高通宣布与亚马逊云科技（AWS）达成跨多代产品合作，双方将共同开发定制AI推理芯片，并推进最高1.6Tbps的高速光连接方案。与此同时，采购规模与股权激励挂钩的合作模式，也让这笔交易备受市场关注。

在AI算力需求持续爆发的背景下，AWS、谷歌、微软、Meta以及OpenAI、Anthropic等科技巨头正加快自研或定制AI芯片。AI算力市场正在从单一通用GPU模式，逐步走向GPU、TPU、Trainium和ASIC并存的异构计算时代。

高通牵手AWS，瞄准AI推理与高速互联

据高通公告显示，此次合作覆盖多个产品世代，重点集中在AI推理芯片和高速光连接两大方向。

一方面，高通将利用其长期积累的低功耗计算和芯片设计能力，为AWS数据中心开发定制化AI推理芯片。对于拥有庞大云计算业务的AWS而言，针对特定AI工作负载进行芯片级优化，有望进一步降低单位Token的计算成本和能耗。

另一方面，双方将利用高通的SerDes和光学DSP技术，共同开发最高速率达到1.6Tbps的光连接解决方案。

随着AI集群规模不断扩大，数据中心的瓶颈已经从单纯的芯片算力扩展到芯片之间的高速互联。大量AI加速器需要通过高速网络协同工作，带宽、延迟和功耗正在成为影响整体计算效率的重要因素。

高通还将扩大对AWS AI基础设施的使用，包括Amazon Bedrock，并将其用于自身EDA工作负载，以提升芯片设计效率、缩短设计周期。

采购换股权，AI芯片合作模式生变

此次合作的另一大看点，是高通与亚马逊之间的认股权证安排。

根据监管文件，高通向亚马逊授予认股权证，亚马逊可以按照每股161.26美元的固定价格购买高通普通股。

初始认股权证规模为约375万股。未来随着亚马逊对高通服务器芯片、技术、系统及制造服务的采购达到不同里程碑，认股权证规模最多可扩大至2500万股，有效期至2036年9月3日。

相关安排与最高600亿美元的采购及付款规模挂钩。需要注意的是，600亿美元是潜在采购规模，并非此次股权交易本身的价值。

如果2500万股认股权证全部按照161.26美元的行权价执行，对应的股票购买金额约为40.3亿美元。

这种“采购承诺+股权激励”的模式正在AI基础设施产业链中出现。

2025年10月，AMD与OpenAI达成长期AI芯片合作，AMD向OpenAI授予最多约1.6亿股认股权证，并将其归属与GPU采购及相关里程碑挂钩。2026年8月，Marvell也向谷歌授予潜在价值约122亿美元的认股权证，并与双方定制芯片合作机会相关。

AI芯片竞争由此开始从单纯的产品交易，延伸到采购、研发和资本层面的深度绑定。

高通押注数据中心，寻找手机之外的新增长

对于高通而言，AWS合作是其数据中心战略的重要一步。

长期以来，高通的核心业务集中在智能手机处理器和通信芯片。但随着智能手机市场增长放缓，以及部分主要客户提高自研芯片比例，高通正在寻找新的增长曲线。

近年来，高通已经将业务拓展至汽车、PC、物联网和数据中心。其中，数据中心被公司寄予较高期待。高通提出，到2029财年将数据中心业务收入提升至150亿美元以上，并预计2027财年数据中心收入达到约50亿美元。

高通管理层表示，此次与AWS的合作只是公司数据中心战略的一部分，并预计相关业务将在2026年12月季度开始贡献收入。

与直接进入GPU市场不同，高通更希望发挥低功耗SoC设计优势，切入对能效和单位计算成本更加敏感的AI推理市场。

从AWS到OpenAI，巨头加速“自研芯片”

AWS已经将Trainium规模化。其第三代Trainium3采用3nm工艺，单芯片FP8算力最高约2.52 PFLOPS，并于2025年12月进入商业部署。亚马逊披露，其整体自研芯片业务年化收入已经超过200亿美元，这一数字包括Trainium、Graviton、Nitro等产品。

Google持续推进TPU。第七代Ironwood TPU已经投入使用，谷歌也正在扩大TPU向外部客户提供的规模。Anthropic此前宣布计划使用最多100万颗TPU，显示Google自研AI加速器正在从内部基础设施向外部云计算市场延伸。

Meta则在推进MTIA。新一代MTIA芯片计划于2026年9月进入生产阶段，由博通参与设计、台积电负责制造。其重点仍是针对Meta自身大规模推荐和AI推理工作负载进行优化，而不是全面取代通用GPU。

Microsoft的Maia也进入第二代。Maia 100已经用于Azure基础设施，第二代Maia 200则已于2026年上线，重点面向AI推理。微软披露，Maia 200相比其当时最新一代硬件可实现超过30%的tokens-per-dollar提升。

OpenAI则进一步向芯片设计延伸。OpenAI与博通合作推出定制AI推理芯片Jalapeño，从初始设计到完成流片约用了9个月，计划从2026年底开始部署。其早期测试显示，在特定工作负载下，Jalapeño能够获得更高的单位功耗吞吐和更低延迟。

Anthropic也开始组建内部芯片团队。已在2026年8月确认正在推进相关团队建设。此前已有报道称，Anthropic正在与三星就潜在的定制AI芯片生产进行早期讨论，涉及2nm工艺及先进封装。

从云厂商到AI模型公司，自研芯片正在从“基础设施优化”进一步延伸到“模型与芯片协同设计”。

ASIC不会取代GPU，但会改变AI算力格局

自研芯片快速发展，并不意味着英伟达的GPU优势会迅速消失。

英伟达真正的护城河不仅是GPU本身，还包括CUDA、TensorRT、NCCL、NVLink/NVSwitch以及庞大的开发者和客户生态。对于AI企业而言，采购GPU可以直接获得相对成熟的软件和硬件平台，而自研ASIC则需要承担芯片设计、软件栈、编译器、系统集成和供应链等额外成本。

因此，ASIC更适合规模巨大、工作负载稳定、对单位计算成本高度敏感的场景。

这也决定了未来的竞争更可能呈现“分工”而非简单替代。

GPU仍将承担大量通用AI训练和高性能计算任务；TPU、Trainium和各种ASIC，则更多承担特定模型、推理以及规模化固定工作负载。

对于大型云厂商和AI模型公司而言，自研芯片的价值也不仅在于省钱。

首先，它可以增强议价能力。当客户拥有第二套甚至第三套计算架构后，就不必把所有算力需求集中于单一供应商。

其次，它可以推动软硬件协同。模型架构、编译器和芯片可以同步优化，在特定任务中获得更高的性能和能效。

最后，它可以提高供应链控制能力。对于每天需要处理海量AI请求的科技巨头而言，掌握部分底层计算能力，本身就是重要的战略资产。

AI芯片进入“多架构并存”时代

从高通与AWS，到AMD与OpenAI，再到Marvell与Google，AI芯片产业正在形成新的合作链条：大型云厂商和模型公司提出计算需求，芯片设计企业负责定制，先进制程和封装企业负责制造，最终由云服务和AI应用消化算力。

因此，AI芯片竞争的核心指标正在发生变化。

过去市场更多关注“谁的芯片算力最高”，未来则越来越看重每瓦能处理多少Token、每美元能处理多少Token、网络互联效率有多高，以及能否大规模部署。

这意味着，AI算力市场真正发生的变化，并不是“英伟达时代结束”，而是单一GPU主导的格局正在变得更加多元。GPU、TPU、Trainium和定制ASIC将长期共存，而大型科技公司对定制计算的需求，也将成为AI芯片产业新的增长引擎。