谷歌新一代AI模型Gemini 3系列的发布，在硬件领域投下一颗“重磅炸弹”——其自研TPU（张量处理器）所展现的性能与成本优势，被外界解读为对英伟达GPU（图形处理器）霸主地位的强劲挑战。资本市场反应迅速，英伟达市值一度蒸发超千亿美元。

　　这场由巨头博弈引发的震荡，将一个核心议题推至台前：在以大模型为核心的AI时代，硬件的技术范式是否正在从通用GPU转向专用芯片如TPU？这是否意味着一场结构性的变革已然来临？

　　这一悬念不仅关乎国际巨头的战略布局，也紧密牵动着中国AI算力产业链的神经。作为对标英伟达、不久前刚刚上市的中国GPU厂商代表，摩尔线程创始成员、摩尔学院院长李丰与沐曦高级副总裁孙国梁在今日腾讯contech大会上“同框”，并回应了对于两种路线的看法。

　　在李丰看来，争议背后其实是“通才与专才”的分工，而非简单的替代关系。

　　他分析，谷歌能做TPU，本质上是因为它是全栈整合公司。谷歌有强大的 Infra、基础模型与云服务形成闭环，把模型跑在自家芯片上量身优化，实现成本性价比的最大化。“但绝大部分企业不具备这样的垂直整合能力。”

　　他总结，GPU持续保持优势的原因有三个：灵活度是“甜点”、多模态时代的全功能性、生态的护城河。

　　尤其在AI算法范式从CNN（卷积神经网络）、Transformer到未来世界模型快速迭代的创新阶段，李丰认为，新型算子不断涌现，通用GPU凭借性能与灵活度的“甜点”位置，始终处在创新试验场的前沿。

　　在他看来，未来是多模态的，需要“理解世界、用三维构建世界、超高清传输世界”，全功能GPU的“图算一体”能力在跨域支持所有计算范式上，有不可替代的优势。因此摩尔线程会继续啃最困难的全功能GPU图算一体的“硬骨头”。

　　生态更是关键壁垒，英伟达之所以在计算领域成为“王者”，得益于它所建立起的CUDA生态，能够联合所有开发者建设生态。李丰称，摩尔线程也在搭建自己MUSA的生态。

　　沐曦创始人孙国梁的观点更加直接：任何芯片架构都没有高低优劣之分，关键还是看场景。

　　他认为，GPU和ASIC（专用芯片）的架构几十年前就存在，已经是超级稳态。而现在的大模型太卷了，迭代速度非常快，达到了按周计、按月计的程度，任何基础模型远未到达收敛的时间点，通用 GPU 的泛化能力和适配性仍是核心竞争力，现在业界还很难把一个专用性的产品放在通用的场景里。

　　但与此同时，客户是多元化的，应用场景分散、层出不穷，因此GPU和类似TPU这样的ASIC会长期共存。

　　对于英伟达股价近期的波动，孙国梁认为，这或是一种很好的“砍价方式”。而华尔街此前将英伟达推上市值榜首，证明了通用性GPU在当前历史阶段的主流地位。

　　不过，尽管肯定了通用性芯片的价值，李丰同时认可专用芯片在特定场景的价值，他判断，未来一定还会有超大型的有云服务的公司，在自己某种超大型服务以及算法收敛稳定到一定阶段时选择定制专门的TPU，并且在能力溢出时和其他的厂商进行合作。

　　事实上，在当前AI大模型的竞赛中，单张计算卡的峰值算力已非唯一决胜因素，构建能够连接成千上万张计算卡的高性能网络，并与软件栈深度协同的集群系统，才是真正的核心竞争力。面对“实际训练网络规模有多大”的提问，摩尔线程和沐曦也给出了基于实践的回答。

　　李丰透露摩尔线程目前有多个投入生产的千卡集群在运行，不是在实验室，已在生产期运行，支持训练和推理。不过现在AI大模型的运行并不在单卡的算力多少，实际上卡间互联的网络通信是非常复杂的架构，摩尔线程要做的是端到端全栈的解决方案。

　　沐曦的孙国梁也认为，AI基础设施的最大挑战在于明确产品的本质：客户最终需要的是一个能够可靠支持大规模模型训练、推理与服务的通用算力平台，而非孤立的一张卡或一台服务器。他表示沐曦已在全国范围内部署了数千卡规模的集群，并且成功完成了从传统模型到MoE（混合专家）模型乃至非Transformer架构模型的训练任务。