【智者之肩】GPU真的是AI的終局之戰？聊聊晶片大神Jim Keller的不同看法

最近市場的目光，幾乎都聚焦在 NVIDIA 那勢不可擋的股價和技術領導地位上，每當有新的 AI 進展，背後似乎總有 NVIDIA GPU 的身影，這讓很多人幾乎認定，AI 硬體的戰爭已經結束，GPU 就是最終的答案。

但，真的是這樣嗎？今天，我們想邀請大家一起來思考一個可能有點「反主流」的問題：萬一，AI 的未來，不完全在 GPU 手裡呢？

提出這個挑戰的，不是無名小卒，而是被譽為「晶片大神」的 Jim Keller，大家可能對這個名字不那麼熟悉，但他絕對是科技界的傳奇人物。他的履歷就像一部現代處理器發展史，從 AMD 的 Athlon 64、Zen 架構，到蘋果的 A 系列晶片，再到特斯拉的自動駕駛晶片，背後都有他的操刀；現在，他創立了一家名為 Tenstorrent 的公司，目標很明確：打造一個不同於 NVIDIA 的 AI 運算未來。

那麼，Jim Keller 到底在想什麼？他的核心觀點其實可以用一句很簡單的話來概括：殺雞焉用牛刀，專業的事該交給專業的工具。

我們真的需要一把「萬能的瑞士刀」嗎？

讓我們先用一個比喻來理解，NVIDIA 的 GPU 非常強大，就像一把功能齊全的瑞士刀，它什麼都能做，能開紅酒、能剪指甲、能當螺絲起子，當然也能切東西，在 AI 發展的初期，沒有人確切知道最好的演算法會長什麼樣子，這時候，GPU 這種「通用型」的工具就非常有價值，因為它靈活性高，可以應對各種不確定的運算需求，這也是為什麼 NVIDIA 能在過去十年抓住機會，建立起巨大的成功。

但 Jim Keller 認為，隨著 AI 模型（特別是推理應用）的需求越來越明確，我們其實不再需要一把笨重的瑞士刀去完成一個非常具體的任務，例如「切菜」，我們需要的是一把輕便、鋒利、專為切菜而生的主廚刀。

這裡的「主廚刀」，指的就是 ASIC（特殊應用積體電路）。

這是一個需要稍微解釋一下的專業術語。所謂 ASIC，可以把它想像成一個「客製化」的晶片，相對於什麼都能做的 GPU，ASIC 被設計出來的目的只有一個，就是極度高效地執行某個特定的任務，例如，Google 為自家的 AI 模型設計的 TPU (Tensor Processing Unit)，就是一種 ASIC，它的功能很單一，但在執行特定的 AI 運算時，它的能源效率和成本效益，理論上可以遠遠超過通用的 GPU。

Jim Keller 的賭注就在這裡。他認為 AI 的工作負載可以被更精細地拆分，而市場最終會追求更高的效率和更低的成本，特別是在「推理 (Inference)」這個環節。

投資者視角：CUDA 護城河 vs. TCO 經濟壓力

從投資者的角度來看，這場戲就更有趣了，NVIDIA 的成功，除了硬體本身，更關鍵的是它打造了名為 CUDA 的軟體護城河。

這個「護城河」是什麼意思呢？我們可以把它想像成蘋果的 App Store 生態系，開發者習慣在 iOS 上寫 App，使用者習慣在 App Store 下載應用，這個龐大的生態一旦建立，其他人就很難打進來；同樣地，過去十幾年，幾乎所有 AI 研究人員和開發者都使用 CUDA 這個平台來寫程式，要他們放棄熟悉的工具，轉移到一個全新的平台，這個轉換成本非常高，這就是 NVIDIA 最強大的防禦。

然而，Jim Keller 和其他挑戰者看到的，是另一個強大的市場力量：TCO（總體擁有成本），

這個財經術語聽起來複雜，但概念很簡單，我們可以把它想成買車，買一輛車，不能只看標價，還要考慮後續的油錢、保險、保養費用；數據中心也是一樣，採購 AI 晶片只是前期投資，真正恐怖的開銷，是為了讓這些晶片 24 小時運轉所支付的電費，以及冷卻系統的費用，如果有一款晶片，雖然前期開發成本高，但它的能源效率是 GPU 的好幾倍，那對於 Google、Meta、Amazon 這些需要部署數百萬個 AI 服務的巨頭來說，長期下來省下的電費將會是天文數字。

這就是 TCO 的壓力。當效率的誘因大到一定程度時，即使是像 CUDA 這樣深的護城河，也可能有人願意花大錢蓋一座新橋繞過去，這也是為什麼我們看到，幾乎所有雲端巨頭都在默默開發自己的 AI 晶片，他們不是想跟 NVIDIA 公開競爭，而是想為自己找到一條更經濟實惠的道路。

開放標準 RISC-V：另一把攻城槌

除了 ASIC 的效率優勢，Jim Keller 手上還有另一張牌：RISC-V。

這又是一個術語，但我們可以把它理解成晶片設計領域的「開源軟體」，傳統的晶片架構，比如 Intel 的 x86 和 ARM，都是有專利授權的，使用它們需要付費，而且設計彈性有限；RISC-V 則是一個開放、免費的指令集架構，任何人都可以拿來設計自己的晶片，就像使用 Linux 一樣。

這意味著什麼？它大大降低了創新的門檻，新創公司或大型企業可以更自由、更快速地設計出符合自己特定需求的 ASIC 晶片，而不用被傳統的架構綁住，Jim Keller 的 Tenstorrent 公司，就是 RISC-V 陣營的頭號玩家之一，他希望透過提供高效能的 RISC-V 晶片，建立一個足以與 CUDA 抗衡的開放生態系。

總結與反思

聊到這裡，我們並不是要斷言 NVIDIA 的時代即將結束，NVIDIA 依然是 AI 訓練領域的王者，其領先地位短期內難以撼動，但 Jim Keller 的觀點，為我們提供了一個更長遠、更多元的視角來看待 AI 硬體的未來。

這場競賽，或許不是一場零和遊戲，而是一個市場走向成熟和細分的必然過程，就像汽車市場裡，有適合家庭的休旅車，有追求速度的跑車，也有經濟實惠的代步車；AI 運算的世界，未來可能也會分化出由 NVIDIA 主導的「通用高效能運算」，以及由各種 ASIC 和 RISC-V 晶片滿足的「特定應用高效運算」。

這也給我們投資者和科技愛好者留下一個值得思考的問題：當市場從「一家獨大」的狂熱，逐漸走向「百花齊放」的理性時，新的機會將在哪裡誕生？ 我們是該繼續押注那位全能的衛冕冠軍，還是在那些專注於單一領域的挑戰者中，尋找下一匹黑馬？