<p>//php echo do_shortcode('[responsivevoice_button voice=&#34;US English Male&#34; buttontext=&#34;Listen to Post&#34;]') ?</p>
<p>在过去的十年里，英伟达主导了用于机器学习和人工智能的先进计算芯片市场。</p>
<p>凭借其专有的 CUDA 软件和快速的创新，英伟达与 AI 处理器划上了等号，今年短暂地达到了 5 万亿美元的市场价值。在 2025 年 2 月至 10 月之间，英伟达报告了来自芯片、网络连接和支持 AI 增长的相关硬件的销售额为 1478 亿美元。</p>
<p>尽管英伟达最新和最强大的处理器——Grace Blackwell 系列正在迅速售罄，但其主导地位开始减弱。英伟达现在面临着来自多个方面的挑战，因为行业正在转向更专业的硬件。</p>
<p>英伟达强劲的销售和高利润率主要受到稀缺性的驱动，这主要是由于制造限制。高端芯片的主要瓶颈是台积电在先进的芯片封装（CoWoS）方面的有限产能。</p>
<p>英伟达消耗了大部分有限的生产能力，但芯片供应的竞争正在加剧。台积电作为唯一的制造商，计划到 2026 年将产能扩大到每月 10 万个晶圆。随着供应限制的缓解，谷歌和 AMD 等公司预计将受益。</p>
<p>随着行业从实验大型基础模型转向优先考虑大规模、成本效益高的推理，英伟达现在面临重大风险。</p>
<p>主要的云服务提供商正在逐渐减少对英伟达 CUDA 生态系统的依赖。他们正在投资自己的专用芯片，以满足高容量推理的需求，而运营成本现在已超过训练成本。</p>
<h3>英伟达最大的客户变成了竞争对手</h3>
<p>北美的 “四大” 超大规模云服务商——谷歌、亚马逊网络服务、微软和 Meta——在该领域的资本支出占据了最大份额。他们集体转向定制硅是一项确保竞争力的战略举措。</p>
<p>谷歌，作为 Alphabet 的一部分，率先推动了定制 AI 芯片的开发，推出了其张量处理单元（TPU）。最新版本 TPU v7 ‘Ironwood’ 针对推理进行了优化。Ironwood 具有大共享内存，允许多达 9216 个芯片在单个 “超级集群” 中连接，解决了大型专家混合模型（MoE）中的内存限制。</p>
<p>Meta Platforms 可能会从 2027 年开始租赁并可能购买谷歌的 TPU 芯片用于其数据中心。这将标志着谷歌的转变，使其成为商用芯片供应商。一些估计表明，谷歌可能会占据英伟达年收入的 10%，金额达到数十亿美元。</p>
<h4>亚马逊专注于训练和成本效率</h4>
<p>亚马逊网络服务（AWS）正在追求更好的性价比，以吸引寻求替代英伟达昂贵芯片的企业。AWS 声称其 Trainium 芯片可以将训练成本降低多达 50%，目标是中等规模的 AI 工作负载。</p>
<p>AWS 还在扩展其定制 CPU Graviton5，该芯片基于 3nm 技术。与其前身相比，它在一般任务上提供高达 25% 的性能提升。合作伙伴如 Anthropic 使用 Trainium2 进行模型训练，展示了 AWS 的 Trainium 软件和 Neuron SDK 的价值。</p>
<h4>Meta 和微软的战略转变</h4>
<p>Meta 采取了专业化的方法。其 Meta 训练和推理加速器（MTIA）旨在处理高容量任务，例如为 Facebook 和 Instagram 提供推荐系统。将这些任务转移到定制芯片上，使 Meta 能够将其英伟达 H100 保留用于高级 AI 研究。</p>
<p>微软的定制硅计划面临挫折。下一代 Maia 芯片，代号 “Braga”，已推迟到 2026 年，这使得微软处于一个困难的境地。由于这一延迟，微软必须继续以高价购买英伟达的 Blackwell GPU，以满足 OpenAI 的计算需求。为了抵消成本，微软还在使用 AMD 的 MI300X GPU，使其成为 AMD 最大的客户之一。</p>
<h3>新兴竞争和 Triton 效应</h3>
<p>随着主要云公司开发自己的系统，先进微设备（AMD）仍然是更广泛市场中英伟达的主要替代品。AMD 的 MI300X 芯片具有 192GB 的 HBM3 内存，显著超过英伟达的 H100，使其非常适合大型模型推理并降低成本。AMD 预计其数据中心 GPU 销售将达到每年数十亿美元，直接与英伟达竞争。</p>
<p>AMD 之前的软件限制正在通过 OpenAI 的 Triton 编译器得到解决。Triton 使开发人员能够编写与英伟达和 AMD 硬件兼容的高性能代码，而无需深入了解 CUDA 或 AMD 的 ROCm。</p>
<p>Triton 提高了硬件的互换性，简化了从 CUDA 转移的过程。这降低了成本，使公司更容易采用替代供应商。</p>
<h3>中国缩小技术差距</h3>
<p>英伟达面临的挑战因美国出口管制而加剧，导致中国出现了一个平行的独立生态系统。华为在这一国内基础设施中处于领先地位，通过替代架构策略弥补了对 EUV 光刻的有限访问。</p>
<p>华为的领先芯片 Ascend 910C 由中芯国际使用 7nm 深紫外（DUV）工艺生产，并已证明其可靠性。报告显示，它在训练中的性能达到英伟达 H100 的 60% 至 80%，在某些推理任务中与之相匹配。</p>
<p>这种性能得益于一种 “扩展” 设计，通过一种名为 UnifiedBus 的新光纤连接数千个 Ascend NPU，形成如 Atlas 950 SuperPoD 等系统。这种高速网络弥补了较低的制造质量，使得高级模型训练成为可能。</p>
<p>然而，发展独立计算能力的成本很高。中芯国际的 Ascend 910C 芯片的制造良率仅为 30-40%，远低于行业标准，但中国政府似乎愿意为了战略目的接受这些损失。</p>
<p>华为的半导体公司海思计划在 2026 年推出新版本的 Ascend 芯片，即 Ascend 950PR，该芯片将在 2026 年第一季度发布，随后在第四季度推出更高内存的变种 950DT。</p>
<p>本周，尽管美国总统特朗普通过批准 Nvidia 的先进 H200 芯片出口，暗示放宽限制，但北京表示将实施自己的严格控制措施。监管机构正在考虑如何仅允许有限访问 Nvidia 的第二代 AI 芯片 H200，以支持中国的半导体独立运动。</p>
<p>中国也在推进内存芯片的生产。长鑫存储科技（CXMT）计划在 2026 年开始大规模生产 HBM3 芯片，以帮助减轻未来与内存相关的制裁。</p>
<h3>在一个碎片化市场中投资</h3>
<p>Nvidia 意识到维持高利润率的挑战，特别是由于台积电的生产限制。作为回应，Nvidia 正在投资新的市场，包括电信基础设施公司，如诺基亚。</p>
<p>尽管面临挑战，预计 Nvidia 将在 2026 年前继续领导高利润的先进模型训练。然而，高容量推理的更广泛市场可能会被主要云服务提供商的定制芯片主导。</p>
<p>下一场主要竞争将集中在芯片连接性上。随着电连接达到极限，光连接正在商业产品中被采用。Marvell 收购 Celestial AI 以及像 Lightmatter 这样的公司提供 3D 光子晶圆以实现更快的芯片连接，表明到 2026 年光链接将成为领先 AI 芯片的标准。这一转变将使 Broadcom 和 Marvell 等公司成为关键供应商。</p>
<p>Nvidia 当前的挑战是在一个快速发展的行业中保持盈利并保持市场份额，在这个行业中，硬件越来越专业化。未来的 AI 计算将由一系列通过先进技术连接的专业系统定义，而不是单一的垄断。</p>
<h5>另见：</h5>
<p>Nvidia 在面临日益增加的挑战中驾驭增长时代</p>
<p>开放计算倡议如何影响 AI 硬件设计</p>
<p>Nvidia 对诺基亚的 10 亿美元投资重塑全球电信</p>
<p>台积电涨价结束了廉价晶体管的时代</p>

AMDL

半导体 3 倍做多 - Direxion

<p>英伟达在人工智能芯片领域的主导地位受到挑战，谷歌、AWS、Meta 和 AMD 等竞争对手正在开发专用硬件。台积电计划扩大生产能力，以缓解供应限制。谷歌和 AWS 专注于定制芯片，以实现成本效益高的推理，而 Meta 和微软则面临战略转变。AMD 的 MI300X 芯片与英伟达竞争，并得益于 OpenAI 的 Triton 编译器。中国的华为凭借其 Ascend 910C 芯片崭露头角，缩小了技术差距</p>

<p>//php echo do_shortcode('[responsivevoice_button voice=&#34;US English Male&#34; buttontext=&#34;Listen to Post&#34;]') ?&gt;</p>
<div class="lb-trans"><p>//php echo do_shortcode('[responsivevoice_button voice=&#34;US English Male&#34; buttontext=&#34;Listen to Post&#34;]') ?</p>
</div><p>For the past ten years, Nvidia has dominated the market for advanced computer chips used in machine learning and artificial intelligence.</p>
<div class="lb-trans"><p>在过去的十年里，英伟达主导了用于机器学习和人工智能的先进计算芯片市场。</p>
</div><p>Driven by its proprietary CUDA software and rapid innovation, Nvidia became synonymous with AI processors, briefly reaching a $5 trillion market value this year. Between February and October 2025, Nvidia reported $147.8 billion in sales from chips, network connections, and related hardware supporting AI growth.</p>
<div class="lb-trans"><p>凭借其专有的 CUDA 软件和快速的创新，英伟达与 AI 处理器划上了等号，今年短暂地达到了 5 万亿美元的市场价值。在 2025 年 2 月至 10 月之间，英伟达报告了来自芯片、网络连接和支持 AI 增长的相关硬件的销售额为 1478 亿美元。</p>
</div><p>Even though Nvidia’s newest and most powerful processors, the Grace Blackwell series, are selling out quickly, its dominance is starting to weaken. Instead of facing just one competitor, Nvidia is now challenged on many fronts as the industry shifts toward more specialized hardware.</p>
<div class="lb-trans"><p>尽管英伟达最新和最强大的处理器——Grace Blackwell 系列正在迅速售罄，但其主导地位开始减弱。英伟达现在面临着来自多个方面的挑战，因为行业正在转向更专业的硬件。</p>
</div><p>Nvidia’s strong sales and high profit margins are driven by scarcity, primarily due to manufacturing limits. The main bottleneck for high-end chips is the limited capacity for advanced Chip-on-Wafer-on-Substrate (CoWoS) packaging at TSMC.</p>
<div class="lb-trans"><p>英伟达强劲的销售和高利润率主要受到稀缺性的驱动，这主要是由于制造限制。高端芯片的主要瓶颈是台积电在先进的芯片封装（CoWoS）方面的有限产能。</p>
</div><p>Nvidia consumes most of this limited production, but competition for chip supply is intensifying. TSMC, the sole manufacturer, plans to expand capacity to 100,000 wafers per month by 2026. As supply constraints ease, companies like Google and AMD are expected to benefit.</p>
<div class="lb-trans"><p>英伟达消耗了大部分有限的生产能力，但芯片供应的竞争正在加剧。台积电作为唯一的制造商，计划到 2026 年将产能扩大到每月 10 万个晶圆。随着供应限制的缓解，谷歌和 AMD 等公司预计将受益。</p>
</div><p>Nvidia now faces significant risk as the industry shifts from experimenting with large foundation models to prioritizing large-scale, cost-effective inference.</p>
<div class="lb-trans"><p>随着行业从实验大型基础模型转向优先考虑大规模、成本效益高的推理，英伟达现在面临重大风险。</p>
</div><p>Major cloud providers are moving away from reliance on Nvidia’s CUDA ecosystem. They are investing in their own specialized chips for high-volume inference, where operating costs now exceed training costs.</p>
<div class="lb-trans"><p>主要的云服务提供商正在逐渐减少对英伟达 CUDA 生态系统的依赖。他们正在投资自己的专用芯片，以满足高容量推理的需求，而运营成本现在已超过训练成本。</p>
</div><h3>Nvidia’s largest customers become competitors</h3>
<div class="lb-trans"><h3>英伟达最大的客户变成了竞争对手</h3>
</div><p>The “Big Four” North American hyperscalers—Google, Amazon Web Services, Microsoft, and Meta—account for the largest capital expenditures in this sector. Their collective shift to custom silicon is a strategic move to ensure competitiveness.</p>
<div class="lb-trans"><p>北美的 “四大” 超大规模云服务商——谷歌、亚马逊网络服务、微软和 Meta——在该领域的资本支出占据了最大份额。他们集体转向定制硅是一项确保竞争力的战略举措。</p>
</div><p>Google, part of Alphabet, initiated the move toward custom AI chips with its Tensor Processing Units (TPUs). The latest version, TPU v7 ‘Ironwood,’ is optimized for inference. Ironwood features a large shared memory, enabling up to 9,216 chips to connect in a single ‘superpod,’ which addresses memory constraints in large Mixture-of-Experts (MoE) models.</p>
<div class="lb-trans"><p>谷歌，作为 Alphabet 的一部分，率先推动了定制 AI 芯片的开发，推出了其张量处理单元（TPU）。最新版本 TPU v7 ‘Ironwood’ 针对推理进行了优化。Ironwood 具有大共享内存，允许多达 9216 个芯片在单个 “超级集群” 中连接，解决了大型专家混合模型（MoE）中的内存限制。</p>
</div><p>Meta Platforms may lease and potentially purchase Google’s TPU chips for its data centers starting in 2027. This would mark a shift for Google, positioning it as a merchant chip supplier. Some estimates suggest Google could capture up to 10% of Nvidia’s annual revenue, amounting to billions of dollars.</p>
<div class="lb-trans"><p>Meta Platforms 可能会从 2027 年开始租赁并可能购买谷歌的 TPU 芯片用于其数据中心。这将标志着谷歌的转变，使其成为商用芯片供应商。一些估计表明，谷歌可能会占据英伟达年收入的 10%，金额达到数十亿美元。</p>
</div><h4>Amazon focuses on training and cost efficiency</h4>
<div class="lb-trans"><h4>亚马逊专注于训练和成本效率</h4>
</div><p>Amazon Web Services (AWS) is pursuing improved price-performance to attract businesses seeking alternatives to Nvidia’s expensive chips. AWS claims its Trainium chips can reduce training costs by up to 50% compared to GPUs, targeting mid-range AI workloads.</p>
<div class="lb-trans"><p>亚马逊网络服务（AWS）正在追求更好的性价比，以吸引寻求替代英伟达昂贵芯片的企业。AWS 声称其 Trainium 芯片可以将训练成本降低多达 50%，目标是中等规模的 AI 工作负载。</p>
</div><p>AWS is also expanding its custom CPU, Graviton5, built on 3nm technology. It delivers up to 25% better performance than its predecessor for general tasks. Partners such as Anthropic use Trainium2 for model training, showcasing the value of AWS’s Trainium software and Neuron SDK.</p>
<div class="lb-trans"><p>AWS 还在扩展其定制 CPU Graviton5，该芯片基于 3nm 技术。与其前身相比，它在一般任务上提供高达 25% 的性能提升。合作伙伴如 Anthropic 使用 Trainium2 进行模型训练，展示了 AWS 的 Trainium 软件和 Neuron SDK 的价值。</p>
</div><h4>Meta and Microsoft’s strategic shift</h4>
<div class="lb-trans"><h4>Meta 和微软的战略转变</h4>
</div><p>Meta adopts a specialized approach. Its Meta Training and Inference Accelerator (MTIA) is designed for high-volume tasks, such as powering recommendation systems for Facebook and Instagram. Offloading these tasks to custom chips allows Meta to reserve its Nvidia H100s for advanced AI research.</p>
<div class="lb-trans"><p>Meta 采取了专业化的方法。其 Meta 训练和推理加速器（MTIA）旨在处理高容量任务，例如为 Facebook 和 Instagram 提供推荐系统。将这些任务转移到定制芯片上，使 Meta 能够将其英伟达 H100 保留用于高级 AI 研究。</p>
</div><p>Microsoft’s custom silicon program has faced setbacks. The next-generation Maia chip, codenamed “Braga,” has been delayed until 2026, placing Microsoft in a challenging position. Due to this delay, Microsoft must continue purchasing Nvidia’s Blackwell GPUs at high prices to meet OpenAI’s computing demands. To offset costs, Microsoft is also using AMD’s MI300X GPUs, making it one of AMD’s largest customers.</p>
<div class="lb-trans"><p>微软的定制硅计划面临挫折。下一代 Maia 芯片，代号 “Braga”，已推迟到 2026 年，这使得微软处于一个困难的境地。由于这一延迟，微软必须继续以高价购买英伟达的 Blackwell GPU，以满足 OpenAI 的计算需求。为了抵消成本，微软还在使用 AMD 的 MI300X GPU，使其成为 AMD 最大的客户之一。</p>
</div><h3>Emerging competition and the Triton effect</h3>
<div class="lb-trans"><h3>新兴竞争和 Triton 效应</h3>
</div><p>As major cloud companies develop their own systems, Advanced Micro Devices (AMD) remains the primary alternative to Nvidia in the broader market. AMD’s MI300X chip features 192GB of HBM3 memory, significantly more than Nvidia’s H100, making it well-suited for large-model inference and reducing costs. AMD anticipates its data center GPU sales will reach billions annually, directly competing with Nvidia.</p>
<div class="lb-trans"><p>随着主要云公司开发自己的系统，先进微设备（AMD）仍然是更广泛市场中英伟达的主要替代品。AMD 的 MI300X 芯片具有 192GB 的 HBM3 内存，显著超过英伟达的 H100，使其非常适合大型模型推理并降低成本。AMD 预计其数据中心 GPU 销售将达到每年数十亿美元，直接与英伟达竞争。</p>
</div><p>AMD’s previous software limitations are being addressed through OpenAI’s Triton compiler. Triton enables developers to write high-performance code compatible with both Nvidia and AMD hardware, without requiring deep expertise in CUDA or AMD’s ROCm.</p>
<div class="lb-trans"><p>AMD 之前的软件限制正在通过 OpenAI 的 Triton 编译器得到解决。Triton 使开发人员能够编写与英伟达和 AMD 硬件兼容的高性能代码，而无需深入了解 CUDA 或 AMD 的 ROCm。</p>
</div><p>Triton increases hardware interchangeability and simplifies the transition away from CUDA. This reduces costs and makes it easier for companies to adopt alternative suppliers.</p>
<div class="lb-trans"><p>Triton 提高了硬件的互换性，简化了从 CUDA 转移的过程。这降低了成本，使公司更容易采用替代供应商。</p>
</div><h3>China narrows the technology gap</h3>
<div class="lb-trans"><h3>中国缩小技术差距</h3>
</div><p>Nvidia’s challenges are compounded by the emergence of a parallel, independent ecosystem in China, driven by U.S. export controls. Huawei leads this domestic infrastructure, compensating for limited access to EUV lithography with alternative architectural strategies.</p>
<div class="lb-trans"><p>英伟达面临的挑战因美国出口管制而加剧，导致中国出现了一个平行的独立生态系统。华为在这一国内基础设施中处于领先地位，通过替代架构策略弥补了对 EUV 光刻的有限访问。</p>
</div><p>Huawei’s leading chip, the Ascend 910C, is produced by SMIC using a 7nm Deep Ultraviolet (DUV) process and has demonstrated reliability. Reports indicate it achieves 60–80% of Nvidia’s H100 performance in training and matches it in some inference tasks.</p>
<div class="lb-trans"><p>华为的领先芯片 Ascend 910C 由中芯国际使用 7nm 深紫外（DUV）工艺生产，并已证明其可靠性。报告显示，它在训练中的性能达到英伟达 H100 的 60% 至 80%，在某些推理任务中与之相匹配。</p>
</div><p>This performance is enabled by a ‘scale-out’ design that connects thousands of Ascend NPUs in systems such as the Atlas 950 SuperPoD via a new optical link called UnifiedBus. This high-speed network compensates for lower manufacturing quality, allowing advanced model training.</p>
<div class="lb-trans"><p>这种性能得益于一种 “扩展” 设计，通过一种名为 UnifiedBus 的新光纤连接数千个 Ascend NPU，形成如 Atlas 950 SuperPoD 等系统。这种高速网络弥补了较低的制造质量，使得高级模型训练成为可能。</p>
</div><p>However, developing this independent computing power is costly. The manufacturing yield for Ascend 910C chips at SMIC is only 30–40%, well below industry standards, but the Chinese government appears willing to accept these losses for strategic purposes.</p>
<div class="lb-trans"><p>然而，发展独立计算能力的成本很高。中芯国际的 Ascend 910C 芯片的制造良率仅为 30-40%，远低于行业标准，但中国政府似乎愿意为了战略目的接受这些损失。</p>
</div><p>HiSilicon, Huawei’s semiconductor company, plans to introduce new versions of the Ascent chips in 2026, namely the Ascend 950PR, which will launch in the first quarter of 2026, followed by a higher-memory variant, the 950DT, in the fourth quarter..</p>
<div class="lb-trans"><p>华为的半导体公司海思计划在 2026 年推出新版本的 Ascend 芯片，即 Ascend 950PR，该芯片将在 2026 年第一季度发布，随后在第四季度推出更高内存的变种 950DT。</p>
</div><p>The paradox deepened this week when, despite U.S. President Trump signaling an easing of restrictions by approving the export of Nvidia’s advanced H200 chips, Beijing indicated it would impose its own stringent controls on access. Regulators overseeing China’s semiconductor independence campaign are considering ways to permit only limited access to the H200, Nvidia’s second-best generation of AI chip.</p>
<div class="lb-trans"><p>本周，尽管美国总统特朗普通过批准 Nvidia 的先进 H200 芯片出口，暗示放宽限制，但北京表示将实施自己的严格控制措施。监管机构正在考虑如何仅允许有限访问 Nvidia 的第二代 AI 芯片 H200，以支持中国的半导体独立运动。</p>
</div><p>China is also advancing memory chip production. ChangXin Memory Technologies (CXMT) plans to begin mass-producing HBM3 chips by 2026, helping to mitigate future memory-related sanctions.</p>
<div class="lb-trans"><p>中国也在推进内存芯片的生产。长鑫存储科技（CXMT）计划在 2026 年开始大规模生产 HBM3 芯片，以帮助减轻未来与内存相关的制裁。</p>
</div><h3>Investing in a fragmented market</h3>
<div class="lb-trans"><h3>在一个碎片化市场中投资</h3>
</div><p>Nvidia recognizes the challenge of maintaining high profit margins, particularly due to TSMC’s production constraints. In response, Nvidia is investing in new markets, including telecom infrastructure companies such as Nokia.</p>
<div class="lb-trans"><p>Nvidia 意识到维持高利润率的挑战，特别是由于台积电的生产限制。作为回应，Nvidia 正在投资新的市场，包括电信基础设施公司，如诺基亚。</p>
</div><p>Despite the challenges, Nvidia is expected to remain the leader in high-margin advanced model training through 2026. However, the broader market for high-volume inference will likely be dominated by custom chips from major cloud providers.</p>
<div class="lb-trans"><p>尽管面临挑战，预计 Nvidia 将在 2026 年前继续领导高利润的先进模型训练。然而，高容量推理的更广泛市场可能会被主要云服务提供商的定制芯片主导。</p>
</div><p>The next major competition will focus on chip connectivity. As electrical connections reach their limits, optical connections are being adopted in commercial products. Marvell’s acquisition of Celestial AI and companies like Lightmatter, which offers a 3D photonic wafer for faster chip connections, indicate that optical links will become standard in leading AI chips by 2026. This shift will position companies such as Broadcom and Marvell as key suppliers.</p>
<div class="lb-trans"><p>下一场主要竞争将集中在芯片连接性上。随着电连接达到极限，光连接正在商业产品中被采用。Marvell 收购 Celestial AI 以及像 Lightmatter 这样的公司提供 3D 光子晶圆以实现更快的芯片连接，表明到 2026 年光链接将成为领先 AI 芯片的标准。这一转变将使 Broadcom 和 Marvell 等公司成为关键供应商。</p>
</div><p>Nvidia’s current challenge is to remain profitable and retain market share in a rapidly evolving industry where hardware is increasingly specialized. The future of AI computing will be defined by a mix of specialized systems connected by advanced technology, rather than a single monopoly.</p>
<div class="lb-trans"><p>Nvidia 当前的挑战是在一个快速发展的行业中保持盈利并保持市场份额，在这个行业中，硬件越来越专业化。未来的 AI 计算将由一系列通过先进技术连接的专业系统定义，而不是单一的垄断。</p>
</div><h5>See also:</h5>
<div class="lb-trans"><h5>另见：</h5>
</div><p>Nvidia Navigates an Era of Growth Amidst Mounting Challenges</p>
<div class="lb-trans"><p>Nvidia 在面临日益增加的挑战中驾驭增长时代</p>
</div><p>How Open Compute Initiatives Are Influencing AI Hardware Design</p>
<div class="lb-trans"><p>开放计算倡议如何影响 AI 硬件设计</p>
</div><p>Nvidia’s $1 Billion Bet on Nokia to Rewire Global Telecom</p>
<div class="lb-trans"><p>Nvidia 对诺基亚的 10 亿美元投资重塑全球电信</p>
</div><p>TSMC Price Hikes End the Era of Cheap Transistors</p>
<div class="lb-trans"><p>台积电涨价结束了廉价晶体管的时代</p>
</div>

The Trillion-Dollar Race to Fragment the Nvidia Monopoly

- Nvidia 在过去十年主导 AI 芯片市场，2025 年销售额达 1478 亿美元。  
- 竞争加剧，云服务商转向定制芯片以降低成本，影响 Nvidia 市场份额。  
- 中国企业如华为也在缩小技术差距，推动独立生态系统发展。  

打破 Nvidia 垄断的万亿美元竞赛