据了解，这笔订单落在了晶圆级芯片公司Cerebras身上，协议总金额超过100亿美元、对应最高约750兆瓦算力容量，并将分阶段在2026—2028年落地。

　　众所周知，长期以来，OpenAI的核心训练体系一直建立在英伟达GPU之上。但最近一段时间里，OpenAI一直在尝试把算力“鸡蛋”放进多个篮子里。

　　去年6月，有媒体披露称OpenAI计划通过Google Cloud租用芯片，为包括ChatGPT在内的产品提供部分推理算力。

　　这一算力供应策略上发生变化背后，是美国AI产业的两大阵营相互作用下的结果：一边是以英伟达为核心的GPU生态，另一边是近年来崛起的谷歌阵营TPU（谷歌自研的AI专用加速芯片）生态。

　　在大模型爆发初期，英伟达几乎是算力的唯一中心：从训练到推理，从芯片到CUDA生态，行业别无其他选择。

　　但在过去两年，这种“绝对核心”地位开始松动。一方面GPU供给长期紧张、价格高企；另一方面超大模型推理负载激增，催生对专用加速器与替代架构的现实需求，也为其他算力路线留下切口。

　　在这一背景下，谷歌的TPU路线逐渐成型。通过把TPU与Gemini、VertexAI的节奏深度绑定，谷歌逐步搭建起一套“从芯片到模型、云服务”的一体化供给体系。

　　Cerebras则是OpenAI在两大阵营之外插入的一枚筹码：它主打晶圆级芯片的技术路线，主打低延迟推理与特定负载的吞吐优势。这家公司也一直被各路机构视为美股潜在IPO标的。

　　在英伟达和谷歌两大阵营的“楚河汉界”之间，头部AI企业们在“站队”与“合作”间不断交错。

　　尽管在AI算力版图出现了“两大阵营”分化的现象，但在过去一年里，英伟达仍是市场的绝对主力：IDC在2025年二季度的统计显示，英伟达在AI算力厂商份额占比约85.2%。

　　只是在AI产业中，“盟友”与“敌人”的界限往往并不清晰，但仍能在头部企业身上，窥探到一丝生态上的偏好。

　　英伟达的主力合作伙伴中，微软和AWS（亚马逊云服务）持续把英伟达新品作为云端算力主力；与此同时，谷歌也在加速把TPU打造成更“可迁移”的选项，并通过改进对PyTorch等主流框架的支持、与包括Meta在内的企业/开发者社区协作，九游会真人游戏降低外部使用门槛。

　　以微软为例，根据Omdia的估算，2024年微软采购了约48.5万块英伟达Hopper系列GPU，几乎是其竞争对手的两倍之多，显示出它在AI基建领域与英伟达的紧密关系。

　　2025年11月，微软与数据中心运营商IREN签署了一份约97亿美元的合同，其中包括大约58亿美元的英伟达GB300芯片与相关设备，用于进一步扩展Azure的AI计算能力。

　　不止云厂商，一众大模型企业也是英伟达的基本盘，马斯克此前曾表示xAI的Colossus超算在2025年已部署约20万块英伟达GPU，用于训练Grok系列模型，并计划进一步扩容。

　　不过，尽管英伟达的GPU体系虽然市场份额高达八成以上，但其高成本与软件生态锁定，也让一些头部用户开始寻求新的供应链渠道。

　　另一边，谷歌TPU在某些推理与训练场景上拥有更低成本的优势，并且与云服务深度整合，这使得市场近年来对其兴趣不断增长。

　　几周前，曾有媒体披露Meta正在评估在2027年后引入谷歌自研芯片的可能性，相关合作规模或达数十亿美元，这使TPU有机会成为英伟达之外的一个重要替代样本。

　　类似的选择也出现在Anthropic身上。去年10月，Anthropic宣布将大幅扩大与Google Cloud的合作，计划利用多达一百万颗TPU芯片、总价值达到数十亿美元的算力资源，来训练和服务下一代Claude模型，并预计在今年实现超过1吉瓦的计算能力上线。

　　Google Cloud CEO库里安称，“Anthropic大幅扩大使用TPU，反映了团队多年来在使用TPU时观察到的强劲价格性能比和效率。”

　　不过，Anthropic和谷歌的合作离不开资本面背景。谷歌既是Anthropic的早期投资者，也是其最重要的云算力提供方之一。公开信息显示，谷歌已累计向Anthropic投资超过30亿美元，持有约14%股权。

　　通过加大对TPU的使用，Anthropic在成本与算力供给上获得更高确定性，同时也加深了与谷歌在云基础设施层面的长期合作关系。

　　不过，AI产业版图中，即使是资本合作伙伴之间，也可能出现产品和业务上的竞争。字母AI在近期的《争夺AI制高点，谷歌和Anthropic必有一战》一文中曾总结，“如果Anthropic利用谷歌的TPU训练出了远超Gemini的模型，那谷歌在应用层的竞争将变得更加困难。”

　　正是在这一现实之下，“合纵连横”开始成为AI基建格局中的关键逻辑。算力层面，面对英伟达在GPU与生态上的长期主导，谷歌以TPU、云服务和资本关系拉起稳定合作网络，九游会真人游戏模型公司也借此获得更可控的算力与成本，此为“合纵”。

　　但这种结盟并不会延伸到产品前台。进入模型与应用层，竞争重新回到零和博弈：Gemini、Claude、ChatGPT在前端要面临正面厮杀，“连横”随之出现，即在基础设施上交错合作，但在产品上又各自为战。

　　英伟达与谷歌两大阵营并存，恰恰放大了这种合纵连横的结构。不过，说起这一版图的形成以及两条路径之争的起源，还要追溯到AI爆发前的10年。

　　2006年CUDA发布，使GPU首次成为可被通用编程调用的并行计算平台，开发者得以绕开硬件细节直接释放算力潜能。随后，PyTorch、TensorFlow等主流框架相继围绕CUDA构建，GPU也从图形加速器演变为AI训练与推理的事实标准底座。

　　CUDA的价值不止“让GPU可编程”，更在于打造了独家软件生态这一壁垒。

　　英特尔前CEO帕特基辛格，在去年接受采访时直言，英伟达真正的护城河在于“CUDA以及NVLink这样的软件和互连体系”，而不仅仅是单一代GPU的性能优势。

　　这一体系优势在2012年迎来爆发点，多伦多大学的Alex Krizhevsky等人利用两块英伟达GPU在ImageNet挑战赛上训练出AlexNet并一举夺魁，展示了大规模神经网络与GPU并行计算结合的巨大潜力，成为行业关注的里程碑事件。

　　但在深度学习浪潮爆发的同时，大规模神经网络对算力效率和能耗也提出新要求。此时，谷歌意识到，依赖通用GPU在大规模推理和训练时，存在着成本高且功耗大等问题。

　　于是，从2015年起，谷歌开始研发TPU——一种面向神经网络推理负载的定制芯片。彼时的目标还不是今天的通用AI计算，而是支撑搜索、翻译和广告等核心业务中的深度学习模型，在数据中心内以更低能耗、更稳定时延完成大规模推理任务。

　　2018年，谷歌将TPU正式引入Google Cloud，对外开放使用，试图证明TPU在云端的现实价值。ResNet-50等模型的测试数据显示，TPU上训练可显著缩短时间并降低成本，使原本需要数天的任务在更短周期内完成。

　　不过，在几年后的生成式AI爆发初期，英伟达迅速成为了那个最大赢家。2020—2022年，大模型训练从研究走向工程化，A100等GPU凭借成熟的软件生态和稳定供给，成为各大云厂商和模型公司的默认选择。

　　TPU的转折点，出现在算力需求持续放大之后。2023年起，随着大模型推理负载激增、电力与成本压力上升，谷歌TPU因在单位能耗和价格性能比上的优势开始受到行业重视，逐步获得更广泛采用。

　　字母AI在此前的报道《AI在美国“与民争电”》中曾披露，AI数据中心的惊人能耗，已经迫使美国AI企业亲自下场，投身能源基础设施建设。因此，TPU的能耗和成本优势，无疑是吸引诸多AI企业用户的重要因素。

　　另一方面，为降低开发者迁移门槛，谷歌近年明显加大了TPU的软件生态投入。去年，曾有多家外媒披露，谷歌正推进代号为TorchTPU的内部项目，核心目标是提升TPU对PyTorch的原生支持能力。

　　据了解，该项目与Meta的需求密切相关，部分软件组件可能开源，以缩小TPU与英伟达GPU在主流开发环境中的使用差距。

　　事实上，以谷歌为代表的TPU生态的发展，一定程度上也宏观层面，对冲了英伟达一直占据绝对主导地位的担忧。

　　“让一家企业成为全球AI未来的守门人是危险的，会带来严重的经济风险。”美国参议员伊丽莎白沃伦，曾这样呼吁美国司法部启动对英伟达反垄断调查。

　　尤其对于OpenAI这样的头部模型公司而言，“合纵联横”的算力格局，无疑比依赖单一技术路线

　　在大模型爆发期，OpenAI就与对英伟达的算力体系紧紧捆绑在一起。公开信息显示，在GPT-3时代，OpenAI曾动用约3,600台HGXA100服务器、近3万块英伟达GPU进行训练。

　　不过，这种紧密捆绑背后，OpenAI也在探索“去中心化”的举措。尤其是随着近年来模型规模与推理负载急剧上升，新的算力供给路径迫在眉睫。

　　去年6月，有媒体披露称OpenAI开始通过Google Cloud租用TPU，为包括ChatGPT在内的产品提供部分推理算力，希望借此降低推理成本。这是OpenAI首次计划批量使用非英伟达芯片。

　　而在谷歌TPU和其他供应商之间的摇摆，一定程度上也映射出OpenAI对于谷歌这位竞争对手态势的警惕。

　　苹果在近期宣布与谷歌达成多年合作，将用Gemini模型升级Siri与Apple Intelligence。毫无疑问，这一合作将强化谷歌在与OpenAI竞赛中的位置，巩固其在移动端AI入口的生态影响力。

　　2026年，美国AI产业的“楚河汉界”之间，“合纵连横”的戏码仍将继续上演。