---
type: "Topics"
locale: "zh-HK"
url: "https://longbridge.com/zh-HK/topics/39995571.md"
description: "🚨 Jensen Huang 正面回應 TPU 與 Trainium：真正的差距，不在 “能不能做”，而在 “能不能贏”Dwarkesh 拋出了一個很多人心裏都在想的問題：如果 Anthropic 的 Claude 和 Google 的 Gemini 都在用 TPU 訓練——那這對 Nvidia 意味着什麼？Jensen Huang 的回應非常直接，沒有任何迴避。“Nvidia 提供的是每單位總成本的最佳性能。沒有對手。”這句話的重點，不是性能。而是 “總成本”。這其實是在重新定義競爭維度。很多人把問題理解為：誰能造出 AI 芯片？但 Jensen 給出的答案是：關鍵不在 “能不能做”，而在 “有沒有人能在整體效率上贏過 Nvidia”。他隨後進一步加碼：“TPU 不會出現。Trainium 也不會出現。沒有人願意站出來。”這裏提到的 TPU，本質上是 Google 的自研加速器，而 Trainium 則是 Amazon 推出的 AI 訓練芯片。兩者都已經真實存在。但 Jensen 的表達方式很有意思——他不是在否認它們存在，而是在否認它們 “成為主流競爭者” 的可能性。我更在意的，是他對 “競爭” 的態度。他並沒有迴避，反而是歡迎。因為在他的邏輯裏——只要有人嘗試替代方案，最終都會回到一個問題：你能不能在真實世界裏，用更低的總成本，跑出同樣甚至更好的結果？如果答案是否定的，那所有替代路徑都會被市場自然淘汰。這其實是一種非常典型的 “系統級優勢”。Nvidia 的護城河，從來不只是芯片本身。而是一個完整堆棧：硬件架構軟件生態（CUDA）開發者工具部署效率規模化供應當這些疊加在一起時，比較的就不再是單點性能，而是整個系統的 “單位產出成本”。這也是為什麼，單純討論 TPU 或 Trainium 的算力參數，意義其實有限。因為真正決定選擇的，是：整體訓練效率開發成本遷移成本以及生態成熟度Jensen 的自信，本質上來自這裏——不是沒人能做芯片。而是目前還沒有人能在 “整個系統” 層面，複製甚至超越 Nvidia。這也解釋了他為什麼會 “歡迎競爭”。因為每一次嘗試替代，實際上都是一次公開的對比實驗。結果越多，差距越清晰。所以這件事的關鍵問題，其實不是：TPU 或 Trainium 會不會存在。而是：它們有沒有可能，在真實商業環境中，動搖 Nvidia 的 “總成本優勢”？這才是這場競爭真正的核心。如果未來有一天，這個答案開始動搖那才是結構真正改變的起點。你更傾向於認為，這種系統級優勢是短期領先，還是一個會持續很長時間的結構壁壘？"
datetime: "2026-04-17T11:36:52.000Z"
locales:
  - [en](https://longbridge.com/en/topics/39995571.md)
  - [zh-CN](https://longbridge.com/zh-CN/topics/39995571.md)
  - [zh-HK](https://longbridge.com/zh-HK/topics/39995571.md)
author: "[辰逸](https://longbridge.com/zh-HK/profiles/16318663.md)"
---

# 🚨 Jensen Huang 正面回應 TPU 與 Trainium：真正的差距，不在 “能不能做…


### 相關股票

- [NVDA.US](https://longbridge.com/zh-HK/quote/NVDA.US.md)
- [AMZN.US](https://longbridge.com/zh-HK/quote/AMZN.US.md)
- [GOOG.US](https://longbridge.com/zh-HK/quote/GOOG.US.md)
- [GOOGL.US](https://longbridge.com/zh-HK/quote/GOOGL.US.md)