GPU越来越像ASIC，英伟达砍掉核心功能，技术霸权真要崩塌？

　　哈喽，大家好，老庐今天要聊的这事，足以让整个AI芯片圈震动：2025年末，英伟达扔下重磅消息，官宣CUDA13.1是其推出20年来最大规模的更新。

　　作为AI算力领域的“顶流”，英伟达的一举一动都牵动着全球开发者和厂商的神经，这次更新更是被业内直呼“看不懂”。

　　核心原因很简单：新版本的CUDATile编程模型，居然在主动降低GPU内核程序的开发门槛，以前得顶尖专家耗时很久才能搞定的优化工作，现在普通开发者用几行代码就能实现。

　　要知道CUDA生态可是英伟达最坚固的“护城河”，靠着这套2006年就诞生的计算平台，它牢牢占据了全球90%的AI芯片市场。

　　如今巨头主动拆墙，连传奇芯片工程师吉姆凯勒都忍不住质疑：这是要终结自己的技术霸权吗？英伟达真的会做亏本买卖？

　　不是良心发现，是AI浪潮下的“被迫妥协”

　　很多人觉得CUDA是个复杂的技术名词，但它就像GPU的“翻译官”，没有它，显卡的超强算力就是“摆设”，根本没法服务于大模型训练和推理。

　　过去二十年，英伟达就是靠着这套“难学难用”的生态，让开发者和硬件深度绑定：一旦用CUDA写了代码，想换成其他厂商的芯片，就得付出巨大的改写成本，这也是竞争对手难以逾越的鸿沟。

　　但大语言模型的爆发，彻底打乱了英伟达的节奏，CUDA诞生时，深度学习还没成为主流，更没有ChatGPT这样的超级应用，所以早期设计并没有针对大模型做极致优化。

　　而现在，算力需求呈指数级增长，英伟达的硬件迭代速度越来越快，从A100到H100，再到即将到来的B100，芯片越来越偏向硬件专用化，砍掉了很多非核心功能，只为提升AI任务的效率。

　　这就出现了一个棘手问题：开发者用旧代码根本没法发挥新硬件的全部性能，每次芯片更新，都得重新做复杂的底层优化，这种工作只有少数专家能胜任，已经成了整个行业的“开发者负担”。

　　英伟达降低门槛绝非慷慨，而是被逼无奈的选择：如果继续让开发门槛高高在上，开发者可能会转向更易用的平台，反而动摇其硬件霸权。

　　与其被时代抛弃，不如主动妥协，用更友好的编程模型留住开发者，最终巩固自己的硬件市场地位。

　　GPU与ASIC的边界在模糊

　　CUDA13.1的更新，就像往AI芯片行业投了一颗石子，涟漪正在持续扩散，最明显的变化，就是通用GPU和ASIC芯片的界限越来越模糊了。

　　过去GPU主打通用性，能应对各种计算任务，而ASIC是专为特定AI任务设计的芯片，比如谷歌的TPU，在能效和成本上更有优势。

　　但现在英伟达为了满足大模型的算力需求，持续砍掉GPU的通用功能，比如对大模型没用的FP64双精度算力，让芯片越来越“专”。

　　这意味着，未来GPU和ASIC可能会“殊途同归”，都朝着高度专用化的方向发展，对行业来说，这既是机遇也是挑战。

　　一方面，跨硬件迁移的难度降低了，其他厂商的芯片适配CUDA生态的阻碍变小，市场竞争会更激烈。

　　另一方面，技术范式的迁移风险也在增加：如果未来出现取代Transformer的全新计算架构，现在针对大模型的所有软硬件优化都可能失效，英伟达也得为这种不确定性留好后路。

　　而对国产算力企业来说，这无疑是个关键的窗口期，以前国产芯片最大的痛点就是软件生态跟不上，难以适配CUDA的复杂架构。

　　现在CUDA生态壁垒松动，国产厂商可以借助开源工具和新兴编程模型，构建更易用的软件栈，让国产算力从“可用”真正走向“好用”，实现规模化应用的突破。

　　没有永远的壁垒，只有持续的进化

　　英伟达的“自我革命”，表面上削弱了自己的护城河，实则是以退为进的高明战略。

　　它用降低开发门槛的方式，将更多开发者绑定在自己的生态里，同时顺应了AI算力专用化的趋势，确保在硬件竞赛中不掉队。

　　这也揭示了一个真相：在技术爆炸的时代，没有永远的技术壁垒，只有不断适应时代的进化，对巨头来说，固守优势只会被颠覆。

　　对追赶者来说这是稍纵即逝的机会，也意味着竞争进入了更考验战略定力的新阶段，当编程门槛被踏平，未来的胜负关键，终将回归到对核心计算原理的深刻理解和对技术趋势的精准预判。

　　NVIDIA發佈CUDA史上最大升級，全新Tile編程模型重塑格局並加深生態護城河