英伟达豪掷200亿美元，悄然押注ASIC革命：这不是收购，而是一场战略偷袭！
英伟达以约200亿美元“收购”了Groq这家ASIC初创公司。注意，这里打引号的“收购”其实更接近“人才并购”（acquihire），但背后释放的信号，远比表面动作更猛烈。
要知道，Groq可不是什么默默无闻的小作坊，它曾多次被业内权威媒体提及，其创始人Jonathan Ross更是谷歌TPU（张量处理单元）的核心缔造者之一。
GPU、TPU、LPU三大芯片架构大对决：谁才是AI推理的终极答案？
要理解英伟达为何出手，首先得搞清楚Groq的LPU（语言处理单元）到底有什么魔力。
我们先从大家最熟悉的GPU说起：
GPU原本是为图形渲染而生，擅长并行处理成千上万个像素点。进入AI时代后，它被“改装”用来跑大语言模型（LLM），把模型计算当作海量并行任务来处理。但问题来了——GPU严重依赖HBM（高带宽内存），而HBM并不集成在芯片内部，而是外挂在旁边。这意味着每次生成一个词（token），GPU都得从外部内存“抓取”模型权重，导致处理器经常干等着数据，学术界称之为“内存墙”（Memory Wall）。
虽然GPU通用性极强，能打游戏、能训练、能推理，但在LLM这种高度序列化、逐词生成的场景中，效率其实并不理想。
再看TPU，这是谷歌专门为张量运算（线性代数）打造的ASIC芯片。它采用“脉动阵列”（Systolic Array）架构，就像一颗心脏，把数据像血液一样在处理器网格中泵送，无需反复回读主存。这种设计在训练和大批量推理时表现卓越，但一旦面对单用户实时提问（即小批量或单批次推理），延迟依然居高不下。
而Groq的LPU，则彻底跳出了前两者的框架。它完全不用HBM，而是把SRAM（静态随机存取存储器）直接集成在硅片上。SRAM的速度比HBM快近百倍，数据就在芯片内部，零“取数时间”。
更关键的是，LPU采用“确定性”执行模式——不是由硬件随机调度任务，而是由软件编译器提前规划好每一纳秒每个数据的位置。这就像一条完美同步的装配流水线，零件永不缺位，工人永不空等。Groq甚至先开发了全自动编译器，再反向设计芯片，目的就是绕开对底层手动优化内核（kernels）的依赖——毕竟，一个小团队怎么可能和英伟达上万名软件工程师拼手写汇编？
LPU的极致速度与致命短板：快如闪电，却装不下整个世界
Groq LPU最惊艳的地方在于推理速度。实测中，它能轻松实现每秒300–500个token的生成速度，而高端GPU在单请求（Batch Size=1）场景下往往连50都不到。为什么？因为GPU在Batch Size=1时，大部分计算单元都在“摸鱼”——等内存数据。而LPU天生为单请求优化，内部流水线利用率接近100%。
但别急着喊“GPU杀手”。LPU有个致命缺陷：内存容量太小。一块英伟达H200 GPU拥有141GB的HBM3e显存，而单颗Groq LPU芯片仅有230MB的SRAM。这点内存连最小的AI模型都塞不下！要跑Llama-3 70B这样的大模型，你得把数百颗LPU芯片互联起来，占满好几个机柜；而同样的模型，在英伟达方案里，两到四块GPU就能搞定，塞进一个小机箱就行。这意味着LPU的初始硬件投入高、数据中心占地大、运维复杂度飙升。
此外，LPU的“确定性”架构也是一把双刃剑。所有计算路径必须在运行前完全确定，一旦模型架构变动（比如从Transformer换成别的），整个编译流程就得重来。它不适合处理动态、多变的工作负载，灵活性远不如GPU。
能效与部署的隐秘战场：液冷 vs 风冷，谁才是数据中心的未来？
真正让英伟达动心的，是LPU在能效和部署上的独特优势。
数据很直观：从HBM向GPU核心传一个bit的数据，能耗约6皮焦；而从LPU内部SRAM读取，仅需0.3皮焦——能效提升近10倍！这意味着在高并发推理场景下，LPU的每token运行成本远低于GPU。
更重要的是，LPU不需要液冷。英伟达最新的Blackwell芯片几乎全系液冷，但全球绝大多数数据中心仍是风冷架构。液冷虽强，却对水源、管道、运维提出极高要求，许多老旧机房根本无法改造。最近甚至有超算服务商（如CoreWeave）因液冷部署延期而影响交付。而Groq CEO透露，他们刚拿下一个欧洲大型数据中心项目——那地方原本被某超大规模云厂商放弃，原因正是“无法升级液冷”。
英伟达显然意识到：如果只押注液冷高性能路线，会把大量风冷市场拱手让人。AWS的Trainium等竞品芯片正是风冷设计，正在蚕食推理市场。通过整合Groq，英伟达立刻多了一条“风冷推理产品线”，既能盘活闲置数据中心资源，又能遏制对手扩张。
破解五大瓶颈：英伟达的“备胎”战略浮出水面
这次收购，本质是英伟达在五大战略瓶颈下的精妙破局：
第一，能源瓶颈。AI算力需求暴增，但电力供应已成天花板。LPU的低能耗特性，为英伟达开辟了高密度、低功耗的推理新赛道。
第二，HBM内存瓶颈。HBM产能早已被英伟达、AMD、谷歌、亚马逊瓜分殆尽，2026年产能全被预定，2027年也岌岌可危。而LPU完全不用HBM，等于绕开了这个卡脖子环节。
第三，CoWoS先进封装瓶颈。英伟达高端芯片依赖台积电的CoWoS封装，产能极度紧张。而Groq的LPU甚至能在14纳米老工艺（格芯代工）上跑出高性能——因为SRAM不依赖晶体管密度。这意味着芯片可在外围代工厂生产，缓解对台积电的依赖。
第四，液冷数据中心瓶颈。如前所述，LPU让英伟达能打入风冷市场，避免增长被冷却方式限制。
第五，竞争防御。Groq产能正飞速扩张——CEO透露，其token处理能力在18个月内从“万分之一”飙升至每月2000万token。如果让Meta或微软抢先收购Groq，等于在英伟达的护城河外又挖了一条新运河。与其让对手得利，不如自己吃下。
推理市场真相：高销量、低毛利，英伟达正在重构商业模式
Groq CEO最近一句大实话点破行业真相：“推理市场将是高销量、低毛利的生意。”英伟达和AMD今年会把能生产的GPU全部卖光，但仍然供不应求。问题在于，当你以70–80%的高毛利卖GPU做推理，最终成本会转嫁给终端用户——这不可持续。
更聪明的做法是：用高毛利的训练芯片（如H100）赚钱，同时用低成本推理芯片（如LPU）抢占海量部署场景。推理芯片虽然单价低、毛利薄，但用量可能是训练的10–20倍。通过“训练高毛利+推理高销量”的组合拳，英伟达既能守住利润基本盘，又能吃下未来最大的算力蛋糕。
投资者启示：新供应链正在诞生，AI硬件进入“多架构并存”时代
对投资者而言，这一举动释放了明确信号：AI硬件不再是一家独大的游戏。英伟达主动拥抱ASIC路线，等于承认“GPU并非万能”。未来数据中心将根据任务类型混搭不同芯片——训练用GPU，高并发推理用TPU，低延迟单请求用LPU。
这也意味着，围绕SRAM、老工艺代工、风冷优化、编译器自动化的全新供应链正在崛起。