一、2010s：TPU 拉开序幕
AI 芯片战争的起点不在 NVIDIA，而在 Google。2013 年，Google 内部意识到通用 GPU 不足以满足深度学习日益增长的算力需求，秘密启动 TPU（Tensor Processing Unit）项目。
2016 年，Google 首次公开 TPU 论文，并在 AlphaGo 与李世石的对决中正式使用。第一代 TPU 是 28nm 工艺、28W 功耗的推理专用芯片，性能比同期 CPU 高 30 倍。这一发布震动了整个行业——原来 AI 算力可以这样专门优化。
2018-2019 年，TPU v2/v3 转向训练市场，开始支持 TensorFlow 和 PyTorch。TPU v3 单 Pod 性能达 420 PFLOPS，是当时最大 GPU 集群的 10 倍以上。这让 Google 内部几乎所有 AI 服务（搜索、翻译、YouTube、Gmail）都迁移到 TPU 上。
二、2018-2020：华为、寒武纪与中美科技博弈
2018 年，华为发布昇腾 310（推理）和昇腾 910（训练），主打数据中心 AI 训练市场。昇腾基于自研达芬奇架构，采用 7nm 工艺，单卡算力达 256 TFLOPS。这一年也是华为被美国列入实体清单的前夕，昇腾被赋予了”国产替代”的战略意义。
同年，专注于 AI 芯片的初创公司寒武纪（Cambricon）在上海成立，2017 年就发布了国内首个 AI 处理器 IP。2020 年 7 月，寒武纪登陆科创板，成为”AI 芯片第一股”，市值一度突破千亿。
2019-2020 年，地缘政治把 AI 芯片战推到了科技对抗的最前沿。2019 年 5 月，华为被列入美国实体清单；2020 年 9 月，中芯国际也被列入。2022 年 10 月，美国商务部发布全面芯片禁令，禁止 NVIDIA A100/H100 出口中国——这把”国产 AI 芯片替代”从可选项变成了必选项。
三、2020-2022：AMD、Intel 回归战场
AMD 长期被视为 NVIDIA 的”陪跑者”，但 2020 年后开始真正发力。2020 年 10 月，AMD 收购赛灵思（Xilinx），获得 FPGA 加速能力；2022 年，AMD 推出 MI200 系列，首次在 FP64 性能上接近 NVIDIA A100。
2023 年 6 月，AMD 发布 MI300X，配备 192GB HBM3 内存（是 H100 的 2.5 倍），主打大模型推理市场。MI300 系列在 2024 年贡献了 AMD 数据中心业务的 50% 增长，证明了”非 NVIDIA 也行”的可行性。
Intel 的 AI 芯片策略更曲折。2016 年收购 Nervana、2020 年收购 Habana Labs，但产品节奏始终跟不上。2024 年推出的 Gaudi 3 性能号称接近 H100，但生态（CUDA 替代）仍是最大瓶颈。
四、2023-2024：推理芯片新势力
大模型爆发后，AI 芯片市场出现明显分化：训练（需要高带宽、大算力）和推理（需要低延迟、低成本）需求差异巨大。2023-2024 年涌现出一批专注推理的芯片新势力：
- Groq：采用 LPU（Language Processing Unit）架构，推理延迟仅为 GPU 的 1/10，主打实时 AI 服务
- Cerebras：WSE（Wafer Scale Engine）晶圆级芯片，单芯片 850,000 个核心，适合大模型训练
- SambaNova：Dataflow 架构，主打企业级大模型私有部署
- Graphcore：IPU（Intelligence Processing Unit），主打细粒度并行
这些新势力都拿到了大额融资（Groq 估值数十亿美元、Cerebras 估值 40 亿+），但市场份额仍远小于 NVIDIA。2025 年的现实是：GPU 仍是绝对主流（90%+），新势力芯片更多在特定场景突破。
六、2025-2026：国产替代加速
2025 年，国产 AI 芯片进入”密集发布期”：
- 华为昇腾 910C 2025 年初实现量产，性能对标 H100，开始在国内大模型训练中替代部分进口芯片
- 寒武纪思元 590 上市，主打性价比推理市场
- 阿里平头哥（含光 800 升级版）服务阿里云 AI 客户
- 百度昆仑芯 3 代量产，主要服务文心一言训练
国产替代的最大挑战仍是软件生态。NVIDIA CUDA 经过 18 年积累的开发者社区是几乎不可复制的优势。国产芯片厂商被迫做”软硬两手抓”——既做芯片，也做编译器（华为 CANN、寒武纪 NeuWare）和算子库。
七、未来：算力多元化时代
到 2026 年，AI 算力版图呈现出”NVIDIA 主导、国产替代加速、新势力卡位推理”的三层格局。预测未来 3-5 年的关键趋势：
1. 推理算力成本持续下降——专用推理芯片会让 AI 服务价格每年下降 50%+
2. CUDA 垄断逐步打破——Triton、OpenXLA 等开源编译框架会逐步降低 GPU 切换成本
3. 国产芯片市占率从 10% 升至 30%——在中国市场，国产替代政策驱动
4. 新型计算范式——光子计算（Lightmatter）、量子计算（IBM、谷歌）、类脑计算（Intel Loihi）可能成为下一波突破点
