 PyTorch，PyTorch 底层跑在 CUDA 上。但如果 PyTorch 底层不再依赖 CUDA 呢？

这正在发生。 PyTorch 团队已经验证了使用 Triton 编译器可以实现"CUDA-Free"推理——在 H100 和 A100 上运行 Llama 3 模型，Triton 内核生成的 token 吞吐量可与 CUDA 媲美。2026 年 2 月，Triton 推出了新的多后端支持，允许同一套代码编译到不同硬件上——AMD GPU、英特尔 GPU、甚至各种 ASIC。

谷歌的 JAX 框架走得更远。它从一开始就设计为硬件无关——同样的代码可以在 TPU、GPU 甚至 CPU 上运行。Anthropic 选择 TPU 进行训练，很大程度上就是因为 JAX 让它们可以在不重写模型代码的前提下迁移算力平台。

软件层的解耦意味着什么？ 意味着新一代 AI 研究员可能在从未写过一行 CUDA 代码的情况下，训练出最先进的模型。当开发者不再被锁定在 CUDA 生态中，"必须买英伟达"的硬逻辑就变成了"可以买英伟达"的软选择。

Rubin Ultra 取消：物理极限的分水岭

回到开篇的新闻。英伟达 4 芯片 Rubin Ultra 在发布三个月后遭取消，被 SemiAnalysis 视为"制造执行层面的问题正在让更多市场份额流失"。

技术原因并不复杂。原版 Rubin Ultra 计划将 4 颗计算芯片 +16 个 HBM4E 内存模块集成在单一封装内，采用台积电 CoWoS-L 工艺。但据 Global Semi Research，4 芯片配置下出现了封装基板翘曲——基板向多个方向弯曲，导致计算芯片无法与基板完全接触。信号传输失效，芯片根本无法工作。

台积电的备选方案 CoPoS（面板级封装）要到 2028 年底才能量产。英伟达等不起——所以新版 Rubin Ultra 回退到 2 芯片设计，性能缩水近半。

这件事的象征意义大于实际业务影响。

英伟达仍然会卖掉它能生产的每一块 Rubin Ultra。但"从 4 芯片回退到 2 芯片"暴露了一个更深层的问题：英伟达的产品迭代速度，正在撞上物理极限的墙。 更大的芯片→更复杂的封装→更高的缺陷率→要么延迟、要么缩水。这是一条不能无限延伸的曲线。

而与此同时，竞争对手们正在用另一种方式绕过这面墙：不做更大的芯片，做更专用的芯片。

定价权的裂缝

英伟达的护城河真正不可撼动的部分，不是 CUDA 软件生态，是制造端。台积电 60% 的 CoWoS 先进封装产能握在它手里。这是物理壁垒，不是软件壁垒。竞争对手可以写出更好的框架、设计出更高效的 ASIC——但在出货量上追赶英伟达，首先要过台积电产能这一关。

但问题也就在这里：制造壁垒依赖的是一家第三方晶圆厂。它不是英伟达自己能控制的资产。

而英伟达 88% 的毛利率——H100 成本 3320 美元、售价 28000 美元——建立在一个前提上：客户无法离开它。 如果这个前提从"无法离开"变成"性价比最优的选择"，那定价权就不再是绝对的了。

Anthropic 证明了另一条路：不追求最好的芯片，追求最适合的芯片。训练用 TPU 而不是 GPU，不是因为 TPU 更快，而是因为谷歌给了足够多的芯片和足够好的价格。推理用 Trainium 而不是 GPU，不是因为 Trainium 更强，而是因为 AWS 是战略股东，Project Rainier 绕开了通用 GPU 的溢价。

当全球第二大 AI 公司把 GPU 降级为三大算力平台中最小的一块时，"必须买英伟达"这件事就不再是铁律了。

英伟达仍然是最好的。头部 AI 公司没有一个彻底离开了它——Anthropic 保留了一部分 GPU 用于"前沿研究探索"，OpenAI 的 Jalapeño 只做推理不做训练，Meta 的 MTIA 只覆盖推荐系统和内容审核。

但从"只有英伟达"到"英伟达最贵，先用便宜的"，这中间的差距就是定价权的流失。

市场已经开始为这个可能性重新定价。今年以来，SemiAnalysis 的每一次看空报告都引发相关板块剧烈震动：6 月初 SOCAMM 削减消息导致美光单日跌 13%，6 月 10 日 CPO 延迟争议迫使英伟达高管出面辟谣，6 月 30 日 Rubin Ultra 取消再度点燃讨论。

这些波动的背后，是市场在艰难回答一个以前不需要回答的问题：如果 CUDA 不是不可替代的，英伟达值多少钱。