云巨头自研芯片浪潮 2026：OpenAI Jalapeño、Maia 200、MTIA、TPU v8 集体"去英伟达化"
2026 年 8 月 Hot Chips 的周二下午 AI 专场，是本届最有历史意义的一场——不是因为某颗芯片多强，而是因为登台的几乎全是"超算厂商去 NVIDIA 化"的自研 ASIC：Google 第八代 TPU、OpenAI 首颗自研芯片、微软 Maia、Meta MTIA、Cerebras 晶圆级机架同台。当全球最大的 AI 算力买家开始把 GPU 当作"可选项之一"，AI 硬件的权力结构正在松动。
1. OpenAI Jalapeño：9 个月造出一颗芯片
OpenAI 于 2026 年 6 月 24 日联合博通发布首款自研推理 ASIC Jalapeño，是"自研推理芯片俱乐部"的第五个成员。
| 维度 | Jalapeño |
|---|---|
| 合作方 | 博通（Broadcom）+ 台积电制造 |
| 定位 | 推理专用 ASIC |
| 设计周期 | 端到端 9 个月（Greg Brockman 称借助 OpenAI 自有模型辅助设计） |
| 成本目标 | 较通用 GPU 栈 token 成本降约 50% |
| 商用时间 | 2026 年底首批部署，长期目标 10GW 自研芯片 |
| 合作规模 | 与博通最高 100 亿美元战略合作（2029 年前部署加速器与网络） |
演讲标题"You Can Just Build Things … Chips"本身就是信号：最大的 AI 算力买家不再默认 GPU 是唯一路径。
2. Google TPU v8：十年来最大架构转向——训练/推理分芯
Google 拥有最悠久的自研芯片历史（2016 至今），第八代 TPU 首次将产品线一分为二：
| 型号 | 代号 | 合作方 | 定位 | 关键规格 |
|---|---|---|---|---|
| TPU 8t | Sunfish | Broadcom | 训练 | 单 pod 9600 卡、121 FP4 ExaFLOPS、2PB 共享 HBM、ICI 带宽翻倍 |
| TPU 8i | Zebrafish | MediaTek | 推理 | 288GB HBM、384MB 片上 SRAM（3× 上代）、ICI 19.2 Tb/s |
产能方面，摩根士丹利基于供应链访谈估算 2026 年 Google TPU 产量可能超 300 万颗（券商预测，非官方目标）。Google 也是唯一实现自研芯片大规模部署并对外销售算力的厂商（Gemini 跑在 TPU 上）。
3. Meta MTIA：从推荐系统到 GenAI 双使命
Meta 的自研之路起点最清晰——MTIA 最初为推荐排序硬件而生，正被生成式 AI 拉向双使命。
- MTIA 300 已部署；400 / 450 / 500 计划在 2027 年前约每 6 个月推出一款；
- 基于 RISC-V，Meta 称最高 25× 算力增益；
- 节点沿行业节奏演进：100（7nm）→ 200（5nm）→ 300 系列（3nm + CoWoS）；
- 与 博通合作，据称另一颗代号 Iris 的芯片已于 2026 年 7 月通过测试；
- Meta 计划 2026 年 9 月启动其中一款的量产，以将其整体算力翻倍。
4. 微软 Maia 200/300：部署最领先
微软 Maia 200 于 2026 年 1 月 26 日发布，是四家中部署最先进的：
| 维度 | Maia 200 |
|---|---|
| 制程 | 台积电 3nm，1400 亿+ 晶体管 |
| 算力 | 10+ PFLOPS FP4 / 5 PFLOPS FP8 |
| 显存 | 216GB HBM3E，7 TB/s |
| 功耗 | 750W |
| 部署 | 已在得梅因（Des Moines）数据中心运行，服务 OpenAI GPT-5.2 与 Microsoft 365 Copilot |
微软称其在特定基准上约 3× 亚马逊 Trainium 性能。短期策略是"自研 Maia + 外购英伟达"双路线并行——自研芯片从设计到量产需要时间，英伟达成熟生态短期内无法替代。
5. 亚马逊 Trainium 3 与 Anthropic 自建团队
- 亚马逊：Trainium 系列已商用，累计部署 140 万颗（官方披露），是数十亿美元业务；优势在 AWS 客户基数——企业可在英伟达 GPU 与自研芯片间选择。Trainium 3 延续这一路线。
- Anthropic：2026 年 8 月宣布组建自建芯片团队，尚无 tape-out 或量产时间表，初期定位为补充（而非取代）与 NVIDIA/AMD/AWS/Google Cloud 的现有合作，目标是为 Claude 架构量身打造、摆脱对单一 GPU 的依赖。
6. NVIDIA 的回应：不是更快的 GPU，而是全栈
容易把叙事简化成"四家造芯片、英伟达防守 GPU"。但 NVIDIA 在 Hot Chips 拿了 6 个 slot：RISC-V 教程、Vera CPU、Rubin GPU、BlueField-4 DPU、Spectrum-X 多平面网络、以及 LPU 加速器。
一颗 hyperscaler ASIC 只替换了这五个支柱中的一个。如果 CPU、NIC、交换 fabric 与软件都来自同一家供应商，把加速器换掉省下的，比加速器那一行账单暗示的要少得多。Rubin 的打法是一个横跨七颗芯片、五种机柜的全栈 AI 工厂平台——竞争回应是"全栈位置"，而非"更快的一颗芯"。
7. 趋势判断：推理去 GPU 化，训练仍 GPU 主导
- 推理侧：CUDA 护城河明显变浅。推理在端点层面可并行、可替换，自研 ASIC 通过剪掉通用性税（只实现 LLM 实际执行的操作）换取更低 cost/token。Groq LPU、Cerebras、各家 TPU/ASIC 都在同一指标上竞争。
- 训练侧：Foundation model 仍用 GPU 训练，短期内无人认真挑战。NVIDIA 在训练的三道护城河（最快硅 + NVLink + CUDA）依旧牢固。
- 结论：自研芯片不是"替代英伟达"，而是在推理这一最大、增长最快的战场上，给买家一个可信的谈判外部选项——这本身就足以重塑 AI 基础设施的经济学。
相关链接
参考资料
- Hot Chips 2026: 4 Hyperscalers Put Custom AI Silicon on One Afternoon - Sean Kim
- Custom AI inference silicon: why OpenAI built Jalapeño - nexi.fund
- Anthropic Builds Custom AI Chips for Claude - Studio Global AI
- 所有大厂都在做同一件事：自己造芯片，少买英伟达的 - 今日头条
本文基于 2026 年 8 月 Hot Chips 现场报道、企业公告与行业分析整理。部分产能与性能为券商估算或厂商公布口径，实际以量产产品为准。