字节下场造芯片，摸着谷歌过河

字节跳动也要下场做 AI 芯片了。很多人第一反应是：大厂又在搞的宏大叙事了？或者是：连英伟达的尾灯都看不到，这不是拿钱打水漂吗？

字节做 AI 芯片，不仅合情合理，而且我坚决看好。字节作为本身拥有庞大自身业务需求的大厂，想要超越那些苦哈哈找客户的国产芯片创业小厂，简直就是降维打击。

摸着谷歌过河

字节跳动做芯片，其实根本不需要摸索什么新奇的商业模式，照着谷歌抄作业就行了。

谷歌在 AI 硬件上是怎么赢的？TPU。 当年谷歌也是嫌弃通用 GPU 跑自家搜索和推荐算法太贵、太耗电，干脆自己搞了 TPU。谷歌有 Search 和 YouTube 这两台超级印钞机供源源不断的现金流，哪怕早期 TPU 很难用，它也亏得起、耗得起。

如今的字节，简直就是谷歌的完美镜像。字节手里握着抖音和 TikTok 这两台同样恐怖的现金奶牛，同时拥有海量的推荐算法和正在爆发的生成式 AI 业务（豆包、Seedance）。

AI 是一场极其沉重的重资产游戏。当你每年要在算力上砸上千亿人民币的时候，继续全盘采购毛利率高达 70%-80% 的通用 GPU 来处理海量的日常推荐和简单的 AI 推理，就等于把自己的命脉和利润全交给了老黄。摸着谷歌过河，自建基础设施，用印钞机养吞金兽，这是体量到了这个级别的必然选择。

大厂做芯片，小厂根本没法玩？

当年很多人吹捧国产 GPU 四小龙，结果呢？这些初创公司的研发费用，连三大厂字节、阿里、腾讯的一个零头都不到。芯片设计其实没有护城河，最大的护城河是规模和落地场景。

大厂亲自下场，对小厂是毁灭性的打击，原因很简单：自己就是自己最大的甲方。

1. 端到端的成本优势： 芯片流片动辄几千万打底，这是一个无底洞。摩尔线程这样的小厂做出来芯片，要去求着大厂买，还要费尽心思做生态适配。而字节做芯片，根本不需要去卷什么通用市场。它的需求足够庞大，庞大到完全可以自己养活自己的TPU。只要自研的推理芯片能把能效比抠出 20% 的水分，省下的巨额电费和机房摊销，就足够养活那个千人规模的 IC 团队了。

2. 应用定义硬件： 通用 GPU 为了卖给所有人，必须兼顾各种老旧的算法和不同行业的奇葩需求。但字节不需要。字节的场景极度垂直：推荐系统、大语言模型推理，字节完全可以把用不到的通用模块全砍掉，把省下来的晶体管全砸在最吃紧的访存带宽上。这种极致的定制化，小厂做不到，因为小厂没有这种宇宙级的应用测试场。

软件栈

当然，造芯绝不是把设计图交给代工厂，然后拿回来点亮就万事大吉了。真正做过底层的人都知道，硬件点亮只是花钱到位了，真正的修罗场在配套的软件。

习惯了 CUDA 丝滑体验的业务团队，现在要迁移到自家刚起步、可能还带 Bug 的编译器上，底层的软硬件协同团队要承受多大的压力？这就是一段极其痛苦的阵痛期。

拿谷歌来说，它的 ICI 和 XLA 才是真正的护城河。字节目前的 ByteIR 在 XLA 面前确实还有差距，网络架构上也还要追赶。但好在，算法层面的代差往往不会超过一年，只要硬件这块难啃的骨头开始动工，靠着中国顶级的工程师红利和字节内部真实业务的疯狂迭代，追赶甚至局部反超，只是时间问题。

算力自主指日可待

如今模型能力越来越趋同，甚至普通人根本感受不到大模型之间的区别，算力成本才是最终的决胜因素。

谁能把单次推理的成本压到极致，谁就能耗死对手。字节现在砸几百亿进去，赌的就是几年后 AI 应用全面铺开时的绝对成本优势。

不差钱，不差人，有明确的业务兜底。这条路很难，但也是通向终极玩家的必经之路。