【一、定制芯片的“单恋”困局：为一家客户打造，却可能无人接盘】
一位前超威半导体（AMD）的资深专家近日发出警告：OpenAI当前的财务结构和采购策略，可能正在悄然扰乱整个AI硬件供应链的稳定性。
他指出，定制化芯片（ASIC）与通用图形处理器（GPU）存在本质区别——前者通常只为单一客户量身打造，几乎无法转售或复用。
即便合同中包含对不可回收工程成本的预付款条款，客户仍可在制造前选择退出合作。一旦发生这种情况，芯片厂商将面临巨额沉没成本，而芯片本身则彻底沦为“废硅”。
这一风险已在博通（Broadcom）与OpenAI的合作中初现端倪：双方签署的定制芯片协议具有排他性，仅限OpenAI使用，一旦项目终止，博通几乎无法将该芯片用于其他客户。
【二、GPU进化太快，定制芯片的“十倍优势”神话正在崩塌】
该专家进一步分析，企业之所以愿意承担定制芯片的高风险，通常是因为其性能或能效相比通用硬件能带来10倍甚至100倍的提升。
然而现实正在发生变化：英伟达（NVIDIA）等厂商的GPU迭代速度惊人，新一代产品已能将与定制芯片的性能差距缩小至20%到50%之间。在这种情况下，许多公司开始重新评估是否值得投入巨资开发全新的软件栈、驱动程序和运行环境。
毕竟，GPU不仅生态成熟、开发便捷，还能灵活支持多种模型和任务。
如果定制芯片无法提供压倒性优势，OpenAI完全可能放弃与博通的合作，转而继续依赖不断进化的GPU集群——这将使博通前期投入血本无归。
【三、谷歌与亚马逊的AI芯片路径：封闭自用 vs 开放共赢】
值得注意的是，并非所有科技巨头都面临同样的风险。专家特别对比了谷歌（Google）与亚马逊（Amazon）在AI芯片战略上的根本差异。
谷歌的张量处理单元（TPU）主要为其内部业务服务，例如YouTube推荐系统、搜索排序和广告引擎等，其硬件与软件高度耦合，形成一个近乎封闭的生态系统。
据统计，谷歌约60%的AI算力需求来自内部团队，这种模式虽能实现极致优化，却严重限制了TPU对外部开发者的吸引力。
反观亚马逊，其云服务（AWS）约60%的工作负载来自第三方客户，因此其自研芯片如Inferentia（推理芯片）和Trainium（训练芯片）在设计之初就强调通用性和跨客户适配能力。这种“开放优先”的策略，显著降低了亚马逊芯片的市场风险，也增强了客户粘性。
【四、投资者被“AI光环”蒙蔽，忽视硬件生态的脆弱本质】
该前AMD工程师痛心指出，当前资本市场对AI芯片的热情近乎狂热，却严重低估了定制硬件生态的脆弱性。
在传统半导体行业，技术标准和接口规范往往提前数年确定，供应链各环节有充足时间协调与准备。但AI领域完全不同——需求变化极快，架构频繁更迭，硬件投资缺乏长期确定性。然而，许多投资者只是盲目追随OpenAI的采购风向，看到它与哪家芯片公司合作就一拥而上买入股票，却从未思考：如果OpenAI突然改变技术路线或缩减采购规模，这些专用芯片是否还有价值？
这种“追热点”式投资，正在将整个AI硬件供应链推向一个由预期而非实际需求支撑的危险境地。
【五、真正的隐患在需求端：OpenAI缺乏可持续的第三方收入】
最后，专家一针见血地指出，整个AI硬件泡沫的根源不在技术，而在商业模式。
OpenAI至今未能建立起稳定、可扩展的第三方收入来源。它的主要客户几乎仅限于微软（Microsoft）等少数战略合作伙伴，以及为其提供芯片和云服务的供应商本身。这种结构极易形成“循环投资”——即芯片公司和云厂商为维持合作关系而持续投入，而这些投入又反过来被计入OpenAI的估值或融资故事中，却缺乏真实终端用户的付费支撑。
一旦OpenAI的商业模型再次转向，或市场对其产品热情降温，整个由资本堆砌的AI硬件大厦可能瞬间失去支点，引发连锁反应，波及英伟达、博通、亚马逊乃至整个半导体产业链。