三天內三筆交易，讓 Nvidia 從預設選項變成眾多選項之一

10 月 2 日，Amazon 與 Synopsys 宣布一項價值超過 10 億美元、為期多年的合作夥伴關係，授予 Amazon 獨家授權使用 Synopsys 的 AI 加速晶片設計工具。同一天，有報導指出 OpenAI 在機櫃級配置中部署 Jalapeno ASIC 處理器，搭配 AMD EPYC Turin CPU，繞過 Nvidia 的高效能代理式晶片。10 月 3 日，General Compute 簽署一項多年協議，將 Cerebras 的晶圓級處理器納入其 GPU 雲端。

三家彼此獨立的公司，三條不同路線，卻朝同一個方向。AI 運算的最大買家正在打造或採購替代方案，以取代幾乎供應所有此類運算的供應商。

這一切都不代表 Nvidia 正在落敗。這代表市場不再是單一供應來源，而那是另一種風險。

Amazon 買下晶片背後的工具鏈

與 Synopsys 的交易最不戲劇化，卻可能是最具影響力的一筆。Amazon 早已自行設計晶片，包括 Trainium 與 Inferentia 系列。擁有設計工具則是更往上游踏進一步。晶片設計軟體決定了一家公司能多快迭代，而獨家取得 AI 加速設計工具，能縮短從構想到可測試元件之間的循環。

關鍵字是「獨家」。如果 Amazon 持有競爭對手拿不到的授權，其內部設計週期就會比對手更快複利累積。這項優勢不在於任何單一晶片，而在於對手產出一代的時間裡，Amazon 能產出多少世代。

這種做法有其代價。自行設計加速器意味著必須維護一套軟體堆疊、編譯器，以及開發者必須採用的函式庫。Nvidia 真正的護城河從來不只是晶片，而是 CUDA、多年來建立在其上的工具鏈，以及工程師習慣優先選用 Nvidia 的傾向。Amazon 的 10 億美元買到的是設計速度，買不到那個習慣。

OpenAI 刻意繞過最高階產品

OpenAI 部署 Jalapeno 的動作更為針對性。在機櫃規模上將客製化 ASIC 與 AMD EPYC Turin CPU 配對，意味著 OpenAI 不等 Nvidia 的下一代高效能產品，而是用自己能按自身條件取得的零組件，組裝推論容量。

就推論而言，這是合理的賭注。訓練前沿模型需要最快的互連與最大的記憶體池，這正是 Nvidia 頂級產品得以撐起價格的地方。將完成訓練的模型提供給數百萬使用者，則是另一種工作負載，它更看重每 token 成本，而非純粹的峰值效能。如果客製化 ASIC 加上通用 CPU 能以更低成本服務相同流量，節省下來的成本會隨規模放大。

OpenAI 同時擁有流量與工程人力來證明這項投資值得。它也有成本以外的理由。每一分對單一供應商的依賴，都會把影響力交到該供應商手上，而沒有實驗室會希望自己的發展藍圖由別人的分配決策來決定。

Cerebras 找到經銷通路

與 General Compute 的協議是最清楚的跡象，顯示替代方案正從研究走向零售。Cerebras 打造晶圓級處理器，與一整櫃 GPU 確實不同。把它們放進 GPU 雲端平台，意味著已經租用運算資源的客戶，可以像選擇任何其他機型一樣選用 Cerebras 執行個體。

這很重要，因為採用率存在通路問題。一款更好的加速器若無法按小時租用，就只是研究專案。一款較差的加速器若能出現在下拉式選單中，就是一門生意。General Compute 提供的就是那個下拉式選單。

為何軟體護城河更難買到

每一家追求替代加速器的公司都會撞上同一道牆，而這道牆不是矽做的。Nvidia 的優勢建立在一整套開發者早已熟悉的函式庫、編譯器與除錯工具上。為新加速器改寫訓練腳本是週末就能完成的任務。改寫整套生產系統、重新訓練團隊，並接受一段效能較差的時期，則是必須向某人交代的決定。

這就是為什麼這三筆交易聚焦在不同層次。Amazon 買的是設計工具鏈，可降低生產元件的成本。OpenAI 部署的是推論晶片，其軟體介面比訓練窄。General Compute 則是在選單中增加一個項目，讓客戶能試用替代方案，而不必承諾全面遷移。

挑戰者最可能的路徑，不是取代現任者在訓練領域的地位，而是贏得推論，因為那裡的工作負載更標準化，每 token 成本也更容易衡量。一旦大量推論在替代方案上運行，其周邊工具鏈就會改善，下一世代的差距也會縮小。

有個有用的歷史類比。Linux 沒有在桌面上取代 Unix，也不需要如此。它贏得了伺服器，因為那裡的工作負載標準化，買家在意的是每單位工作的成本。挑戰者生態系只需要在一個工作負載類別站穩腳步，就能接著成長到其他類別。

這個模式是異質化，而非反 Nvidia

把這三項動作放在一起看，其策略並不是要取代 Nvidia，而是要停止依賴單一供給曲線。Amazon 想要設計速度。OpenAI 想要推論經濟效益。General Compute 想要差異化的選單。每個買家都在針對不同的限制條件做最佳化，而且沒有人是為了贏得一項基準測試。

這就是成熟運算市場的行為模式。大型主機、x86，乃至後來的行動裝置，都隨著規模成長與買家議價能力提升而走向分裂。AI 加速器市場已經到達那個階段，而這種分裂正展現在採購上，而非產品發表上。

對 Nvidia 而言，其意涵不是明天就會失去市占，而是價格與分配將變成可協商，而非被接受。當客戶能可信地說自己已有可行的替代方案時，對話就會改變。

值得觀察的重點

Amazon 的設計工具能否產出外部開發者想使用的元件。獨家性在內部對 Amazon 有幫助。真正的替代方案需要外部生態系，而那需要文件、編譯器與耐心。

OpenAI 的 Jalapeno 機櫃能否以使用者期待的可靠性處理生產流量。客製化晶片容易發表，卻難以營運。一次備受矚目的重大故障，就會讓替代策略倒退一年。

其他雲端業者是否會跟進 General Compute，上架非 GPU 加速器。通路是每個挑戰者的瓶頸，而每多一個銷售管道，就會讓下一個更容易。

有趣的細節在於時機。這三筆交易在約 72 小時內先後出現，而這些公司彼此並不協調。當獨立買家在同一個星期得出相同結論，這個結論通常反映的是底層條件的真實變化，而非巧合。

運算採購剛變成了一項投資組合決策。這比任何單一晶片發表都更安靜，卻也會比下一世代產品更長久。