近日特斯拉解散 Dojo 团队、负责人离职的消息甚嚣尘上，也让观众们唏嘘不已。近几年来，对于一众摊开身子去做训练芯片的大公司也好，初创企业也好，都是血淋淋的教训：Graphcore 一度号称" IPU 对抗 GPU "，最终被软银收购，结束独立冲锋；英特尔 /Habana（Gaudi）路线多、生态分裂，近来逐步并入 GPU/Falcon Shores 体系，淡化独立加速器路线；Cerebras 坚持晶圆级（WSE）差异化，产品与订单在增长，但商业化和生态仍远未与 CUDA 可比——这是"特种装备"而非"通用平台"。
自研训练芯片这条道路，对绝大多数公司并不可行，能成的是极少数例外，不是可复制的范式。英伟达又赢了。
Dojo 的"高开低走"
Dojo 是特斯拉为"现实世界场景"模型训练而自研的数据中心级训练系统。2019 年 4 月，马斯克在" Autonomy 投资者日"首次抛出 Dojo 概念；2020 年 8 月，他称受限于供电与散热，系统"还需大约一年"才能就绪。2021 年 8 月的 AI Day 上，特斯拉正式发布 D1 与 Training Tile，并同步公开 CFloat8/16 白皮书，给外界描绘了一条"自研算力 + 自研数值格式"的硬核路线。
在 2022 年的 AI Day 上，特斯拉给出 Dojo 的系统化扩展路径：从自研 D1 芯片 → Training Tile（5×5）→ System Tray → Cabinet → ExaPOD，目标是实现"超 1 ExaFLOP 级"的 ML 计算能力。
D1：台积电 7nm，约 500 亿晶体管，645 mm²，354 个计算核心；单芯 BF16/CFP8 ≈ 362 TFLOPS。
Training Tile：25 颗 D1 组成一块水冷 Tile，BF16 ≈ 9 PFLOPS，以高带宽片间互联为卖点。
（Dojo 系统图示，图源：Tesla）
市场对 Dojo 的预期曾被推到高位—— 2023 年，摩根士丹利曾估算 Dojo 可能为特斯拉带来约 5000 亿美元的增量价值。直到 2025 年 Q2 财报会上，马斯克仍表示 Dojo 2 的目标是对标约 10 万台 H100 等价物。但现实层面，项目最终叫停。
期间多位核心技术负责人相继离开：2018 年，最初受聘领导特斯拉芯片工作的 Jim Keller 离任；随后 Ganesh Venkataramanan 接棒，2023 年离开并创立 DensityAI；近年持续主导芯片项目的 Peter Bannon 亦已离职，Dojo 项目随之收尾。
更指向性的证据来自并行路线的推进。早在 2024 年 Q4，特斯拉在奥斯汀上线 " Cortex " 训练集群（对外口径为约 5 万张 H100），并在 Q2 ’ 25 股东信里披露新增 1.6 万 H200，使整体规模约等于 6.7 万张 H100。这说明 Dojo 未能成为主力产线，特斯拉更多转向"采购成熟 GPU 平台"。事实也证明，买卡比造卡更快：除特斯拉外，马斯克体系的 xAI/ " Colossus " 同样大规模采用英伟达 GPU，并配套 Spectrum-X 以太网做超大规模组网——连网络栈都被英伟达打包交付。
亡羊补牢，为时未晚
如今，特斯拉及时扭转局面。
训练侧：外采为主。特斯拉把主力训练转向可即刻部署、可线性扩容、生态成熟的英伟达（并补充部分 AMD），把"模型训练周转率（Time-to-Train）"拉回商业节奏。
推理侧：自研为主。与三星敲定 165 亿美元长期代工协议（AI6），将车载 / 机器人 / 边缘推理算力自控在手，贴近产品、风险更低、迭代更快。
组织侧：约 20 名原训练团队成员加入 DensityAI，其余并入公司数据中心 / 算力工程，避免在尚未收敛的训练芯片路线继续"烧时间"。
这套组合拳很务实：训练端"买成熟产线"，推理端"做自己最懂的场景"，既把 Time-to-Train 和 Time-to-Market 拉回到商业节奏内，也避免在生态战里被迫充当"软件平台提供商"。
Dojo 项目的倒闭可能对特斯拉来说并不是一个很大的损失。8 月 8 日，马斯克在社交平台 X 上回应 amit 网友称："没有必要同时扩展两条截然不同的训练芯片路线；Tesla AI5、AI6 以及后续芯片在推理方面将非常出色，至少在训练方面也相当不错。所有精力都集中在这上面。"
他还进一步补充道，"在超算集群中，无论是用于推理还是训练，将许多 AI5/AI6 芯片放在一块板上是合乎情理的，这仅仅是为了将网络布线的复杂性和成本降低几个数量级。我想，这可以称之为 Dojo 3。"" AI4 和 AI5 之间在实际性能上的差异，远超我所知的所有芯片版本。它真的很出色。"
为什么"自研训练芯片"这么难？
1）生态与软件壁垒
训练芯片不是单芯片竞赛，框架适配、编译器、内核库、并行策略、调优工具链才是吞时间的黑洞。英伟达把 CUDA/cuDNN/ 各类并行库打磨了十几年，后来者很难追平这个"隐形工程量"。业界多家厂商在软件成熟度上"掉链子"，训练端难以稳定释放算力密度。
2）系统工程与供应链
先进封装（CoWoS/SoIC）、HBM 供给、机柜 / 供配电 / 散热、互联拓扑、集群调度、可靠性工程，任何一环不够强，TCO 就会被市售 GPU 平台反杀。尤其是先进封装和 HBM 这两块，2025 年 NVIDIA 至少锁定台积电 CoWoS-L 七成产能的报道频出，HBM 市场由 SK hynix/ 三星 / 美光三强主导，且 HBM3E → HBM4 的节奏被各家紧紧盯住。没有这些供给保障，自研方案即便流片成功，也会在封装与内存上"卡脖子"。
3）需求与现金流节奏
自研要靠稳定、可预期且超大规模的自用训练需求摊薄巨额前期投入。除谷歌（TPU）和 AWS（Trainium）这类云巨头，鲜有人能把"芯片—集群—云服务"联动成正循环。
Meta 训练芯也在逐步尝试，今年 3 月份据路 · 透 · 社的报道，Meta 正在测试首款 AI 训练芯片，消息人士称，测试部署是在 Meta 完成芯片的首次"流片"后开始的。这款芯片是该公司元训练和推理加速器 ( MTIA ) 系列的最新产品。不过该项目多年来发展一直不太顺利，甚至一度在类似的开发阶段放弃一款芯片。目前 Meta 的 MITA 芯片仍以推理为主，用于确定哪些内容出现在 Facebook 和 Instagram 新闻推送中的推荐系统。
Meta 高管表示，他们希望到 2026 年开始使用自己的芯片进行训练，或者进行计算密集型过程，为 AI 系统提供大量数据以"教"它如何执行。与推理芯片一样，训练芯片的目标是从推荐系统开始，然后将其用于聊天机器人 Meta AI 等生成式人工智能产品。
4）机会成本
AI 时代下，英伟达和 AMD 两大 AI 芯片玩家均已代际升级以季度为单位推进，自研芯片的代次跨度很容易一上板就过时，落地即落后。
在 Llama 2-70B-LoRA 等平台（8 GPU）微调工作负载中，Instinct MI325X 的性能比 Instinct MI300X 提升高达 30%（图源：AMD）
现在 AMD 也补上了"可用的第二供应商"，6 月份，AMD 发布了其首次提交 MLPerf 训练的结果，AMD 的训练成绩也已经很能打（MLPerf 上与英伟达可比 / 部分领先的负载出现了）。在 AMD MLPerf Training v5.0 测试中，Instinct MI325X 平台在微调 Llama 2-70B-LoRA（一种广泛用于定制大型语言模型的工作负载）时，性能比 NVIDIA H200 平台高出高达 8%。
Instinct MI325X 平台与 NVIDIA H200 的对比（图源：AMD）
在这种情况下，再走一条第三条自研路，边际价值更小、失败成本更高。
Dojo 的叫停不等于"自研训练芯片永无出路"。云巨头例外依然成立：Google TPU、AWS Trainium 能跑通，是因为它们拥有超大、稳定的自用训练需求 + 云服务生态 + 算法 / 框架协同，能把"芯 - 机 - 云 - 软件"串成正循环。但对车企 / 应用公司而言，缺生态 + 缺供给链 + 节奏跟不上，机会成本才是终极杀手。
英伟达赢在哪里？
英伟达的胜利是系统性胜利。不只是 GPU 领先，而是从硅到机架到网络到软件的全栈交付能力：
硬件层：GPU + NVLink/NVSwitch + 高带宽内存 + 机架级整机；
网络层：InfiniBand 与 Spectrum-X 以太网两套方案，覆盖不同客户偏好与成本模型；
软件层：CUDA 体系与全栈库 / 工具，保障"可用算力 / 周"；
交付层：从整柜到整机房的"交钥匙工程"，缩短客户的 Time-to-Train。
一个典型的案例：GB200 NVL72 —— 72 张 Blackwell GPU + 36 颗 Grace CPU 的液冷整柜，一个机柜内构成 72-GPU 的 NVLink 统一域，对外就像一块超大加速器；第五代 NVLink/ NVSwitch 还能把多个机柜无阻塞拼合到 576 GPU。这不是"堆卡"，而是把互联、内存、软件、上电与运维做成可交付的" AI 工厂"
对于去自研 AI 训练芯片的厂商而言，很多时候，他们并不是技术不可行，而是时间、资金与生态的综合算术不合。当你在流血做"芯—板—机—集群—软件—网络"的全栈集成时，英伟达已经把 GPU+ NVLink/NVSwitch/Spectrum-X + CUDA/cuDNN + DGX/GB 系统一整套" AI 工厂"卖给了你的对手与合作伙伴，"买英伟达 = 立刻可用的 AI 工厂"
英伟达在机架级产品（如 GB 系列）与网络（Spectrum-X/InfiniBand 之外的以太网解法）上持续前移，把"可用算力 / 周"最大化。2024 年 10 月 28 日，NVIDIA 利用 NVIDIA Spectrum-X 以太网网络平台，实现了 100,000 个 NVIDIA Hopper GPU 相连，这就是位于田纳西州孟菲斯的 xAI Colossus 超级计算机集群，其主要用于训练马斯克的 Grok 大模型。xAI 和 NVIDIA 仅用 122 天就建成了配套设施和最先进的超级计算机，而这种规模的系统通常需要数月甚至数年的时间。从第一个机架滚到地面到训练开始，整个过程仅用了 19 天。
英伟达的"系统 + 软件 + 生态 + 交付能力"的复合护城河，正在把每一家"自研训练芯片"的商业试验拖回到现实。
对于英伟达而言，如今最大的变量和对手是 AMD，AMD 在性价比、特定工作负载（如微调）上持续追近，会压缩自研路线的"理论窗口期"，但短期难撼动英伟达的系统与软件领先。
接下来很长一段时间，"训练自研，推理解耦"将成为非云巨头的主流策略：训练上公版平台，推理做自家 SoC/ASIC，把能沉淀差异化的算力放在端侧 / 产品内。
结语
特斯拉关掉 Dojo，不是输给了一块更强的芯片，而是输给了一个更强的"产业系统"。 自研训练芯片这条路，对绝大多数公司而言不具可复制性；而在"买卡 + 更快上线 + 产品侧自控推理"的组合里，英伟达再次赢下了时间、生态与现金流的三重赛点。
英伟达的再次胜利，是对整个行业的一次提醒：在 AI 基建时代，速度与生态，就是一切。
炒股配资平台提示：文章来自网络，不代表本站观点。
相关文章
