論騷操作，矽谷恐怕沒有CEO能比得上黃仁勳。去年，黃仁勳向微軟、谷歌和亞馬遜這些雲端運算廠商提出了一個計劃：這些廠商都有很多搭載了英偉達GPU的伺服器，由英偉達租用這些伺服器，然後讓英偉達的工程師對其進行“優化”，再以英偉達的名義租給普通的AI企業，從中賺取差價。

說簡單點，以前微軟會直接把雲端服務賣給中小公司，現在由英偉達進來當中間商。當然依照英偉達官方的說法，此舉是為了「向雲端運算廠商展示在資料中心配置GPU的正確方法」[1]。

伺服器還是那台伺服器，但經過英偉達「優化」後，客戶就從微軟優化到英偉達了。但就是這樣一個匪夷所思的提議，除了亞馬遜之外，各大雲端運算廠商居然都同意了。

2023年3月，英偉達正式上線雲端運算服務DGX Cloud。事實證明，經過英偉達工程師的優化後，DGX Cloud在訓練大模型時表現得的確更好；在此基礎上，英偉達也破例允許短期租賃。僅僅半年時間，英偉達就拿下了軟體公司ServiceNow等大客戶。

科技公司願意配合英偉達騷操作的真實原因，可能還是因為英偉達手中握有大模型時代最稀缺的資源——H100。

當下，幾乎所有的企業都沒有足夠的算力。連OpenAI創始人阿爾特曼，都曾在一次聽證會上無奈地表示：“如果人們減少使用ChatGPT，我們會非常高興，因為我們的GPU非常短缺[2]。”

買了多少H100，甚至可以成為決定AI成就的關鍵因素。這也讓英偉達有了「挾H100以令諸侯」的底氣。

計算機的“稀土”

通常來說，科技企業會透過購買雲端運算廠商的服務，來滿足算力需求。從2023年3月開始，微軟Azure、亞馬遜AWS等雲端運算廠商也先後上架了HGX H100的租賃服務，HGX H100是由4個或8個H100組成的伺服器。

然而，當下供需嚴重失衡，雲端運算廠商這點H100存貨已經遠遠滿足不了市場的胃口。2023年H1的財報中，微軟特別更新了一條風險因素：如果無法取得足夠的AI晶片，雲端運算業務可能會中斷。

許多新創公司需要排隊等3-12個月，一旦友商搶在自己前面，那可能就是幾十上百億估值的損失。

HGX H100

無數「H100窮人」們，只能被迫發揮主觀能動性，看誰的路子更野。

面對《紐約時報》的採訪，一位創業家將H100比喻為「稀土」。早些時候，他跑去請求美國國家科學基金會投資自己，只因為基金會底下一個計畫剛好有少數空置的H100。

在矽谷，AI創業家打招呼的方式，都變成了「我認識一個有H100的傢伙」——不知道的還以為在買賣毒品[4]。

GPU Utils曾測算H100搶購潮背後具體的需求數據：

對需要自己訓練大模型、追求大力出奇蹟的企業來說，沒有個上萬塊H100都不好意思出門。由前DeepMind聯合創辦人蘇萊曼創辦的Inflection AI，成立方才一年，已買了2.2萬個H100；至於Meta這樣財大氣粗的公司，很可能會購買10萬個甚至更多。

對微軟Azure等雲端運算廠商來說，每一家也都需要至少3萬個H100。而其餘幾家私有雲，也將消耗總計約10萬個H100。

計算後發現，光是美國大型科技公司和少數幾家明星新創公司，需求量已達到約43萬個[5]。如果再算上其他新創公司、研究機構、大學，乃至富裕國家的追逐、再加之黃牛、黑市等不可控因素，實際需求很可能遠大於這個數字。然而根據英國《金融時報》爆料，今年H100的出貨量大約是55萬個[6]。

H100之所以令人如飢似渴，其中一個核心原因在於其近乎壟斷的市場地位。

面對大模型訓練對極致效率的需求，H100在大多數情況下都是最適解。

MPT-30B是第一個使用H100訓練的開源LLM（大語言模型），實際訓練只耗費了11.6天；相較之下，使用前一代的A100訓練則需要28.3天[7]。如若換成參數規模較龐大的AI，例如1800B的GPT-4，效率差異會更加明顯。跑馬圈地的時代，時間就是一切。

除此之外，H100在模型推理上的效率也遠高於A100。儘管H100的首發價約為3.3萬美元，如今二手市場價格更上漲至4-5萬美元；但若將H100和A100的性能分別除以各自的價格，能發現H100的性價比實際上也高於A100。

MPT-30B的具體訓練、推理狀況

黃仁勳說，“Buy more GPUs ， the more money you save（買得多，省得多）”，似乎不無道理。

也因為如此，即便美國限制了H/A100的對華出口，國內科技公司仍在搶購閹割版的H/A800——儘管閹割版的晶片間數據傳輸速度只有前者一半，意味著需要在大模型訓練上花費更多時間。

除需求量龐大之外，造成H100短缺的另一個原因是產能的嚴重不足。

H100晶片需要使用SK海力士的HBM內存，以及台積電的CoWoS封裝——兩者都因過於昂貴，此前並沒能大規模市場化，預備產能並不多。由於產能爬坡尚需時間，有分析師預測H100的短缺至少會持續至明年一季度，也有人認為要到明年年底才有可能緩解[9]。

H100內部結構

H100的空前盛況，讓黃仁勳在短短一年時間內體驗了一回坐雲霄飛車的感覺。

去年第二季，消費市場萎靡不振加上挖礦企業札堆倒閉，英偉達交出了一份不及格的財報，「GPU滯銷，幫幫我們」的表情包一度遍地都是。一年之後，黃仁勳成功向資本市場展示了什麼叫做“反向暴雷”，同比營收暴漲854%，大幅超出了最樂觀分析師的預測。

巔峰換來了漫天的吹捧，但黃仁勳心裡清楚，英偉達的頭上一直懸掛著一把劍。

不可避免的戰爭

今年8月，傳奇工程師吉姆凱勒對媒體評論道，“我不認為GPU是運行AI的全部，世界憎惡壟斷[11]。”

此番發言雖有給自家AI晶片打廣告之嫌，卻也是業界的共識。

事實上，那些買了最多H100的大型科技公司，基本上都不太「安分」：微軟、Google、Meta，或多或少都嘗試過自研AI晶片。

這讓英偉達面臨一個異常尷尬的處境：在AI晶片領域，自己與「大客戶」之間，未來幾乎必有一戰。

大型科技公司選擇自研AI晶片，最初都源自於一個非常質樸的需求──省錢，其中最典型的便是Google。

早在2014年，Google已啟動了自研晶片計畫。彼時，OpenAI的首席科學家伊利亞也曾在Google工作，打造出了一套頗具顛覆性的AI模式。此模型脫胎於伊利亞的「大力出奇蹟」理念，只需要灌入足夠多且正確的數據，它便能更好地完成翻譯、語音辨識等工作。然而待到實際應用時，谷歌卻犯了難：

如果將AI服務安裝至10億多台安卓手機中，即使每個人每天只使用3分鐘，谷歌都需要2倍於目前資料中心的算力。當時Google已經建了15個資料中心，每個造價上億美金，「超級加倍」顯然不切實際。

最終，Google自研出了效能更強、功耗更低的TPU，大大提升了單一資料中心的算力供應，以更經濟實惠的方式解決了算力難題。

引進了TPU的資料中心

TPU的出現，令黃仁勳如坐針氈，開始了“爆改GPU”，很快在性能上實現了反超，其最新成果便是H100。不過，H100的售價實在太昂貴。

如果以重量出售H100，那麼其每盎司售價將達到黃金的一半；即便對地球上最賺錢的科技公司而言，這筆「英偉達稅」也堪稱天文數字。

然而，H100的實際製造成本並不高。根據金融顧問公司Raymond James測算，H100的成本約3,320美金，僅佔首發價的1/10，黃仁勳含淚賺10倍[12]。

自研晶片的經濟效益毋庸置疑，但除此之外其實還有另一個好處：垂直整合打造差異化。

堆疊算力不是簡單的往車上加汽油，需要考慮軟體適配性、自身業務需求等一系列問題。例如AI所使用的深度學習框架有多個派別，Google是TensorFlow，Meta用的PyTorch，而百度則有PaddlePaddle，硬體需要根據不同框架做適配。

專門訂製的AI晶片，可以更緊貼自身AI業務的需求。所以Meta今年又重啟了自研晶片計劃，針對PyTorch框架客製了全新的MTIA晶片。

對大公司來說，考慮晶片的核心其實不是算力，而是“單位美元提供的算力”，也就是成本。谷歌的TPU和特斯拉的Dojo都證明了，客製化服務的成本是可以接受的。

眼下，「反抗的星火」已經點燃。根據外媒爆料，大型科技公司的雲端運算團隊，已開始頻繁勸說客戶改用其自研晶片，而不是英偉達的GPU。英偉達固然是目前為止絕對的贏家，但沒人知道平衡什麼時候會被打破。

不過，面對這場不可避免的戰爭，英偉達也留了後手。

挾H100以令諸侯

英偉達打出的第一張牌，叫CoreWeave。

CoreWeave成立於2017年，最初是一家以太坊挖礦公司，後來轉型做起了雲端運算業務。根據CoreWeave創辦人透露，2022年公司營收為3,000萬美金，僅有微軟Azure的1/1133，在矽谷幾乎沒什麼存在感。

然而到了2023年，CoreWeave突然一夜成名，接連簽下Inflection AI和Stability AI兩個大客戶，年營收預計將達到5億美金，一年翻16倍。除此之外，微軟甚至決定在未來幾年花費數十億美金購買其服務；其中僅2024年的訂單，已有20億美金。

改變CoreWeave命運的貴人，正是英偉達。

今年4月，英偉達參與了對CoreWeave的投資；但比起美元，英偉達還給了它更稀有的資源——H100。CoreWeave是全球第一家上線HGX H100租賃服務的雲端運算企業，比微軟Azure還要早一個月。

CoreWeave三位創辦人

這番安排，其實是黃仁勳的有意為之。

H100近乎壟斷的市場地位加之嚴重短缺的現狀，讓英偉達手中多了一層權力：他可以自由決定優先供貨的對象。

相較於自己跟Big Tech們同床異夢的塑膠友誼，CoreWeave和英偉達是實打實的革命戰友。因此，英偉達削減了對大型科技公司的H100供應，轉而將這部分產能交給了CoreWeave等「自家兄弟」——它們曾確保不會自研晶片。

從結果來看，這項策略不僅避免了囤積現象的出現，也確實搶到了大型科技公司的蛋糕：

例如前文提到的Stability AI，在2022年底時一直將亞馬遜AWS視為唯一雲端服務商；然而到了今年3月，困於算力不足的Stability AI，悄悄叩開了CoreWeave的大門。

事實上，英偉達手中並非僅有CoreWeave一張牌。這位手握H100的投資人，也投資了同為雲端運算公司的Lambda Labs，以及三家從事大模型、應用程式開發的明星新創公司。

前DeepMind共同創辦人蘇萊曼創辦的Inflection AI，也接受了英偉達的投資

在畝產十萬大模型的當下，H100是比美元還珍貴的硬通貨，也為英偉達創造了一個寶貴的窗口期：盡可能讓更多公司用上H100，趁早建立起生態，「把朋友搞得多多的」。

那麼這個窗口期能持續多久呢？

尾聲

英偉達的一系列「騷操作」已經引來了美國反壟斷機構的注意，同時，全球瘋搶H100的現狀，很可能不會長期持續下去。

如前文所述，H100產能受限是因為台積電和SK海力士的預備產能不足；隨著新產線陸續落地，短缺狀況會逐漸得到緩解。

除此之外，旺盛的需求也未必延續下去。

事實上，越來越多的科技公司和研究機構都選擇將大模型開源。隨著市場上優質的開源模型越來越多，新創公司和研究機構不必再自己動手訓練，轉而直接下載開源模型，根據自身業務需求進行開發或推理。

在Meta發布開源大模型Llama後，史丹佛、卡內基美隆等多所高校的研究人員就曾聯合起來，以此為基礎打造了開源大模型Vicuna，很快便突破了200萬次下載。

Vicuna

在肉眼可見的未來，算力的主要使用場景很可能會從訓練轉向推理──屆時，H100便不再是獨孤求敗了。因為有別於追求極致效率的訓練場景，AI推理其實更重視性價比。

另一方面，以大模型為代表的生成式AI如今面臨的問題在於：面對高昂的算力成本，除了英偉達，大家都還沒賺到錢。

2006年CUDA平台推出時，英偉達以超脫於產業的前瞻性推動了AI的快速進步。而如今，英偉達氣勢如虹的業績似乎也是一種拷問：它是不是已經從AI的推動者，變成了AI前進的阻力？