【摘要】在生成式AI浪潮席卷全球的背景下，算力已經(jīng)成為互聯(lián)網(wǎng)公司最重要的戰(zhàn)略資源之一。

圍繞字節(jié)跳動(dòng)的芯片布局，一條“自研+外采”的雙軌路徑正在逐漸清晰：一方面是內(nèi)部多類AI芯片持續(xù)推進(jìn)研發(fā)，另一方面則是對(duì)全球高端GPU算力的大規(guī)模采購。

相比單純依賴第三方芯片廠商，字節(jié)跳動(dòng)顯然希望在算力層面獲得更多主動(dòng)權(quán)。

但在NVIDIA等芯片巨頭形成強(qiáng)大生態(tài)壁壘的情況下，這場(chǎng)自研與外采并行的嘗試，究竟意味著什么？

以下是正文：

01

從內(nèi)容審核到AI算力：字節(jié)跳動(dòng)自研芯片的真實(shí)起點(diǎn)

與許多互聯(lián)網(wǎng)公司不同，字節(jié)跳動(dòng)的芯片布局并非直接圍繞大模型展開，而是從內(nèi)容平臺(tái)的推理算力需求切入。

隨著短視頻平臺(tái)規(guī)模不斷擴(kuò)大，抖音和TikTok每天需要處理海量視頻、圖片和文本內(nèi)容，其中相當(dāng)一部分涉及違規(guī)識(shí)別、內(nèi)容審核和風(fēng)險(xiǎn)控制。

這類任務(wù)雖然計(jì)算密集，但算法相對(duì)固定，非常適合通過專用AI推理芯片進(jìn)行加速。相比通用GPU，自研專用芯片可以在功耗和成本上獲得更高效率。

據(jù)業(yè)內(nèi)人士透露，字節(jié)目前已經(jīng)在內(nèi)部數(shù)據(jù)中心部署自研AI芯片，用于內(nèi)容識(shí)別和審核等推理任務(wù)。

過去平臺(tái)主要采用“系統(tǒng)初篩+人工復(fù)核”的模式，大量審核工作依賴人工完成，而隨著AI推理能力提升，部分流程已經(jīng)可以由算法自動(dòng)處理。

在這一基礎(chǔ)上，字節(jié)逐漸擴(kuò)展芯片研發(fā)范圍，目前公司內(nèi)部推進(jìn)的芯片項(xiàng)目至少包括AI芯片、服務(wù)器CPU、VPU以及DPU等多個(gè)方向。

VPU主要用于視頻編解碼和視頻處理加速，這與字節(jié)以短視頻為核心的業(yè)務(wù)結(jié)構(gòu)高度契合；DPU則主要面向數(shù)據(jù)中心網(wǎng)絡(luò)與存儲(chǔ)加速，是云計(jì)算基礎(chǔ)設(shè)施的重要組件。

與此同時(shí)，字節(jié)也在探索更通用的計(jì)算芯片。相關(guān)人士透露，其AI芯片已經(jīng)迭代至第三代產(chǎn)品，早期版本主要針對(duì)特定服務(wù)器場(chǎng)景設(shè)計(jì)，并未采用CUDA架構(gòu)，而新一代產(chǎn)品則預(yù)計(jì)做CUDA架構(gòu)。

在組織層面，字節(jié)在芯片領(lǐng)域的投入規(guī)模也不小。

據(jù)《金融時(shí)報(bào)》披露，字節(jié)跳動(dòng)2026年計(jì)劃投入AI領(lǐng)域的資金高達(dá)1600億元，其中850億元將專項(xiàng)用于AI處理器的采購與研發(fā)。

不過，從整體技術(shù)路線來看，字節(jié)目前的自研芯片仍然主要集中在推理側(cè)和特定業(yè)務(wù)場(chǎng)景。在訓(xùn)練芯片領(lǐng)域，公司依然高度依賴外部供應(yīng)商。

02

GPU生態(tài)的現(xiàn)實(shí)壁壘：字節(jié)跳動(dòng)為何仍然大量外采

在大模型時(shí)代，訓(xùn)練算力的需求遠(yuǎn)遠(yuǎn)超過傳統(tǒng)互聯(lián)網(wǎng)應(yīng)用，這也是字節(jié)仍然大量依賴第三方芯片的主要原因。

當(dāng)前全球AI訓(xùn)練算力市場(chǎng)幾乎被英偉達(dá)所主導(dǎo)。

其H100 GPU等已經(jīng)成為大型語言模型訓(xùn)練的核心硬件平臺(tái)，而CUDA軟件生態(tài)則進(jìn)一步強(qiáng)化了這一優(yōu)勢(shì)。

H100 Tensor Core GPU提供3958 teraFLOPS的AI性能，更重要的是，它無需修改即可運(yùn)行整個(gè)PyTorch和TensorFlow協(xié)議棧。

包括OpenAI、微軟和Meta在內(nèi)的AI機(jī)構(gòu)，都在大規(guī)模使用NVIDIA GPU進(jìn)行模型訓(xùn)練。

字節(jié)跳動(dòng)同樣是全球GPU算力的重要采購方，隨著推薦算法、搜索系統(tǒng)以及生成式AI模型規(guī)模不斷擴(kuò)大，公司對(duì)高性能計(jì)算資源的需求持續(xù)增長。其云計(jì)算業(yè)務(wù)火山引擎近年來持續(xù)擴(kuò)建AI算力基礎(chǔ)設(shè)施，以支持模型訓(xùn)練和推理服務(wù)。

除了NVIDIA之外，多家芯片廠商也在試圖挑戰(zhàn)GPU市場(chǎng)格局，并在AI訓(xùn)練與推理市場(chǎng)展開競(jìng)爭。

其中，AMD近年來在數(shù)據(jù)中心AI芯片領(lǐng)域加速追趕。

其MI300X架構(gòu)將CPU和GPU集成在同一封裝上，擁有1530億個(gè)晶體管和5.3TB/s的內(nèi)存帶寬，提供192GB的HBM3內(nèi)存（比H100多2.4倍）。

MI300系列被視為AMD在AI時(shí)代最重要的產(chǎn)品，目標(biāo)直指NVIDIA的H100市場(chǎng)。

與此同時(shí)，英特爾則通過Gaudi系列AI加速器切入這一市場(chǎng)。

Gaudi2與Gaudi3芯片強(qiáng)調(diào)成本效率，并采用開放軟件棧SynapseAI，試圖在大型AI集群部署中提供更具性價(jià)比的替代方案。與傳統(tǒng)GPU相比，Gaudi架構(gòu)更加針對(duì)深度學(xué)習(xí)訓(xùn)練場(chǎng)景進(jìn)行優(yōu)化。

圖源：騰訊新聞

在中國市場(chǎng)，AI算力芯片競(jìng)爭同樣日趨激烈。

華為推出昇騰系列AI處理器，其中昇騰910被廣泛應(yīng)用于國產(chǎn)AI訓(xùn)練平臺(tái)。根據(jù)新浪財(cái)經(jīng)，業(yè)界估測(cè)910C在FP16精度下的單卡算力能達(dá)到800 TFLOPS左右，大概是英偉達(dá)H100 芯片（2022年推出）的80%。

寒武紀(jì)則推出思元系列AI芯片，主要面向云端推理與訓(xùn)練服務(wù)器市場(chǎng)，2022-2024年，其MLU370-X8及思元590芯片已與智象未來、百川智能等大模型客戶適配，進(jìn)入生成式AI算力供應(yīng)鏈。

與此同時(shí)，多家創(chuàng)業(yè)公司也在布局AI算力賽道。

壁仞科技推出BR100等GPU產(chǎn)品，試圖在通用AI計(jì)算領(lǐng)域挑戰(zhàn)傳統(tǒng)GPU架構(gòu)；燧原科技則開發(fā)邃思系列AI芯片，重點(diǎn)面向數(shù)據(jù)中心訓(xùn)練與推理市場(chǎng)。

在這一競(jìng)爭格局下，全球AI芯片市場(chǎng)逐漸形成多條技術(shù)路線：既有NVIDIA主導(dǎo)的CUDA GPU生態(tài)，也有AMD、Intel等廠商推動(dòng)的替代方案，同時(shí)中國廠商則試圖構(gòu)建本土AI算力體系。

不過，與這些芯片廠商不同，字節(jié)自研芯片并不追求通用市場(chǎng)，而是更多服務(wù)于內(nèi)部業(yè)務(wù)。

這種模式意味著字節(jié)不必從一開始就挑戰(zhàn)NVIDIA的生態(tài)體系，而可以在推理和特定場(chǎng)景中逐步積累技術(shù)能力。

因此，在未來相當(dāng)長一段時(shí)間內(nèi)，“訓(xùn)練依賴GPU、推理逐步自研”很可能仍然是字節(jié)跳動(dòng)的主要算力策略。

03

全球互聯(lián)網(wǎng)公司造芯潮：字節(jié)跳動(dòng)處在什么位置

字節(jié)跳動(dòng)并不是唯一嘗試自研芯片的互聯(lián)網(wǎng)公司。

事實(shí)上，過去十多年間，隨著云計(jì)算與人工智能的發(fā)展，全球大型科技公司幾乎都在布局自研AI芯片，希望在關(guān)鍵算力資源上獲得更多控制權(quán)。

最早進(jìn)行這一嘗試的是谷歌。早在2016年，谷歌就推出了專門用于機(jī)器學(xué)習(xí)任務(wù)的TPU（Tensor Processing Unit），并持續(xù)迭代至TPU v4、TPU v5等多個(gè)版本。

TPU是谷歌為加速機(jī)器學(xué)習(xí)任務(wù)而設(shè)計(jì)的專用集成電路（ASIC），TPU的成功不僅顯著降低了其內(nèi)部AI計(jì)算成本，也證明互聯(lián)網(wǎng)公司完全有能力在特定場(chǎng)景設(shè)計(jì)高性能AI芯片。

隨后，亞馬遜也在其云計(jì)算平臺(tái)AWS中推出了多款自研AI芯片。

其中Inferentia主要面向機(jī)器學(xué)習(xí)推理任務(wù)，而Trainium則面向大規(guī)模生成式AI模型訓(xùn)練與推理。這些芯片被廣泛部署在AWS云服務(wù)器中，以降低AI計(jì)算成本并提升平臺(tái)競(jìng)爭力。

在中國市場(chǎng)，互聯(lián)網(wǎng)公司同樣開始探索自研算力體系。

阿里巴巴旗下平頭哥半導(dǎo)體推出含光系列AI芯片，其中含光800曾被應(yīng)用于阿里云數(shù)據(jù)中心的視頻處理與推薦系統(tǒng)中。

通過自研芯片，阿里希望在電商搜索及云計(jì)算AI服務(wù)等業(yè)務(wù)中降低算力成本。

從全球經(jīng)驗(yàn)來看，互聯(lián)網(wǎng)公司造芯往往并非只是為了成為傳統(tǒng)意義上的半導(dǎo)體廠商，而是為了優(yōu)化自身核心業(yè)務(wù)的算力結(jié)構(gòu)。

隨著AI模型規(guī)模持續(xù)擴(kuò)大，算力成本逐漸成為平臺(tái)運(yùn)營的重要變量，通過自研芯片，互聯(lián)網(wǎng)公司可以在部分場(chǎng)景中降低成本，同時(shí)減少對(duì)外部供應(yīng)商的依賴。

但與此同時(shí)，芯片產(chǎn)業(yè)本身具有極高技術(shù)門檻，從架構(gòu)設(shè)計(jì)到制造工藝，再到軟件生態(tài)建設(shè)，每一個(gè)環(huán)節(jié)都需要長期積累。

因此，從全球范圍來看，互聯(lián)網(wǎng)公司自研芯片往往與第三方芯片廠商形成互補(bǔ)關(guān)系：通用訓(xùn)練芯片依賴成熟供應(yīng)商，而特定場(chǎng)景則通過定制芯片實(shí)現(xiàn)效率優(yōu)化。

對(duì)于字節(jié)跳動(dòng)而言，這種模式或許也是最現(xiàn)實(shí)的路徑。

04

尾聲

芯片從來不僅是簡單的硬件采購問題，更象征了算力主權(quán)與產(chǎn)業(yè)話語權(quán)。

字節(jié)跳動(dòng)選擇在自研與外采之間尋找平衡，本質(zhì)上是一種風(fēng)險(xiǎn)分散與能力積累的策略。

當(dāng)AI模型規(guī)模繼續(xù)膨脹，算力成為真正的生產(chǎn)資料，誰能在生態(tài)鎖定與自主可控之間找到最佳區(qū)間，誰就可能掌握未來主動(dòng)權(quán)。

字節(jié)的芯片棋局遠(yuǎn)未落子成局，真正的拐點(diǎn)，也許會(huì)在下一代架構(gòu)成熟時(shí)顯現(xiàn)。