2026 年 7 月的上海世博展览馆，300 多款全球首发产品挤满了首次突破 10 万平方米的展区。但这一周最值得看的信号，不在任何一个展台上，而在展台背后的供应链里。
同一周里，Meta 宣布代号 Iris 的第四代 MTIA 芯片将于 9 月投产；Qualcomm 以 100 到 140 亿美元的估值锁定 RISC-V 芯片设计公司 Tenstorrent；DeepSeek 被曝正在设计自有推理芯片，想减少对 Nvidia 和华为的依赖。而在东京，黄仁勋正忙着跟日本整个科技生态签一系列合作协议，用「深度绑定」来回应这股「去 Nvidia 化」的浪潮。
当 AI 公司开始自己造芯片，算力的所有权就从芯片供应商手里，挪到了用芯片的人手里。这场变化关乎技术路线，也关乎一件更根本的事：谁来定义 AI 硬件的设计语言、制造流程和地缘布局。
第一幕：Nvidia 垄断的裂痕
一个帝国的裂缝
过去三年，Nvidia 在 AI 训练和推理芯片市场的份额一直在 80% 以上。A100、H100、B200，每一款新 GPU 出来都会变成 AI 基础设施的事实标准。它的护城河不止是硬件销售。CUDA 早就成了 AI 开发的默认操作系统，几百万开发者的技能、上千个框架和库，全都长在 Nvidia 的架构上。
但 2026 年 7 月的几件事，正在松动这个帝国的地基。
Meta 第四代自研芯片 MTIA（Meta Training and Inference Accelerator）代号 Iris，Broadcom 协助设计，TSMC 代工，计划 2026 年 9 月投产。据 Reuters 和 TechCrunch 报道，Iris 的目标是把 Meta 的 AI 算力翻一倍。翻倍的办法不是再买更多 Nvidia GPU，而是用自研芯片扛下 ranking、推荐这些更宽的 AI 负载。
Meta 说得很清楚，这是补充，不是替代，它还会继续大量采购外部 GPU。但 Iris 投产是个拐点：AI 公司不再只是芯片的客户，也开始当芯片的共同设计者。
从客户到共同设计者
这种共设计的意义，远不止 Meta 一家。
OpenAI 和 Broadcom 合作的 Jalapeño 芯片，从设计到流片只花了 9 个月。在传统芯片行业，这个速度几乎不可能，一款芯片从架构到量产通常要 18 到 24 个月。OpenAI 能压缩到 9 个月，是因为算法团队和芯片团队在同一家公司里一起进化：芯片架构照着 OpenAI 模型推理的脾气来定制，模型反过来也在迁就芯片的算力特性。过去是通用硬件加软件适配，现在是算法和硬件一起设计。
DeepSeek 的走法更务实。据 Reuters 7 月 7 日报道，这家中国公司在设计自己的推理芯片，只做推理，不碰训练。这条路更窄，但也更可控。推理芯片跟特定模型绑定，算力特征固定，设计难度低于通用训练芯片，代价是要直面美国出口管制这道现实的坎。
三家公司，三条路，落点却是同一个：AI 公司正在从算力的消费者，变成算力的生产者。
Nvidia 的回应
黄仁勋当然看到了这股潮流。7 月 19 日，他在东京跟日本一票科技公司签了合作，Sony、NEC、软银，还有日本政府支持的 AI 项目都在名单里。TechCrunch 的说法是，这些合作本质上是拿生态绑定来对冲自研芯片潮。Nvidia 的算盘不难懂：你就算自己造了芯片，数据科学家还是在用 CUDA，框架还是靠 CUDA 加速，工程师熟的还是 Nvidia 那套工具链。这是软件锁定，用生态的惯性去拖住硬件层面的替代。
但软件锁定从来不是永久的。玩替代方案的人一多，锁定效应会在某个临界点突然塌掉。问题只是，离那个临界点还有多远。
第二幕：RISC-V 的「开放赌注」
Qualcomm 的 140 亿押注
Meta 和 OpenAI 的自研芯片，是在 Nvidia 生态里做定制化突围。Qualcomm 收购 Tenstorrent，则是想把整张牌桌掀翻。
Qualcomm 用 100 到 140 亿美元的估值买下 Tenstorrent，赌的不是某一款芯片，而是一整套架构哲学：RISC-V。这是一个开源指令集，谁都能自由用、自由改，不用给任何公司交授权费。对比一下 ARM 的授权费加版税，还有 Nvidia 完全封闭的 CUDA，差别一目了然。
Tenstorrent 的灵魂人物 Jim Keller 是芯片圈的传奇。他在 AMD 设计过 Zen 架构，在 Apple 做过 A4、A5，在 Tesla 搞过自动驾驶芯片，还当过 Intel 的首席架构师。Keller 押的是：AI 计算的未来不该是 Nvidia 一家的封闭花园，而应该像 Linux 之于操作系统那样，有一套开放、可改的底座。
它不一定在每个跑分上都赢 Nvidia，但它让不同体量、不同需求的公司都能定制自己的 AI 加速方案。这才是 RISC-V 真正的杀伤力。
RISC-V 在 AI 芯片上的优势是结构性的。传统 GPU（包括 Nvidia 的 CUDA 核心）是为通用并行计算设计的，AI 推理只是它众多用途里的一个。RISC-V 允许设计者针对特定 AI 负载去定制指令集扩展。理论上，一颗 RISC-V AI 芯片在某类推理任务上可以比通用 GPU 更快，功耗还更低。
开源硬件的风险与回报
这一赌注的风险也很大。先说生态。CUDA 有 400 多万开发者，还有几十年攒下来的库、框架和工具链；RISC-V 的 AI 软件生态还很早期。PyTorch、TensorFlow 虽然已经有 RISC-V 后端，但优化的深度跟 CUDA 差得远。再说验证。RISC-V 定制优化是理论上的好，Nvidia 的 GPU 却是被几万次大规模训练实打实验证过的，而 RISC-V AI 芯片真正落地的案例还屈指可数。
但 100 到 140 亿美元的收购价说明一件事，连传统芯片巨头都不信 Nvidia 的垄断能一直撑下去。Qualcomm 在移动芯片上已经证明过，低功耗加定制化可以在特定市场干掉通用方案，现在它想把这套打法搬到 AI。Tenstorrent 的 AI 加速器 Wormhole 已经露了一手：在某些 transformer 推理任务上，它的每瓦性能据称能到 Nvidia H100 的两到三倍。这些数字还得靠更大规模的部署来验证，但方向已经够清楚了。
更值得留意的是 RISC-V 的长尾效应。在手机市场，Snapdragon 能跟 Apple 的封闭生态掰手腕，靠的不是单颗芯片的绝对性能，而是整个 Android 生态的多样和可定制。RISC-V 在 AI 芯片里可能扮演类似角色：它未必在每个跑分上都赢 Nvidia，但它让不同体量、不同需求的公司都能定制适合自己的 AI 加速方案，从边缘推理到数据中心训练都装得下。
第三幕：制造的地理政治
TSMC 的新角色
AI 公司一旦自研芯片，制造环节的角色也在悄悄变化。
Meta 的 Iris 交给 TSMC 代工，这不奇怪，TSMC 本来就是全球最先进的代工厂。关键在于，当 AI 公司成了芯片的设计方，TSMC 的身份就从代工厂变成了 AI 基础设施的合伙人。它的客户名单不再只有 Nvidia、AMD、Qualcomm 这些芯片公司，还多了 Meta、OpenAI、DeepSeek 这些做 AI 应用的。
这种转变带来的权力变化不小。过去是芯片设计公司握着架构话语权，代工厂只管执行。到了 AI 芯片这一代，AI 公司最懂自己的算法和负载，芯片架构由应用需求牵着走，设计权和制造权的关系正在被重写。
地缘政治的新变量
WAIC 2026 的另一件大事，是 29 国签了世界人工智能合作组织（WAICO）协议，总部设在上海。这个多边治理框架跟 AI 芯片的去中心化趋势正好呼应。习近平 2025 年 10 月在 APEC 上第一次提议建这个组织，不到一年就凑齐 29 国签字，光这个速度就说明各国有多急着要一套 AI 治理框架。
当算力的生产从 Nvidia 一家散到 Meta、OpenAI、DeepSeek、Qualcomm 手里，算力基础设施的地缘分布也跟着变。美国公司自研芯片仍然离不开台湾的 TSMC，中国公司卡在出口管制上得找替代方案，欧洲则在自己建 AI 芯片能力。全球算力正从一个中心，走向好几个中心。
多中心化给供应链设计出了新题。以前一家 AI 公司的算力供应链很简单：买 Nvidia GPU，插上电和网就能跑。自研芯片时代，链条一下子拉长了：架构设计（内部团队或 Broadcom）、EDA 工具（Synopsys、Cadence）、IP 授权（ARM 或 RISC-V）、晶圆代工（TSMC、Samsung）、封装测试（日月光、Amkor），再往下还有基板和 PCB。每一环都对应不同的供应商、不同的地缘风险、不同的技术取舍。这份复杂本身就催生了新的设计需求：供应链的可视化、风险评估和优化，正在长成一门新的设计学科。
WAIC 2026 展区里的近存计算 3D 芯片、AI Agent 操作系统这些东西，正是多中心化的落地版本。中国在搭自己的 AI 硬件技术栈，从芯片一路做到操作系统和应用层，想少依赖一点美国的技术生态。
第四幕：设计流程的 AI 化
当 AI 设计自己的硬件
把视线挪出 WAIC 2026，另一个信号来自美国国家核安全管理局（NNSA）。他们公布了 Aires Tide，这是 Genesis Mission 计划下的第一个实物成果，一架由 AI 设计、超算模拟、3D 打印做出来的飞行测试载具。
Genesis Mission 是特朗普 2025 年 11 月签行政命令启动的，目标是搭一张由 AI 驱动的国家实验室超算网络。Aires Tide 真正的看点不是这架飞行器本身，而是它跑通了一套新的设计到制造流程：AI 在超算上反复迭代优化，结果直接送进增材制造产线，从概念到飞行测试的周期被大幅压短。
这对 AI 芯片设计意味着什么？如果 AI 能设计飞行器，它当然也能设计芯片。事实上，EDA 工具早就在大量用机器学习优化芯片的布局和布线了。但从 AI 辅助设计跨到 AI 原生设计，芯片设计的门槛可能会再降一截。也许将来一家 AI 公司不再需要庞大的芯片团队，只要一个好用的 AI 设计工具，加一个靠谱的代工伙伴就够了。
AI 工厂作为新设计类别
Nvidia 发布 Rubin 架构的六芯设计时，抛出过一个概念：数据中心不是一栋建筑，而是一座 AI 工厂，一件需要用工业设计思维来打磨的产品。这个说法在 Meta 的 MTIA 集群部署里落得更实：Iris 不是单打独斗的芯片，它得跟整个数据中心的散热、供电、网络和存储一起设计。
也就是说，AI 硬件的设计正从芯片级扩到系统级。一颗芯片跑得快不快，不光看它自己的架构，还看它怎么嵌进整个计算集群。这种系统级需求催生了一门新学科，卡在传统芯片工程和工业设计中间，可以叫它 AI 基础设施设计。
黄仁勋东京那趟行程也透着同样的意思：他卖的不只是芯片，更是一整套 AI 工厂的设计方案。对手都开始自研芯片之后，Nvidia 的差异化不再落在单颗芯片的性能上，而是整个系统的设计能力和生态的完整度。
结论与展望
从「GPU 为王」到「多极化算力」
2026 年 7 月的这些事拼在一起，图景已经很清楚：AI 算力基础设施正在经历一次结构性的去中心化。
Meta 的 Iris 是大厂自研加代工的路径，OpenAI 的 Jalapeño 是算法与硬件协同设计的速度，Qualcomm 收 Tenstorrent 是开源架构替代的赌注，DeepSeek 是地缘约束下的自主突围，NNSA 的 Aires Tide 则是 AI 原生设计流程的国家级验证。
这几条路不是你死我活。更可能的结局是一个多极的算力版图：Nvidia 在高端训练芯片上继续领先，但在推理、边缘计算和一些特定负载上，自研芯片和开源架构会一点点啃下它的份额。Nvidia 从卖芯片转向卖整套 AI 工厂方案，本身就承认了这个趋势躲不掉。
Meta 的工程师能为自家推荐算法定制芯片架构，OpenAI 能在 9 个月里走完设计到流片，一家创业公司靠开源架构拿到 140 亿美元估值。AI 硬件的设计民主化已经不是将来时，而是进行时。
对设计这行来说，最关键的一点是：AI 硬件的设计权正从少数芯片公司，散到更多做 AI 应用的公司手里。WAIC 2026 的 300 款首发和 29 国签的 WAICO 协议，只是序幕。真正的转折点，会落在第一批自研芯片大规模装机、开始改写 AI 服务的成本和性能曲线的那一刻。
---
参考来源：
1. CGTN / WAIC 2026 — "Beyond bigger models: What WAIC 2026 reveals about AI's next chapter"
2. Xinhua — 29 国签署世界人工智能合作组织（WAICO）协议
3. People's Daily Online — WAIC 展示 Agent OS、近存计算 3D 芯片等创新产品
4. Reuters — Meta 计划 9 月投产自研 AI 芯片
5. TechCrunch — Meta MTIA「补充而非替代」策略分析
6. Lumien — Meta Iris 第四代 MTIA 芯片详解
7. TechTimes — Qualcomm 100-140 亿美元收购 Tenstorrent，RISC-V 开源架构
8. KERSAI — DeepSeek 自研推理芯片报道
9. Agility Robotics — Fremont 新设施开设
10. DOE / NNSA — Aires Tide 飞行测试载具，Genesis Mission 首个成果
11. 3D Printing Industry — AI + 超算 + 3D 打印融合设计流程
12. TechCrunch — 黄仁勋东京之行，Nvidia 日本生态合作