AI云的新分野：芯在，云在

2025上半年，中国大模型中标项目数达1810个，金额破64亿元。这一数字不仅超越2024全年总量，更意味着真金白银正加速流向金融、能源、政务、制造等核心产业。AI已经成为生产系统里不能停的齿轮。

需求变了，标准也硬了。今年，浙江政务云招标明确要求“7×24小时安全运营服务”，招商银行强调云平台可用性需达99.999%。客户要的，早不是租几张GPU卡，而是一个可信赖、可持续交付的AI算力系统。

IDC数据显示，2024年中国AI公有云服务市场规模同比增长55.3%，但驱动力从“训推双轮”转向了推理需求激增。当AI成为生产要素，衡量一朵云的标准，不再是峰值算力，而是能否让AI在复杂环境中持续稳跑。

做成这件事，离不开两个底层支点：

一是自研AI芯片，二是芯片与系统的深度协同能力。

01

AI云的底层，早已不是“租卡生意”

很多人以为，云厂商买来GPU装进机柜，就能对外提供AI算力服务。

这是典型的“租卡思维”，把AI云当成硬件租赁生意。但现实早已超越这种简单模式。仅靠从英伟达采购GPU，插进服务器，打上“AI云”标签对外出租，这条路早就走不通了。

第一，成本不可持续。一块Blackwell B200售价3–4万美元，H100也要2万美元。在超大规模AI集群中，GPU成本占总投资近一半。据英伟达最新的财报，云厂商已贡献其数据中心收入的50%。也就是说，也就是全球头部云服务商正把大笔AI开支押注在同一家供应商身上。

第二，有钱也未必买得到。美国出口限制之下，国内厂商举步维艰；而海外云厂同样受限于台积电CoWoS封装产能紧张。

前两天的台积电运动会上，黄仁勋直接喊话“没有台积电就没有英伟达！”这实际上，就是为了抢台积电的产能。更微妙的是，英伟达自己也下场做云了——DGX Cloud Lepton平台已能直接向开发者出租GPU，模式与AWS无异。

第三，客户需要的不只是算力，而是高效的AI能力。大模型训练不是“插卡即用”的简单任务，而是需要万卡协同、低延迟互联、高利用率调度的复杂工程。

如果云厂商只是“采购+集成”，无法从底层干预芯片架构、通信协议、编译器优化，那么再大的集群也只是“纸面算力”。

为什么芯片对云厂商如此重要？

因为作为AI云“心脏”，芯片直接决定了算力供给的质量与成本。这也解释了，为什么顶级的云厂商都在自研芯片。通用GPU无法支撑AI时代的长期算力需求，专用化、定制化、垂直整合是必然方向。

02

云的未来，路径选择

今年以来，各大云厂商对于未来AI云的路径，越来越明确了。我们从这些云厂商的芯片布局作为切入，一起来看一下到目前为止顶级云厂商的破局路径都是如何的。

先说AWS。作为全球云计算的老大哥（2025年Q3占比32%），AWS自研芯片的布局堪称最完整Graviton（通用计算）、Trainium（训练）、Inferentia（推理）。尤其是Graviton系列，已在去年贡献AWS全球超一半新增CPU算力，能效较传统平台提升逾40%，显著降低了单位算力成本。

Trainium的表现同样亮眼，在今年Q3的业绩会上，AWS表示自研AI芯片Trainium2已发展为几十亿美元业务，相较于其他GPU选项具备30%～40%的价格性能优势。今年年底Trainium v2液冷版本机柜上线，2026年Trainium v3量产，也预示着其AI基础设施正加速迭代。但问题在于：技术领先并未转化为AI市场胜势。2025年Q3 AWS云业务增速20%，远低于Azure（40%）与谷歌Cloud（34%），AI收入占比仅18%。

目前，AWS采取了双线并进的“对冲战略”。其一，按照传统云厂商的路径，拿下高端客户。前两天，AWS拿下了OpenAI价值380亿美元的七年期协议，OpenAI获得数十万颗B200 GPU的调度能力。尽管OpenAI也与微软、谷歌、甲骨文签约，走向多元供给，但AWS借此实现了高端AI客户的“破冰式接入”。其二，靠自研芯片闭环，绑定核心伙伴。AWS试图复制“OpenAI+微软”模式，押注Anthropic，但是细微差别在于，除了注资以外，亚马逊坚持要Anthropic把训练和部署模型，从英伟达GPU转到AWS上。亚马逊创始人贝佐斯在内部信中称：“双押注既能分散风险，又能对比优化基础设施。”

加上AWS重点推出bedrock，去做大模型的聚合。AWS真正的目标，从来不是成为最好的模型公司，而是让所有AI都依赖它的算力底座。在笔者看来，AWS有点“不争模型之名，只夺算力之权”的意思。

再来看老二，微软云。今年是微软Azure AI战略的转折之年，曾经牢不可破的“模型+云”黄金组合正在松动。我们可以通过三件标志性事件，看清其走向。第一，OpenAI明确转向多云部署。继与AWS、谷歌云、甲骨文接连签署大规模算力协议后，OpenAI CEO山姆・奥特曼公开表示：“2023年GPT-4训练延迟的教训必须吸取，多元供给让我们能抵御单一厂商产能波动。”这话已经是微软算力供给能力的公开质疑。第二，微软自研芯片进程不及预期。原计划2025年形成规模交付的Maia v2，推迟至2026上半年启动，Maia v3因为设计调整延后量产时间。短期内自研芯片出货量极为有限，这意味着，在未来两年内，Azure无法摆脱对NVIDIA GPU的绝对依赖。第三，表面利好背后的被动现实。实际上，今年微软也和Lambda达成数十亿美元AI基础设施协议，不过协议里表示，Lambda将利用微软Azure云平台，部署由英伟达提供的AI基础设施，用于支持其大规模模型的训练与推理任务。

可以说，现在的微软很尴尬。它拥有最强的AI入口，却没有最稳的算力根基。过去靠“抱紧OpenAI”，现在不得不面对“OpenAI不再只抱它”。如果未来还没有有力的芯片支撑，微软会从AI生态定义者滑向算力服务竞争者。

谷歌云之前比较低调，但现在全栈自研战略一发力，惊艳所有人。还是先看芯片，今年谷歌发布的自研芯片TPU v7（Ironwood）整体性能已经十分接近英伟达B200。更加重要的一点：谷歌开始对外销售TPU了。这背后两个潜台词：一是产能自信，二是性能达标。今年Anthropic和谷歌云合作，未来数年将获得高达100万个TPU芯片的专属使用权，计算容量超过1吉瓦，价值数百亿美元。

如今，谷歌已经实现了从底层芯片、编译器、模型架构到终端应用，所有环节都在同一个技术体系内协同进化：底层有TPU v7芯片；中间有TensorFlow编译栈；上层有Gemini系列模型；外围还有Chrome、Gmail、Maps、YouTube等亿级用户级应用构成的神经末梢网络。这套完整且自洽的技术闭环，让谷歌云真正呈现出厚积薄发之势。

全栈AI能力带给谷歌云的是优秀的业绩，今年Q3谷歌云部门营收同比增长34%，收入积压同比增长79%至1550亿美元，运营利润率达到23%。管理层透露，今年前三季度签署的10亿美元以上大额订单数量已超过过去两年的总和，显示出企业AI需求的强劲增长。

03

谁才是云的真强者？

总有人觉得，云厂商搞出自研芯片，就算是“有实力”了。但事实是，单一芯片的突破，顶多算“单点强势”，远算不上真正的行业壁垒。对于云厂商来说，真正的是实力，是具备：从芯片设计→软件栈适配→大规模集群部署→实际业务负载承载→商业化服务输出的端到端自主交付能力。它考验的不是单项突破，而是一个系统工程。放眼全球，真正走通这一路径的，目前仍属少数，我们前文分析的国际厂商Google是典型代表。

而在中国，具备类似潜力的厂商，细数下来，也只有两家：阿里云与百度智能云。

IDC发布的最新报告里，2024年中国AI公有云服务市场规模达195.9亿元，其中百度智能云和阿里云并列第一。而且从公布的市场份额图来看，仅仅百度和阿里两家厂商就接近占据整个市场一半的市场份额。

阿里依托“倚天+含光+灵骏平台”，构建了“一云多芯”体系，坚持全栈自研路线，在政务、金融等信创场景中已完成大规模推理落地。它的选择很明确：以全栈协同换效率，以自主核心换可控。

而百度，正在走出另一条路。在今年的百度世界大会上，百度创始人李彦宏谈到AI行业需要“倒金字塔”，他表示：“‘倒金字塔’的AI产业结构中，芯片厂商不管赚多少钱，芯片之上的模型要产生10倍的价值，基于模型开发出来的应用要创造100倍的价值。这才是健康的产业生态。”

这里笔者想重点谈谈，百度智能云今年展现出来的独特性。

我们还是先从芯片入手。在百度世界大会2025上，百度发布了新一代芯片。同时发布的还有“天池256”和“天池512”超节点方案，最高支持512张卡互联，单个512超节点即可完成万亿参数模型训练。

百度集团执行副总裁沈抖在现场表示：“发布新款芯片和超节点产品，就是希望为企业提供强大、低成本AI算力。”更关键的是，沈抖透露：除了支持绝大多数的大模型推理任务外，并基于五千卡单一集群“高性价比地训练出一款多模态模型”。这就能充分说明，昆仑芯不只是试验品，而是已经成为百度自身AI系统的主力算力底座。

在应用上，昆仑芯更成规模和体系。今年上半年，基于P800的三万卡集群成功点亮，与此同时，昆仑芯的应用早已走出百度内部，在互联网金融、能源、制造、交通和教育等行业落地。

回看百度的造芯之路，其布局早有章法。早在2011年，百度就启动AI加速器立项；2017年发布昆仑芯XPU架构；2018年正式开启AI芯片产品化设计。当大多数云厂商还在抢购GPU时，百度已经在搜索、推荐等核心业务场景中落地自研芯片。以实际场景为出发点，以产业应用为落脚点，从而规避了脱离市场的盲目造芯风险。

具体到模型支撑场景，百度智能云AI计算首席科学家王雁鹏介绍，昆仑芯已在大规模实践中，成功支撑Qianfan 70B VL、Qianfan 30B-A3B-VL、百度蒸汽机等多个复杂模型的训练与推理，无论是多模态模型还是 MoE 结构，都积累了成熟的落地案例。

真正让这些硬件潜力充分释放的，是百舸AI计算平台5.0。

它不像传统资源池那样只做调度，而是深入到底层网络、内存管理、通信协议中去重构效率。比如，自研HPN网络支持10万卡RDMA互联，端到端延迟压缩至4μs；针对MoE模型打造X-Link协议，显著提升专家间通信效率。最值得称道的一点还是：百舸兼容CUDA生态。企业无需重写代码，就能将现有模型迁移到昆仑芯集群上，实测训练效率提升显著。

如果说芯片和平台是基础，那么真正让百度脱颖而出的，是它正在构建的“算力—框架—模型—应用”四层闭环。从昆仑芯的自研芯片，到飞桨深度学习框架、文心大模型，再到千帆平台与应用生态。

在国内云厂商中，百度是唯一同时拥有这四个环节自研能力的企业。

这一闭环的价值，已在多个客户案例中显现：南方电网深圳供电局借助百度Agent技术，实现配电网监视、操作票审核等核心场景智能化。

北京人形机器人创新中心最新发布的具身多模态大模型 Pelican-VL 1.0，采用百舸作为底层支撑，大幅提升数据采集与训练效率。北京人形机器人创新中心大模型负责人鞠笑竹分享到：“正因为百度智能云的配合攻坚，我们至今还是比GPT-5的平均点数要高。”

正如李彦宏所说：“当AI能力被内化，成为一种原生的能力，智能就不再是成本，而是生产力。”现在，拼卡数的游戏结束了，拼底座的时代开始了。

在中国，阿里与百度正以不同的方式逼近同一个答案：真正的AI云，必须拥有从芯片到应用的全栈控制力。于是，一个新的分野正在形成。未来的AI云，只有两种：一种是有自研芯片+深度协同能力的，一种是没有的。但这不仅仅是技术路线的选择，更是战略耐心的较量。