事件速览：巨头分道扬镳背后的产业拐点

核心事实梳理

• 合作关系松动：2026 年 3 月，英伟达 CEO 黄仁勋在摩根士丹利 TMT 会议上确认，其对 OpenAI 的 300 亿美元投资可能是“最后一次”，此前传闻的千亿美元级合作方案大概率搁浅。
• 财务数据对比：
  • 博通 (Broadcom)：2025 年 Q1 AI 半导体收入 84 亿美元（同比 +106%），Q2 预期环比再涨 27% 至 107 亿美元。
  • 英伟达 (NVIDIA)：同期总营收 681 亿美元（同比 +73%），新财季预期增至 780 亿美元；Blackwell 和 Rubin 芯片订单预计超 5000 亿美元。
  • 云厂商 Capex：亚马逊、微软、谷歌、Meta、甲骨文五大云厂商 2026 年资本开支总额预计超 7000 亿美元。
• 技术瓶颈显现：
  • Scaling Law 失效：高质量结构化数据耗尽，预训练阶段的性能跃迁难以为继。
  • GPU 性能增速下滑：2018-2022 年 AI 芯片性能年均提升 50%，2023-2025 年降至 20% 以下。
  • 迭代周期错配：大模型每 3 个月迭代一次，而芯片迭代周期虽压缩至“年更”，仍难以完全适配。

OpenAI 与英伟达的合作关系变化示意图

火猫解读：为何“友谊破裂”？

从火猫的项目经验看，OpenAI 与英伟达关系的微妙变化，本质上是通用算力红利见顶后的必然结果。

1. 通用 GPU 的“包打天下”时代终结

过去十年，GPU 凭借高通用性和大规模并行能力成为大模型的绝对核心。然而，随着摩尔定律放缓和先进制程（如台积电 3nm）带来的性能/成本比失衡，单纯堆砌 GPU 已无法带来预期的性能飞跃。

• 现状：英伟达产品毛利率虽维持在 75% 左右，但面对特定场景的极致需求，其通用架构显得效率不足。
• 趋势：Google TPU 等定制化 ASIC 芯片强势崛起，Meta、Amazon、Microsoft 乃至 OpenAI 均在加速自研 ASIC。2026 年将是定制化芯片量产爆发的关键节点。

2. “杰文斯悖论”下的成本焦虑

虽然 AI 效率提升可能引发消耗总量增加（杰文斯悖论），但在 Scaling Law 退潮的背景下，这种增长逻辑正在动摇。

• ROI 压力：云厂商承担了最集中的 Capex（资本开支）。若 AI 模型无法通过规模化产生足够的 ARR（年度经常性收入）来覆盖折旧成本（尤其是当芯片实际经济价值可能在 2-3 年内因技术过时而大幅衰减时），巨额投资将变成财务黑洞。
• 市场反馈：即便微软等公司财报超预期，股价仍因缺乏利润增长而暴跌，反映出市场对单纯拼规模、拼速度的估值逻辑不再买账。

对企业落地的启发

对于寻求 AI 转型的企业而言，这一系列信号意味着**“唯算力论”必须让位于“唯效能论”**。

1. 从“买铲子”转向“造专用工具”

企业不应盲目跟随大厂采购最新一代通用 GPU，而应评估自身业务场景是否适合引入定制化或边缘侧 AI 智能体。

• 策略建议：针对高频、低延迟的特定业务环节（如客服、代码生成、数据分析），优先考虑基于开源模型微调的轻量级方案或专用 ASIC 部署，以降低推理成本和能耗。

2. 重新定义 AI 项目的 ROI 计算周期

传统的五年折旧周期已无法适应当前技术迭代速度。企业在规划 AI 项目时，需采用更短的经济价值评估窗口（如 2-3 年），并重点考核单位算力的业务产出比，而非单纯的模型参数量或训练时长。

3. 关注“后训练”与“推理扩展”机会

既然预训练阶段的性能跃迁受限，未来的竞争焦点将转向：

• 后训练优化：通过 RLHF（人类反馈强化学习）和 SFT（监督微调）提升模型在垂直领域的表现。
• 推理时扩展：优化推理过程中的资源分配，利用 Agent（智能体）自主规划任务，减少无效计算。

火猫观点：AI 产业正从“狂飙突进”的基建期进入“精耕细作”的应用期。OpenAI 与英伟达的分歧只是表象，深层逻辑是行业对技术边际效益递减的理性回归。企业若能在此阶段率先完成业务流程的智能化改造，将能避开泡沫破裂的风险，真正享受到 AI 带来的降本增效红利。