从GPU算力比拼到多链条重构：AI算力进入异构计算新时代

AI算力的新时代，属于那些能够把所有这些碎片拼成完整系统的玩家。单一芯片的独角戏落幕了，群星并起的时代正在开启。

2026年6月的最后一周，AI产业出现了三则重磅的消息：一是英伟达召开股东大会高调宣讲“AI工厂”叙事；二是OpenAI联手博通发布首款自研推理芯片Jalapeño；三是高通推出面向AI数据中心的高带宽计算架构HBC及Dragonfly产品组合。三巨头同日竞逐，背后指向同一个产业判断：AI算力的竞争，已从单一的GPU竞赛，全面进入GPU、ASIC、CPU、内存、网络和软件生态共同竞争的新阶段。

这一转变，并非偶然。当大模型参数规模暴涨百倍、上下文窗口从万字级拓展至百万字级，而服务器内存带宽年均提升不足15%时，单一芯片的算力堆叠已触达物理极限。为此，AI算力正在经历一场深刻的重构——从堆GPU走向系统的比拼。

GPU已经不再是AI算力的主要瓶颈

过去几年，AI产业主要面临的问题的GPU算力不够。但进入2026年，这套逻辑正在改写。

第一个瓶颈便是“内存墙”的问题。算得快，但数据却搬不动。在冯·诺依曼架构下，超过90%的能耗被浪费于数据在内存与计算单元间的搬运，而非实际计算。GPU性能释放高度依赖HBM高带宽内存，但2026年全球HBM产能缺口高达50%至60%，SK海力士全年产能早已售罄。与此同时，内存成本已占到一台AI服务器硬件成本的一半以上。算力芯片运算速度快，但数据存取跟不上，处理器大部分时间闲置等待数据，形成了巨大的性能鸿沟。

第二个瓶颈是“网络墙”。单机算力再强，集群互联却跟不上。分布式训练中网络拥塞导致算力空转率超30%，国内智算中心平均算力使用率仅30%。不少企业硬件算力充足，但跨区域训推、远程调用时，公网延迟高、丢包率突出，直接拉低模型训练与推理效率，出现“算力空转、网络拖后腿”的现象。数据移动正对数据中心网络带宽、延迟与能源效率带来前所未有的挑战。

第三个瓶颈是CPU性能被低估。在智能体AI时代，CPU的重要性正在加速回归。伯恩斯坦研报指出，在智能体工作负载中，CPU的计算占比将从传统LLM的14%跃升至50%，与GPU平分秋色。传统数据中心里CPU与GPU的配比大约是1:4，但到2026年这一比例已变成1:1。算力范式已从单一芯片的极致性能追求，转向CPU、GPU与专用芯片协同的异构计算平台。

当算力瓶颈从“芯片算力不足”蔓延至“内存带宽不够”“网络传输太慢”“CPU调度跟不上”，单一GPU的独角戏便走到了尽头。

大场入局，AI算力进入异构计算新时代

2026年6月24日，OpenAI与博通联合发布首款定制AI推理芯片Jalapeño，这标志着全球最前沿的AI实验室正式从用芯片的人变为造芯片的人。

相关数据显示，Jalapeño是一款专为大语言模型推理设计的专用集成电路（ASIC）。与GPU作为通用加速器不同，Jalapeño并非在早期AI加速器基础上改造而来，而是围绕大语言模型的推理需求，从零开始进行推理芯片的原生设计。它参考的正是OpenAI每天在ChatGPT、Codex、API以及未来Agent产品上跑的真实负载。

据博通首席执行官Hock Tan透露，该芯片性能可媲美英伟达的Blackwell芯片。在成本方面，Jalapeño预计可降低约50%的推理成本。从初始设计到制造流片仅用九个月，创下了高性能先进半导体最快的ASIC开发周期纪录。更值得注意的是，OpenAI在部分设计和优化流程中使用了自身的AI模型——AI不只是芯片的使用者，也开始成为芯片设计流程的一部分。

如果说Jalapeño代表了芯片类型的多元化，那么高通在6月25日发布的HBC高带宽计算架构，则代表了另一种破局思路——不换芯片类型，换芯片架构。

HBC采用近内存计算技术路线，依托硅通孔TSV工艺完成3D堆叠设计，将专用近内存加速器放置在LPDDR存储堆栈下层，把计算单元与存储单元紧密集成在一起。这套架构不再单纯依靠HBM提升带宽，转而通过3D封装缩短数据传输路径，优化算力与内存协同效率。

大厂的入局，标志着AI算力产业完成了三重转折：

第一，芯片类型从单一走向多元。AI系统本质是异构计算体系：CPU负责通用调度，GPU承担大规模并行通用加速，而TPU/NPU等ASIC芯片则在特定模型和推理降本中发挥效率优势。TrendForce则预估，ASIC AI服务器占整体AI服务器出货比例将从2026年的27.8%上升至2030年的近40%。2026年四大云厂商的AI资本支出合计预计将达到7000亿至7750亿美元——如此庞大的资金体量，任何单一芯片供应商都无法独占。

第二，竞争主体从一家独大走向多方混战。英伟达仍然强大——过去一年数据中心收入增长68%至1940亿美元——但它的客户正同时变成它的竞争者。谷歌凭借自研TPU系列在算力成本控制和软硬协同优化上展现出巨大利润空间；亚马逊的Trainium芯片已获得超过2250亿美元的收入承诺；英伟达自己也推出了首款独立CPU Vera，专为智能体AI设计。与此同时，AMD的256核Venice EPYC处理器已进入量产。

第三，竞争焦点从硬件堆叠走向全栈系统。黄仁勋在股东大会上将数据中心重新定义为“AI工厂”——不再是存储、检索和传输信息的地方，而是制造数字智能的地方。他直言：当AI能够做有用的工作，Token就变得有价值；当Token能够盈利，对计算的需求就会加速。这一表述背后，是算力产业从“卖芯片”到“卖Token生产力”的范式转换。

总结：AI算力迈入新时代，不再是单点的比拼

2026年的AI算力产业正在告诉我们一个朴素的道理：木桶的容量取决于最短的那块板。

单颗GPU的算力再强，如果内存带宽跟不上、网络传输堵住了、CPU调度不过来，整个系统的有效算力依然有限。OpenAI用定制ASIC压低Token成本，高通用HBC架构撬动内存墙，英伟达用Vera CPU补全智能体计算拼图——每一家都在试图补齐系统中最短的那块板。

算力竞争已从谁家芯片跑分最高的单一维度竞赛，演变为谁家系统能以最低成本、最低功耗、最低延迟生产最多Token的全方位较量。GPU、ASIC、CPU、内存、网络、软件生态——每一个环节都在成为竞争的维度，每一个维度都可能成为决定胜负的关键。

AI算力的新时代，属于那些能够把所有这些碎片拼成完整系统的玩家。单一芯片的独角戏落幕了，群星并起的时代正在开启。