字節跳動芯片棋局：自研突圍與外采的平衡之道

【摘要】在生成式AI浪潮席卷全球的背景下，算力已經成為互聯網公司最重要的戰略資源之一。

圍繞字節跳動的芯片布局，一條“自研+外采”的雙軌路徑正在逐漸清晰：一方面是內部多類AI芯片持續推進研發，另一方面則是對全球高端GPU算力的大規模采購。

相比單純依賴第三方芯片廠商，字節跳動顯然希望在算力層面獲得更多主動權。

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

以下是正文：

01

從內容審核到AI算力：字節跳動自研芯片的真實起點

與許多互聯網公司不同，字節跳動的芯片布局并非直接圍繞大模型展開，而是從內容平臺的推理算力需求切入。

隨著短視頻平臺規模不斷擴大，抖音和TikTok每天需要處理海量視頻、圖片和文本內容，其中相當一部分涉及違規識別、內容審核和風險控制。

這類任務雖然計算密集，但算法相對固定，非常適合通過專用AI推理芯片進行加速。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。

據業內人士透露，字節目前已經在內部數據中心部署自研AI芯片，用于內容識別和審核等推理任務。

過去平臺主要采用“系統初篩+人工復核”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，部分流程已經可以由算法自動處理。

在這一基礎上，字節逐漸擴展芯片研發范圍，目前公司內部推進的芯片項目至少包括AI芯片、服務器CPU、VPU以及DPU等多個方向。

VPU主要用于視頻編解碼和視頻處理加速，這與字節以短視頻為核心的業務結構高度契合；DPU則主要面向數據中心網絡與存儲加速，是云計算基礎設施的重要組件。

與此同時，字節也在探索更通用的計算芯片。相關人士透露，其AI芯片已經迭代至第三代產品，早期版本主要針對特定服務器場景設計，并未采用CUDA架構，而新一代產品則預計做CUDA架構。

在組織層面，字節在芯片領域的投入規模也不小。

據《金融時報》披露，字節跳動2026年計劃投入AI領域的資金高達1600億元，其中850億元將專項用于AI處理器的采購與研發。

不過，從整體技術路線來看，字節目前的自研芯片仍然主要集中在推理側和特定業務場景。在訓練芯片領域，公司依然高度依賴外部供應商。

02

GPU生態的現實壁壘：字節跳動為何仍然大量外采

在大模型時代，訓練算力的需求遠遠超過傳統互聯網應用，這也是字節仍然大量依賴第三方芯片的主要原因。

當前全球AI訓練算力市場幾乎被英偉達所主導。

其H100 GPU等已經成為大型語言模型訓練的核心硬件平臺，而CUDA軟件生態則進一步強化了這一優勢。

H100 Tensor Core GPU提供3958 teraFLOPS的AI性能，更重要的是，它無需修改即可運行整個PyTorch和TensorFlow協議棧。

包括OpenAI、微軟和Meta在內的AI機構，都在大規模使用NVIDIA GPU進行模型訓練。

字節跳動同樣是全球GPU算力的重要采購方，隨著推薦算法、搜索系統以及生成式AI模型規模不斷擴大，公司對高性能計算資源的需求持續增長。其云計算業務火山引擎近年來持續擴建AI算力基礎設施，以支持模型訓練和推理服務。

除了NVIDIA之外，多家芯片廠商也在試圖挑戰GPU市場格局，并在AI訓練與推理市場展開競爭。

其中，AMD近年來在數據中心AI芯片領域加速追趕。

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

MI300系列被視為AMD在AI時代最重要的產品，目標直指NVIDIA的H100市場。

與此同時，英特爾則通過Gaudi系列AI加速器切入這一市場。

Gaudi2與Gaudi3芯片強調成本效率，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比的替代方案。與傳統GPU相比，Gaudi架構更加針對深度學習訓練場景進行優化。

圖源：騰訊新聞

在中國市場，AI算力芯片競爭同樣日趨激烈。

華為推出昇騰系列AI處理器，其中昇騰910被廣泛應用于國產AI訓練平臺。根據新浪財經，業界估測910C在FP16精度下的單卡算力能達到800 TFLOPS左右，大概是英偉達H100 芯片（2022年推出）的80%。

寒武紀則推出思元系列AI芯片，主要面向云端推理與訓練服務器市場，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，進入生成式AI算力供應鏈。

與此同時，多家創業公司也在布局AI算力賽道。

壁仞科技推出BR100等GPU產品，試圖在通用AI計算領域挑戰傳統GPU架構；燧原科技則開發邃思系列AI芯片，重點面向數據中心訓練與推理市場。

在這一競爭格局下，全球AI芯片市場逐漸形成多條技術路線：既有NVIDIA主導的CUDA GPU生態，也有AMD、Intel等廠商推動的替代方案，同時中國廠商則試圖構建本土AI算力體系。

不過，與這些芯片廠商不同，字節自研芯片并不追求通用市場，而是更多服務于內部業務。

這種模式意味著字節不必從一開始就挑戰NVIDIA的生態體系，而可以在推理和特定場景中逐步積累技術能力。

因此，在未來相當長一段時間內，“訓練依賴GPU、推理逐步自研”很可能仍然是字節跳動的主要算力策略。

03

全球互聯網公司造芯潮：字節跳動處在什么位置

字節跳動并不是唯一嘗試自研芯片的互聯網公司。

事實上，過去十多年間，隨著云計算與人工智能的發展，全球大型科技公司幾乎都在布局自研AI芯片，希望在關鍵算力資源上獲得更多控制權。

最早進行這一嘗試的是谷歌。早在2016年，谷歌就推出了專門用于機器學習任務的TPU（Tensor Processing Unit），并持續迭代至TPU v4、TPU v5等多個版本。

TPU是谷歌為加速機器學習任務而設計的專用集成電路（ASIC），TPU的成功不僅顯著降低了其內部AI計算成本，也證明互聯網公司完全有能力在特定場景設計高性能AI芯片。

隨后，亞馬遜也在其云計算平臺AWS中推出了多款自研AI芯片。

其中Inferentia主要面向機器學習推理任務，而Trainium則面向大規模生成式AI模型訓練與推理。這些芯片被廣泛部署在AWS云服務器中，以降低AI計算成本并提升平臺競爭力。

在中國市場，互聯網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體推出含光系列AI芯片，其中含光800曾被應用于阿里云數據中心的視頻處理與推薦系統中。

通過自研芯片，阿里希望在電商搜索及云計算AI服務等業務中降低算力成本。

從全球經驗來看，互聯網公司造芯往往并非只是為了成為傳統意義上的半導體廠商，而是為了優化自身核心業務的算力結構。

隨著AI模型規模持續擴大，算力成本逐漸成為平臺運營的重要變量，通過自研芯片，互聯網公司可以在部分場景中降低成本，同時減少對外部供應商的依賴。

但與此同時，芯片產業本身具有極高技術門檻，從架構設計到制造工藝，再到軟件生態建設，每一個環節都需要長期積累。

因此，從全球范圍來看，互聯網公司自研芯片往往與第三方芯片廠商形成互補關系：通用訓練芯片依賴成熟供應商，而特定場景則通過定制芯片實現效率優化。

對于字節跳動而言，這種模式或許也是最現實的路徑。

04

尾聲

芯片從來不僅是簡單的硬件采購問題，更象征了算力主權與產業話語權。

字節跳動選擇在自研與外采之間尋找平衡，本質上是一種風險分散與能力積累的策略。

當AI模型規模繼續膨脹，算力成為真正的生產資料，誰能在生態鎖定與自主可控之間找到最佳區間，誰就可能掌握未來主動權。

字節的芯片棋局遠未落子成局，真正的拐點，也許會在下一代架構成熟時顯現。