文章核心观点 - 2025年AI竞争已演变为芯片、软件栈、云服务与开源生态的四维立体战争，谷歌凭借垂直整合的全栈模式对OpenAI的依赖外部算力模式和英伟达的通用GPU生态构成根本性挑战 [2] - 谷歌通过自研TPU芯片及软硬件深度协同，实现了极低的总体拥有成本，在性能和成本上形成降维打击，正在重塑AI算力市场格局 [3][4] - 谷歌在生成式AI领域实现全面领先，其Gemini 3模型在关键基准测试中超越GPT-5，且Gemini App用户增长迅猛，用户粘性指标领先 [6] - OpenAI面临巨大的财务压力，其宏大的资本开支计划与相对单一的营收结构形成尖锐矛盾，商业可持续性成为关键挑战 [7][8] - AI投资逻辑已从关注技术突破转向看重商业模式可行性与盈利前景，市场对谷歌全栈模式的认可度远超对OpenAI商业模式的担忧 [10] - Transformer架构的固定化降低了专用芯片的入场门槛，使市场竞争焦点从单纯性能转向总拥有成本，开启了以成本革命为特征的下半场竞争 [18][17] AI竞争格局演变 - AI战场从单一的模型性能竞赛，演变为芯片、软件栈、云服务与开源生态的四维立体战争 [2] - 谷歌的崛起标志着AI基础设施领域“垂直整合”模式对“水平分工”模式的强力挑战 [2] - 开源力量的壮大确保了技术的多样性与可及性，一个多极共存、而非一家独大的全新AI世界正在加速形成 [2] 谷歌的战略与优势 - 谷歌自2015年起为其核心AI工作负载定制设计专用TPU芯片、互连网络、冷却系统及编程框架，走上垂直整合道路 [3] - 谷歌的核心软件栈是JAX + XLA + Pathways，旨在统一AI编译器生态系统，适配多种芯片 [4] - 谷歌正将其大模型与软硬件栈更广泛地开源、推广，目标在于培育以自身TPU和软件栈为核心的替代生态，打破英伟达CUDA生态的垄断 [4] - 谷歌拥有全球最大的用户入口矩阵，包括Google Search、YouTube等，每月服务超过30亿用户，为其提供了无与伦比的数据和用户意图信号 [20] - 谷歌在大模型、算力芯片、云平台、消费级入口和应用生态上均具备世界级全栈能力，不易受制于单一供应商 [24] - 谷歌拥有强大的财务安全垫，其核心搜索广告业务盈利能力极强，能为AI业务持续输血 [24] 谷歌的市场表现与产品进展 - 2025年谷歌推出了推理模型Gemini 3以及图像生成与编辑模型Nano Banana Pro等产品 [6] - 在学术推理、数学和视觉推理等关键基准测试中，基于谷歌自研TPU训练的Gemini 3表现均优于GPT-5模型 [6] - Gemini App的月活跃用户数从5月的约2亿激增至9月的近8亿，实现了300%的增长 [6] - 在用户每次对话的平均时长这一关键粘性指标上，Gemini已经实现了对ChatGPT的领先 [6] - 2025年第三季度，谷歌营收创历史新高，达到1024亿美元，同比增长16%，AI提升了广告的精准度和商业价值 [25] OpenAI的挑战与财务状况 - OpenAI承诺在未来八年内投入近2万亿美元的资本开支用于算力建设，但其2025年预计营收仅超100亿美元，资金缺口巨大 [7] - OpenAI的营收从2022年的近乎为零，增长到2024年的超40亿美元，再到2025年预计超100亿美元 [7] - 约80%的营收依赖消费者订阅，结构单一 [7] - 2025年前三季度，其推理支出高达87亿美元，而同期营收仅为43亿美元，运营成本严重侵蚀利润 [17] - OpenAI对微软存在重度依赖，通过API销售模型时需向微软支付营收的20%作为分成，并在Azure云上产生天价计算成本 [11] 英伟达面临的挑战与市场变化 - 英伟达真正的威胁是一个从硬件到软件、从应用到生态完全垂直整合，并试图用开源策略“农村包围城市”的替代系统 [2] - Transformer架构的固定化降低了专用芯片的入场门槛，使英伟达从“唯一的选项”变成了“选项之一” [2][19] - 谷歌TPU的出现，使英伟达不仅需要面对在推理端的市场竞争，也将开始首次面对在训练端的市场竞争 [2][19] - 行业竞争的核心战场从技术性能指标转移到了总拥有成本的极致博弈 [15] - 训练一个4000亿参数的Llama-3模型，英伟达H100集群的硬件投资高达396万美元，而谷歌TPU v5p仅需约99万美元，不到三分之一 [13] - 以Llama-3训练为例，英伟达H100的TCO估值约为6.5，而谷歌TPU v5p的TCO估值仅为4.7，展现出压倒性的综合成本优势 [17] - OpenAI仅将“引入TPU”作为谈判选项，就成功将英伟达算力集群的整体采购成本压低了约30% [13] 市场反应与投资趋势 - 谷歌的股价走势明显强于微软，反映了投资者对谷歌AI战略的认可及对OpenAI商业模式的担忧 [10] - 在2025年市值首次突破3万亿美元后，市场出现了谷歌可能迈向10万亿美元市值的极端乐观预期 [10] - AI领域的投资逻辑已发生根本性转变，从早期关注技术突破与用户增长，转向更看重商业模式的可行性与盈利前景 [10] - 谷歌云已成为AI初创企业的首选平台，超过70%的生成式AI独角兽是其客户 [10] 其他主要玩家的状况 - 微软+OpenAI：凭借Azure深度集成和Copilot快速推广，在企业端领先，但存在内部协同与整合挑战 [21] - 亚马逊AWS：拥有最广泛的企业客户基础，AI服务收入增长迅猛，但缺乏自研的先进大模型作为核心牵引 [22] - 英伟达：占据AI芯片90%以上市场份额，是算力层的绝对领导者 [23] - Meta：聚焦开源模型和消费级AI应用，但同样缺乏最顶尖的大模型能力 [24]

文章核心观点 - 谷歌TPU正从内部专用硬件转变为对外竞争的AI算力产品，其技术性能、总拥有成本优势及与Anthropic等头部客户的深度合作，对英伟达的GPU市场主导地位构成了实质性挑战 [4][8][15] - 谷歌通过创新的商业模式、积极的软件生态建设以及供应链多元化策略，旨在打破英伟达CUDA生态壁垒，在AI算力市场建立差异化优势 [33][41][49] - 尽管面临英伟达下一代产品的竞争压力，但谷歌TPU凭借其系统级优化和成本效益，已成功吸引关键客户，并可能重塑AI硬件市场的竞争格局 [22][31][56] 谷歌TPU的市场竞争与客户合作 - **客户采纳与生态形成**：谷歌TPU已获得包括Anthropic、Meta、SSI、xAI及OpenAI在内的头部AI实验室的采购意向，客户清单持续扩容 [4] - **与Anthropic的战略合作**：Anthropic宣布部署规模超1GW的TPU计算集群，并计划分两阶段获取总计100万个TPUv7芯片 [4][9] - 第一阶段：直接采购40万个TPUv7 Ironwood芯片，组装成品机柜价值约100亿美元 [11] - 第二阶段：通过谷歌云租用60万个TPUv7芯片，对应已签约订单金额约420亿美元，占谷歌云第三季度490亿美元未交付订单增量的大部分 [11] - **竞争影响**：TPU的潜在替代效应已对英伟达定价构成压力，例如OpenAI通过释放采用意向，使其英伟达GPU集群成本降低了约30% [7] 技术性能与成本优势分析 - **性能追赶**：TPUv7 Ironwood在FLOPs、内存容量及带宽三大核心指标上已基本追平英伟达同期旗舰GPU（如Blackwell）[21] - **显著的成本优势**： - 从谷歌内部采购视角看，采用3D环面架构的TPUv7全配置总拥有成本比英伟达GB200服务器低约44% [22] - 对于外部客户，即便叠加谷歌的租赁溢价，TPUv7的每小时总拥有成本仍比GB200低约30%，比GB300低约41% [23] - **实际算力效率**：TPU的算力标注更为实在，其实际算力利用率能超过Blackwell GPU，若Anthropic能将TPU的模型浮点运算利用率优化到40%，每单位有效训练算力成本可比使用GB300降低62% [26][28][30] 商业模式与盈利策略 - **创新的合作与融资模式**：谷歌通过提供“信用担保”（表外欠条）的方式，支持新兴云服务商Fluidstack与转型后的加密矿企（如TeraWulf、Cipher Mining）合作，以解决电力供应和数据中心部署瓶颈，此模式已成为新兴云领域的新融资标准模板 [10][12][13] - **高盈利潜力**：TPU v7带来的息税前利润利润率显著高于行业内多数大型GPU云交易，为谷歌云提供了差异化竞争力和远超同质化GPU业务的盈利水平 [34][35] - **定价策略**：作为战略客户，Anthropic获得的TPU租用价格处于谷歌对外公开报价区间的下限，体现了谷歌以长期生态价值换取市场份额的策略 [33] 软件生态建设 - **战略转向**：谷歌正彻底修订其TPU软件战略，从服务内部转向拥抱外部生态，核心目标是破解开发者数量远少于CUDA的短板 [41][42] - **关键举措**： - 全力打造PyTorch TPU“原生”支持，包括默认支持即时执行、整合torch.compile和DTensor等核心功能，以吸引Meta等偏好PyTorch的客户 [43][44] - 重点攻坚vLLM/SGLang的TPU适配，已为TPU v5p/v6e提供beta版本支持，并开源了多款优化的TPU内核 [45] - **算法定制优化**：针对TPU硬件特性，对分页注意力、混合专家模型等关键算法进行了定制优化，实现了显著的性能提升 [46] 供应链、产能与未来产品规划 - **产能与出货规划**： - 2025年谷歌TPU总出货预计超400万颗，其中V5为100万颗，V6为40万颗，V7为200万颗，V7及以上型号预计出货250万颗 [59] - 2026年，V7及以上型号将全面运用液冷，预计出货250万颗（约4万个机柜），对应28-32亿美元的液冷市场空间 [59] - 2027年，V7及以上型号出货量预计超500万颗，液冷单柜价值量可能提升至9-10万美元，对应70-80亿美元的液冷市场空间 [59] - **下一代产品双轨战略**：计划于2027年推出的TPU v8采用双轨策略 [49] - **TPU 8AX**：与博通联合开发，延续v7架构，内存带宽较v7提升约30% [50] - **TPU 8X**：与联发科联合开发，旨在优化供应链成本，推进技术自主化，实现HBM内存的直接采购以控制成本 [51][52] - **面临的挑战**：TPU v8面临供应链延误和技术策略保守的问题，其采用的N3E/N3P工艺和HBM3E内存，与同期英伟达Vera Rubin的“3nm工艺+HBM4内存”组合存在代际差距，总拥有成本优势可能被大幅收窄甚至颠覆 [54][56] 对英伟达的影响与行业格局 - **英伟达的回应与竞争**：英伟达发布声明强调其领先优势，并指出其2024财年第三季度及前三季度对私营企业的战略投资额分别为37亿美元和47亿美元，仅占同期营收的7%和3% [6] - **英伟达的护城河**：CUDA生态和软件优势仍是其强大的护城河，对于缺乏像Anthropic那样拥有前谷歌编译器专家团队的公司而言，使用TPU的门槛依然较高 [36] - **未来的竞争焦点**：AI算力的竞争正从单纯的理论性能比拼，转向更贴合实际需求的有效算力与成本控制的博弈 [31]

文章核心观点 - 谷歌TPUv7通过大规模商业化、卓越的系统级工程和积极的软件生态建设，首次对英伟达在AI硬件领域的霸权构成了实质性挑战，其总体拥有成本比英伟达GB200系统低30%-40% [5][7][36] - 谷歌TPU已成功支持顶尖AI模型（如Gemini 3、Claude 4.5 Opus）的训练与推理，并开始向Anthropic、Meta等外部客户大规模销售，部署规模已超过1GW，标志着其从内部自用转向外部竞争的关键转折 [6][7][17] - 客户（如Anthropic）采用TPU不仅因其性能和成本优势，也将其作为与英伟达谈判的筹码，以降低GPU集群的总体拥有成本，OpenAI借此获得了约30%的成本节省 [21][22][23] - 尽管TPU在单芯片理论性能上可能略逊于英伟达GPU，但其通过系统级优化实现了更高的实际算力利用率，弥补了性能差距，并在最具挑战性的前沿模型预训练中证明了其能力 [7][29][36] 行业竞争格局 - 英伟达面临来自谷歌TPU和亚马逊Trainium等专用芯片的竞争压力，但其通过强调GPU的通用性、性能优势以及向大客户提供股权回扣等方式进行回应 [13][16][21] - AI硬件市场出现分化，谷歌凭借TPU成为一个差异化的云服务提供商，其客户名单包括Anthropic、Meta、xAI等，这推动了谷歌及其供应链的重新评级，并可能压制英伟达GPU供应链 [17][25] - 前沿AI实验室正通过采用或威胁采用TPU等替代方案，来降低对英伟达GPU的依赖并优化总体拥有成本 [21][25] 谷歌TPU的技术与商业进展 - **商业化突破**：谷歌已开始通过谷歌云平台或作为商用供应商销售完整的TPU系统，与Anthropic的交易是TPU规模化商用里程碑，部署超过1GW的TPU集群 [7][24][25][27] - **性能与成本**：TPUv7 Ironwood在FLOPs、内存和带宽方面几乎追平英伟达旗舰GPU（如Blackwell），其全规模部署下的总体拥有成本比英伟达GB200服务器低44% [34][36] - **系统级优势**：谷歌凭借卓越的系统级工程（如ICI互联和光路交换）实现了极高的模型算力利用率，弥补了芯片理论参数的不足 [7][27] - **设计理念转变**：进入大模型时代后，谷歌TPU设计从保守转向激进，TPUv6/v7专为大模型设计，性能大幅提升 [32] 软件生态与挑战 - **软件短板修补**：谷歌正通过大力投入对PyTorch的原生支持和对vLLM/SGLang的TPU支持，积极构建开源生态，试图瓦解CUDA的护城河 [7][39][42] - **外部化战略**：谷歌已改变TPU团队的KPI，显著增加对vLLM等开源仓库的贡献，并创建了官方的TPU推理后端，以吸引外部开发者 [39] - **现存弱点**：谷歌的XLA图编译器、网络库和TPU运行时仍未开源且文档不足，给用户调试带来困难，多Pod训练的MegaScale代码库也未开源，这限制了更广泛的采用 [41][43] 客户案例与谈判策略 - **Anthropic的采用**：Anthropic拥有强大的工程团队（包括前谷歌编译器专家），能够通过自定义内核驱动高TPU效率，从而获得比商用GPU更高的模型FLOPs利用率和更好的成本性能 [38] - **OpenAI的谈判策略**：OpenAI虽未实际部署TPU，但利用“转向TPU”的可能性作为谈判筹码，迫使英伟达提供了大幅折扣，在其英伟达集群成本上节省了约30% [22][23] - **成本模型分析**：根据SemiAnalysis的模型，对于Anthropic，英伟达及合作伙伴提供的折扣高达44%，其中包含英伟达和微软的股权回扣 [22]

市场格局转变 - 2025年AI芯片市场处于微妙转折点，英伟达凭借Blackwell架构维持技术和市场份额的绝对领先，但谷歌TPU的全面商业化正对其定价权构成挑战[1][2] - OpenAI仅凭“威胁购买TPU”这一筹码，就迫使英伟达生态链做出实质性让步，使其计算集群的总拥有成本（TCO）下降约30%[2] - 谷歌正式从“云服务商”转型为直接向外部出售高性能芯片与系统的“商用芯片供应商”，Anthropic高达1GW的TPU采购细节曝光标志着这一战略转变[3] - 当谷歌愿意开放软件生态并提供金融杠杆时，英伟达高达75%的毛利率神话便不再牢不可破[3][7] 重大交易与商业模式创新 - Anthropic确认将部署超过100万颗TPU，此交易采用“混合销售”新模式，首批约40万颗最新的TPUv7 "Ironwood"由博通直接出售给Anthropic，价值约100亿美元[8] - 剩余60万颗TPUv7通过谷歌云进行租赁，估计这部分交易涉及高达420亿美元的剩余履约义务（RPO），直接支撑了谷歌云近期积压订单的暴涨[9] - 谷歌通过“资产负债表外”的信贷支持（IOU）解决AI基础设施建设的期限错配问题，承诺如果中间商无法支付租金，谷歌将介入兜底[16] - 这一金融工具打通了加密货币矿工与AI算力需求之间的堵点，构建了独立于英伟达体系的低成本基础设施生态[17] 技术优势与成本竞争力 - 谷歌TPUv7在成本效率上对英伟达构成碾压优势，从谷歌内部视角看，TPUv7服务器的TCO比英伟达GB200服务器低约44%[13] - 即便加上谷歌和博通的利润，Anthropic通过GCP使用TPU的TCO，仍比购买GB200低约30%[13] - 谷歌通过极致的系统设计弥补单芯片理论算力的不足，TPUv7采用更务实的设计哲学，通过更高的模型算力利用率（MFU）来提升实际产出[20] - 谷歌独步天下的光互连（ICI）技术利用自研的光路交换机（OCS）和3D Torus拓扑结构，允许单个TPUv7集群扩展至惊人的9,216颗芯片，远超英伟达常见的64或72卡集群[23][24] 软件生态战略调整 - 谷歌软件团队的KPI已发生重大调整，从“服务内部”转向“拥抱开源”，全力支持PyTorch Native在TPU上的运行[30][31] - 谷歌不再依赖低效的Lazy Tensor转换，而是通过XLA编译器直接对接PyTorch的Eager Execution模式，使Meta等客户可几乎无缝迁移代码到TPU[33] - 谷歌开始向vLLM和SGLang等开源推理框架大量贡献代码，打通了TPU在开源推理生态中的任督二脉[34] - 这一转变意味着英伟达最坚固的“CUDA护城河”，正在被谷歌用“兼容性”填平[36] 行业影响与竞争态势 - 除了Anthropic，Meta、SSI、xAI等顶级AI实验室也出现在了谷歌TPU的潜在客户名单中[10] - 面对谷歌的攻势，英伟达罕见地展现出防御姿态，其财务团队近期针对“循环经济”的质疑发布长文辩解，显示谷歌的攻势已触及英伟达的神经[10] - Gemini 3和Claude 4.5 Opus这两大全球最强模型均完全在TPU上完成预训练，这为TPU系统处理最高难度任务的能力提供了终极背书[26] - 谷歌在外部客户定价上需要“穿针引线”，但对Anthropic等旗舰客户仍能提供有竞争力的价格，同时保持比商品化GPU交易更优越的息税前利润率[92][93]

GB200/300机架出货预测 - 2025年GB200/300机架出货量从3万上调至3.4万，其中Q3预计出货1.16万，Q4预计出货1.57万 [3] - GB200与GB300机架占比分别为87%和13% [3] - 上调主要受鸿海强劲指引推动，鸿海预计Q3 AI机架出货量环比增长300%，全年出货量预估达1.95万，占市场约57% [3] - 假设200万颗Blackwell芯片库存结转至2026年，下游组装商可能组装超6万机架 [3] - 主要代工厂偏好顺序为鸿海＞纬创＞广达 [3] GB200 NVL72与H100成本对比 - H100服务器价格下降至每台19万美元，超大规模数据中心运营商每台总Capex约25万美元 [12] - GB200 NVL72机架级系统服务器成本约310万美元，超大规模运营商总成本约390万美元每机架 [12] - GB200 NVL72每GPU全包资本成本为H100的1.6-1.7倍 [13] - 超大规模运营商H100每GPU Capex约3.1358万美元，GB200 NVL72为5.4166万美元 [13] - GB200 NVL72每GPU每小时Opex为4.09美元，H100为3.04美元，差异主要源于GB200芯片功耗更高（1200W vs 700W） [14] GB200 NVL72与H100性能比较 - GB200 NVL72总拥有成本（TCO）为H100的1.6倍，需至少比H100快1.6倍才能占据优势 [15] - 截至2025年5月GB200 NVL72性能/TCO尚未超过H100，但7月达到H100的1.5倍，预测未来3-6个月可能达2.7倍 [30] - 2025年7月GB200 NVL72吞吐量在Token/s/GPU方面达H100的2.5倍，12月预测BF16性能比H100好4.7倍，MFU达42.0% [31] - DeepSeek 670B预训练14.8T Token成本在2025年7月为4.5M美元（BF16），预测12月降至2.5M美元 [32] 软件优化与能耗表现 - 2024年1月至12月软件优化使H100 BF16 MFU从34%提升至54%，FP8从29.5%提升至39.5% [20] - FP8训练成本从每百万Token 0.72美元降至0.542美元，300B Token总成本从218k美元降至162k美元 [20] - 训练Llama3 405B模型15T Token能耗相当于3400个美国家庭年能耗 [25] - Llama3 70B模型在2048台H100上训练FP8能耗比64台H100高出10% [29] GB200 NVL72可靠性挑战 - 早期GB200 NVL72运营商普遍面临XID 149错误，背板卡匣连接器金镀层耐用性仅200次插拔 [34] - GB200 NVL72 MTBI为1000-3000 GPU-天，低于H100的2000-5000 GPU-天 [36] - 目前GB200 NVL72仅用于推理、小实验和开发工作，未用于大规模训练 [35] 行业趋势与建议 - SemiAnalysis建议英伟达扩展基准并增加透明度，公开hyperscaler和NCP基准数据 [16] - 建议加速GB200 NVL72诊断工具开发，加强ODM/OEM验收测试 [17] - 软件优化是性能提升关键，GB200 NVL72有潜力但可靠性是瓶颈，预测年底将主导市场 [37]

测试背景与目标 - 研究团队耗时6个月对比AMD与NVIDIA的AI服务器推理性能，验证AMD在总体拥有成本(TCO)下是否优于NVIDIA [2] - 结果显示不同任务类型(聊天、文档处理、推理)下两者性能差异显著：超大规模企业直接运营GPU时，NVIDIA在部分工作负载的perf/$更优，而AMD在另一些场景表现更佳 [2] - 中短期(不足6个月)租赁市场因AMD服务供应商稀缺导致价格高企，NVIDIA凭借超100家Neocloud提供商形成竞争市场，租赁成本优势显著 [2] 硬件性能对比 - MI325X(2025Q2出货)作为H200竞品面临时间劣势，比HGX B200晚一季度出货导致供应商偏好NVIDIA [5] - B200(2025Q1末出货)当前软件未完善，如FP8格式DeepSeek V3在TRT-LLM/vLLM/SGLang上运行不全 [5] - MI355X(2025Q3出货)比B200晚两季度，H200/H100在内存带宽(最高4.8TByte/s)和节点容量(1.152GByte)上弱于MI325X(6TByte/s, 2.048GByte) [6] 基准测试方法 - 采用在线吞吐量与端到端延迟结合的测试方法，模拟真实推理场景 [10] - 模型选择覆盖密集架构(Llama3 70B/405B)和稀疏MoE架构(DeepSeekV3 670B)，输入输出组合涵盖4K/1K(摘要)、1K/1K(翻译)、1K/4K(推理)三类典型场景 [10][11] - 推理引擎选择vLLM(Llama3)、TRT-LLM(H200)、SGLang(DeepSeek)，系统评估所有可行张量并行配置 [12][13] 关键测试结果 Llama3 70B FP16 - 1K/1K场景：低延迟时H100/H200+vLLM领先，高并发下MI325X反超 [15] - 1K/4K场景：H100性能稳定在900 tokens/GPU/s，MI325X在450秒延迟时吞吐量最高 [16] - 4K/1K场景：H200+TRT-LLM从20秒延迟起持续领先，MI325X的TP=1配置高并发表现突出 [16] Llama3 405B FP8 - 1K/1K场景：MI325X持续优于H200+vLLM，H200+TRT-LLM单GPU达1000 tokens/s [17] - 4K/1K场景：MI325X全延迟范围碾压竞品，MI300X在250秒延迟时超越H200+vLLM [19] DeepSeekV3 670B FP8 - 1K/1K场景：H200全延迟级别击败MI300X，MI325X仅在25-35秒延迟区间有竞争力 [20] - 4K/1K场景：H200低延迟优势明显，MI325X在>100秒延迟时性能比H200高20% [25] 总拥有成本(TCO)分析 - AMD硬件成本优势显著：MI300X单位每小时总成本1.34美元(资本占比70.5%)，低于H200的1.63美元(资本占比76.4%) [21] - Llama3 405B场景：MI325X服务成本持续低于H200+vLLM，但H200+TRT-LLM在>60秒延迟后凭借性能优势逆转 [24] - DeepSeekV3场景：MI325X在摘要任务中每美元性能比H200高20-30%，但低延迟场景仍属NVIDIA [25] 市场采用率差异原因 - 租赁市场结构失衡：NVIDIA有超100家Neocloud供应商竞争，AMD仅少数导致租金溢价 [26] - 价格敏感度测算：MI300X需降至1.9美元/小时(1K/1K场景)或2.1-2.4美元/小时(1K/4K场景)才具竞争力，当前实际租金超2.5美元/小时 [30] - 软件生态差距：AMD研发集群投入仅1300万美元(上季度)，远低于7.49亿美元股票回购，ROCm的CI覆盖率不足CUDA的10% [5][12] Blackwell(B200)初步表现 - 在Llama3 70B/405B的1K/4K测试中，B200-TRT全延迟范围碾压MI325X/MI300X，最高请求率下未现性能瓶颈 [28] - 当前软件支持局限：主流框架(vLLM/SGLang)对B200稳定支持不足，TRT-LLM优化仅覆盖少数模型 [27]