云巨头扩大自研AI芯片，重塑GPU采购与定制系统供应链

原创数据中心内参 2026-10-15 19:02 北京

云巨头自研芯片正在改写的从芯片选择到系统交付的整套采购关系。

点击蓝字关注我们FOLLOW US

核心看点

· 微软10月12日宣布第三代自研AI推理芯片 Maia 300，2027年起部署，Azure推理系统扩至数吉瓦规模。

· 谷歌 TPU Ironwood 可扩至 9216颗 芯片超级集群；亚马逊 Trainium3/4 出货/交付，Bedrock 大部分推理已跑在Trainium。

· 阿里 真武 M890/V900 + 平头哥体系；腾讯紫霄已用于部分业务。

· 采购逻辑生变：云巨头在部分负载可评估自研 vs 外购GPU，比较维度扩至软件适配、供货节奏、完整运行成本。

· 服务器/液冷/电源/互连厂商迎定制系统机会（纬颖、Celestica、浪潮），但需更早联合设计；利润归属取决于难以替代的能力。

AI基础设施投资热潮中，云巨头一直是英伟达等芯片企业的大客户。如今，这些客户正在扩大自己的芯片版图。

2026年10月12日，微软宣布第三代自研AI加速芯片Maia 300，计划从2027年开始生产部署，并将基于Maia芯片的Azure算力系统扩展至数吉瓦规模，作为旗下产品与服务的主要推理系统。

值得关注的，是“主要推理系统”这一定位。微软正在为自研芯片安排更明确的业务角色：从局部部署，走向核心AI服务的大规模运行。

类似行动已经在多家云厂商展开。谷歌持续迭代TPU人工智能加速芯片，亚马逊扩大Trainium训练与推理芯片应用，阿里通过平头哥构建自研芯片体系，腾讯也已将紫霄AI推理芯片用于部分业务。

对产业链而言，随之而来的问题是：当最大的算力买家开始自己设计芯片，哪些企业的订单会受到影响，哪些企业又可能获得新的市场？

一、云巨头为何要把手伸向芯片？

云厂商自研芯片的共同出发点，是希望更多掌握AI服务的成本和扩张节奏。但各家的积累与进度并不相同。

谷歌的TPU，即张量处理器，是专门加速神经网络计算的芯片。其第七代TPU芯片Ironwood既服务谷歌自身模型，也向云客户开放，可扩展至9216颗芯片组成的超级集群，支持大规模训练和推理。

谷歌已经把芯片、互连、软件工具和模型研发联系起来。模型运行经验影响下一代硬件，硬件能力又支持模型发展，自研成为持续迭代的体系。

亚马逊的Trainium训练与推理芯片，则体现出将自研能力转化为云产品的路径。客户可以通过亚马逊云服务AWS使用这类芯片提供的算力，无需自行采购和部署硬件。

亚马逊2026年披露，第三代Trainium3芯片已于年初开始出货，第四代Trainium4芯片预计2027年开始交付；其模型服务平台Amazon Bedrock的大部分推理已运行在Trainium芯片上。

微软此次发布的Maia 300推理芯片，则重点面向长上下文、内存密集等工作负载。微软希望通过芯片与系统设计，提高既定功耗下的有效产出。

中国厂商也在推进类似布局。阿里2026年5月发布真武M890人工智能芯片，9月又公布真武V900人工智能芯片。其平头哥体系还包括倚天服务器处理器、磐脉智能网卡芯片和ICN互连芯片，分别承担不同计算与数据传输任务。

腾讯已布局紫霄AI推理芯片，并披露部分内部业务应用，但目前公开信息尚不足以将其部署规模与谷歌、亚马逊直接等量齐观。

这些行动背后，有一笔共同的经济账。

AI推理伴随用户调用持续发生。办公助手、编程工具、搜索和智能体使用越频繁，云厂商承担的计算、电力与运维支出就越大。当业务规模足够大，降低单位服务成本，就可能带来持续收益。

与此同时，云厂商掌握真实运行数据，知道瓶颈究竟出现在计算、内存还是通信环节，能够据此调整下一代设计。

自研的价值，在于利用自身业务规模，把需求、硬件与软件之间的反馈做得更紧密。它能否成立，最终仍取决于效率收益能否覆盖研发、适配和部署成本。

二、首先受到影响的，是AI芯片的采购逻辑

云厂商自研扩大，最直接的影响是：外部芯片供应商面对的客户，拥有了更多选择。

过去，大型客户可以在不同外部产品之间比较。如今，在部分工作负载上，客户还可以评估是否采用自己的芯片。

这会改变采购谈判与任务分配。外部GPU需要与自研系统比较的，不只是峰值性能，还包括软件适配、服务质量、供货节奏和完整运行成本。

不过，不能由此直接推导出英伟达等企业的销量会下降。

如果AI需求增长足够快，自研芯片和外购GPU可能同时扩大。自研系统也未必适合全部模型与客户需求，成熟GPU的软件生态、开发工具和适应性仍具有价值。

因此，近期更值得观察的是：新增工作负载由谁承接，以及云厂商对单一产品路线的依赖是否下降。

对其他独立AI芯片企业，这同样是一种挑战。大型云客户既是潜在买家，也可能成为部分场景中的竞争者。外部芯片需要证明，客户采购它比采用现有GPU或继续扩大自研更有价值。

但云市场仍存在不同路径。甲骨文Oracle公开的AI基础设施产品，主要围绕英伟达、AMD等外部芯片构建，通过集群网络、裸金属服务和数据中心交付形成竞争力。

这意味着自研不会取代所有采购模式，芯片市场将更趋多元，竞争也会更加具体。

此外，自研并未消除供应链约束。以Maia 300芯片为例，其采用台积电N2P计算芯粒，并配置HBM4高带宽内存。云厂商掌握设计之后，仍需要先进制造、存储和封装等专业能力。

由此可以判断，部分采购需求可能从成品加速芯片，转向支撑定制芯片的制造与配套环节。多个自研平台也可能竞争相近的关键产能，供应链集中问题不会因为芯片品牌增加而自动消失。

三、服务器生意，会从标准产品转向更多定制系统

芯片订单的变化之外，还有一类企业可能获得新机会：帮助云巨头把芯片做成可运行系统的硬件厂商。

云厂商掌握芯片架构，并不意味着全部硬件都要自己制造。芯片之后，还有主板、计算托盘、高速互连、供电、液冷、固件、机柜集成和系统验证。

云计算时代，大客户定制需求为专业服务器企业创造过市场。AI时代，类似分工正在向更复杂的系统延伸。

微软Maia 300芯片的公开设计显示，96颗加速芯片组成167千瓦机架，供电、液冷、互连和运行监控共同设计。

这意味着硬件企业的交付对象正在扩大。客户需要的可能是一套经过验证的机柜系统，甚至是可以承接业务的计算集群。

相关企业已经在布局。纬颖公开展示了定制基础设施、整机柜集成、液冷和系统验证能力，并开展定制AI芯片与光互连机柜设计合作；天弘科技（Celestica）也强调与超大规模云客户联合设计平台，提供网络、机柜集成和部署服务。

国内厂商也有相关积累。例如，浪潮已推出基于开放加速模块标准的AI服务器，并提供液冷产品、设备集成和系统调试能力。但具备产品能力，不等于已经获得特定云厂商自研芯片订单。

对服务器企业，自研芯片扩张可能带来新的市场，但原有份额不会自动延续到新平台。

供应商需要更早参与设计，理解芯片的供电、散热与连接要求，并完成可靠性和量产验证。只在最终采购环节提供报价，可能难以进入关键供应体系。

液冷、电源和互连厂商也面临类似变化：系统参数越来越需要围绕具体平台确定，联合设计与测试能力的重要性随之上升。

但这也会增加专用研发和库存风险。一旦客户调整路线、延迟部署，部分投入可能难以转用于其他产品。平台订单的规模与合作条件，需要放在一起评估。

四、谁能留下更多利润，仍取决于难以替代的能力

自研算力带来的订单迁移，不等于产业链利润会平均增加。

云巨头扩大自研，本身就包含降本和增强控制力的目标。它们可能增加对专业硬件企业的采购，同时加强规格、成本与交付管理。

对于供应商，重要的是自己承担了什么任务、创造了多少价值，以及付出了多少资金和风险。

同样交付一套AI系统，芯片由客户提供，还是由硬件企业采购，会显著影响收入规模与资金占用。专用研发由谁承担，设计变更如何计价，客户何时验收付款，也会改变订单的实际收益。

因此，判断受益者，需要穿过庞大的合同金额，进一步看设计能力、制造良率、批量交付和现金回收。

软件服务也会获得新的需求。多种芯片并存，需要模型适配、算子优化、性能测试和统一管理。但硬件能够接入，不代表业务效果已经合格，软件企业仍需证明适配后的质量、速度与成本。

这场变化最终将形成更复杂的分工：云厂商掌握更多架构定义权，芯片企业争取不同工作负载，制造与系统企业承接工程实现，软件企业连接多种硬件与业务需求。

云巨头自研芯片，正在改写的，是从芯片选择到系统交付的整套采购关系。部分企业将面对更强竞争，另一些企业则有机会更早进入客户下一代平台。

对产业链而言，最值得追踪的是：云厂商把哪些业务迁入自研系统，新增预算流向哪里，以及哪些供应商能够在连续几代产品中保持位置。这些变化，才会逐步揭示AI基础设施生意如何重新分配。

云巨头自研芯片，正在改写的，是从芯片选择到系统交付的整套采购关系。

往期推荐:

分享产生价值，请顺手转发至朋友圈

公众微信名：IDCinside

也可长按二维码，扫描关注属于数据中心专业人士的社区

数据中心报道、投稿

联系公众号助理（微信：AI_insider）

加入数据中心行业群、运维群

跳转微信打开