Nvidia 支持 MediaTek 推进 XPU，将 GPU 威胁转化为 NVLink 客户

Nvidia 投资了 MediaTek 新一轮可转换债券发行中近 90% 的份额，同时将这家芯片设计商更深地纳入其 XPU 基础设施战略。双方于 2026 年 8 月 31 日宣布扩大合作关系。这是 Nvidia 据报道在美国以外进行的最大一笔直接投资。

这项投资之所以重要，是因为 MediaTek 正在开发云服务提供商用以降低对通用 GPU 依赖的定制加速器。Nvidia 并不试图阻止这一趋势，而是让这些竞争性处理器更容易部署在围绕 Nvidia 网络、内存、软件和机架设计构建的基础设施中。

这改变了竞争问题的核心。Nvidia 不再需要让所有重要的 AI 工作负载完全运行在 Nvidia GPU 上。当 MediaTek 设计的加速器通过 Nvidia 的 NVLink 架构连接时，Nvidia 同样能够获益。Broadcom、Marvell 和超大规模云服务商的芯片团队，如今面对的是一家获得 Nvidia 技术、资本和部署渠道支持的竞争对手。

Nvidia 与 MediaTek 将 XPU 开发纳入 NVLink 系统

该协议让 MediaTek 成为希望获得定制计算能力、却不想从零设计整套 AI 机架的客户更完整的选择。

MediaTek 将为定制 AI 加速器采用 Nvidia 的 NVLink Fusion 平台。Nvidia 将 XPU 描述为一种面向客户需求的专用处理器，其中可包含 CPU、GPU 或其他专用计算引擎。

双方的目标客户包括超大规模云服务商、云服务提供商和前沿模型开发者。这些客户可要求 MediaTek 围绕特定工作负载、性能目标、内存配置或功耗限制设计芯片。

然而，单一处理器并不能构成可部署的 AI 系统。开发者必须将其连接至高带宽内存、网络、CPU、封装、散热和管理软件，随后还要在机架层面对这些组件进行验证。

根据双方联合发布的 MediaTek 合作公告，NVLink Fusion 为这项工作提供了预先构建并经过预验证的基础。MediaTek 可定制计算引擎，同时复用其周边已验证的组件。

NVLink Fusion 包含一个芯粒，可将加速器连接至 Nvidia 的纵向扩展互连网络。纵向扩展网络将处理器连接在一个大型计算域内，使其能够协同处理超出单颗芯片容量的工作负载。

该平台还包括 NVLink-C2C，这是一种面向近距离封装处理器的缓存一致性连接。Nvidia 的 NVHBM 技术则提供可定制的内存接口，面向未来的高带宽内存系统。

这些组件将 Nvidia 的角色扩展到加速器销售之外。Nvidia 可以为由其他公司设计的加速器提供周边连接能力。

MediaTek 带来了 Nvidia 云客户日益需要的能力，包括定制芯片设计、高效系统级芯片、先进封装、连接技术和高速接口。

扩大后的合作关系不止覆盖数据中心。Nvidia 和 MediaTek 还计划开发未来几代 RTX Spark 和 DGX Spark 处理器，并将合作延伸至汽车计算和本地 AI 设备。

双方此前已围绕用于 DGX Spark 的 GB10 Grace Blackwell Superchip 展开合作。这一历史降低了部分集成风险，但并不能保证大型定制加速器项目一定成功。

MediaTek 还发行了支持该交易的海外可转换债券。可转换债券最初属于债务工具，但可在特定条件下转为股权。这一结构使 Nvidia 获得了可观的经济敞口，而无需立即完成传统收购。

据 债券发行详情，此次发行是台湾公司规模最大的海外可转换债券发行，Alphabet 和国际机构也参与其中。

因此，这项投资将融资与一项范围异常广泛的技术协议结合起来。MediaTek 获得了资本以及与 Nvidia 基础设施更紧密的合作机会；Nvidia 则在服务于寻求 Nvidia GPU 替代方案客户的供应商体系中获得更强地位。

这种关系构成了核心张力。定制芯片本应降低对标准化通用处理器的依赖，而 MediaTek 的新路径可以实现这一点，同时也可能加深系统其他环节对 Nvidia 的依赖。

Nvidia 为何现在支持定制芯片趋势

Nvidia 将定制加速器视为基础设施机遇，因为无论是否获得 Nvidia 支持，超大规模云服务商都会继续开发此类产品。

大型云公司以极大规模运行重复性工作负载。围绕一种稳定工作负载设计的处理器，可以去除客户并不需要的硬件，也能优化内存数据移动、功耗和推理吞吐量。

GPU 在灵活性方面仍具重要优势。开发者可将同一种可编程架构用于训练、推理、模拟、图形处理和新兴模型。当工作负载变化速度快于硬件开发周期时，这种灵活性尤其重要。

定制加速器则采取了不同的权衡方式。它们牺牲部分通用性，以换取对特定任务集合更严格的控制。当工作负载保持稳定并在大规模集群中运行时，其经济性会更具吸引力。

Google 的 Tensor Processing Units 奠定了最知名的先例。Amazon 随后推出 Trainium 和 Inferentia，Microsoft 则开发了 Maia。Meta 也为推荐和 AI 推理工作负载建立了自己的加速器项目。

这些处理器并不会取代 GPU 采购。云服务提供商可以将定制芯片部署于可预测的内部需求，同时将 GPU 保留给灵活、实验性或对性能敏感的工作负载。

对 Nvidia 的压力来自需求结构的变化。每当已部署的模型响应请求、进行内容排序、生成媒体或运行智能体时，推理都会执行。成功的服务可能产生海量重复性推理工作。

即使无法在所有任务上替代 GPU，为这些模式优化的加速器也可能具备经济吸引力。随着支出从训练集群转向持续性的生产推理，Nvidia 必须捍卫自身地位。

行业研究机构已在追踪这一变化。TrendForce 预计，主要云服务提供商将在持续采购 Nvidia 系统的同时增加定制加速器部署。其 云服务投资展望指出，Google TPU 和 Amazon Trainium 的产品路线图正在推进。

Nvidia 于 2025 年 5 月推出 NVLink Fusion，以应对这一转变。最初的合作伙伴包括 MediaTek、Marvell、Alchip、Astera Labs、Synopsys 和 Cadence；Fujitsu 和 Qualcomm 则从处理器层面加入。

该平台向非 Nvidia 芯片开放了 Nvidia 互连系统的部分能力。客户可将专用处理器与 Nvidia GPU 结合，或构建能够融入 Nvidia 互连机架的加速器。

这一决定重新定义了定制芯片。Nvidia 不再将每一种专用芯片都视为一笔流失的 GPU 销售，而是将 NVLink 定位为异构处理器之间共享的基础设施。

异构计算将不同任务分配给不同类型的处理器。一个系统可能使用 CPU 进行编排、GPU 处理灵活的并行工作，而定制加速器则承担重复性的模型运算。

MediaTek 现在为 Nvidia 提供了这一模式下更重要的设计合作伙伴。这家台湾公司能够在芯片层面与客户合作，再将其设计连接至 Nvidia 的机架架构。

支持定制芯片还为 Nvidia 带来另一项好处：它可以降低客户在处理器之外另行开发替代性互连、交换机、内存系统和软件层的动力。

采用 NVLink Fusion 的超大规模云服务商仍能获得定制计算引擎，但周边架构仍与 Nvidia 的路线图保持一致。

这一时机也反映出定制芯片供应商之间的竞争。Broadcom 与超大规模云服务商关系深厚，而 Marvell 则不断扩大其在云端加速器和连接技术领域的布局。

MediaTek 历来以智能手机芯片闻名。其在计算、连接和电源管理整合方面的经验，如今正支持其向数据中心芯片领域扩张。

Nvidia 的投资加快了这一扩张，也表明 MediaTek 并非以孤立的设计承包商身份进入市场，而是带着接入广泛部署的 AI 基础设施平台的能力进入这一领域。

XPU 押注将 GPU 对手变为 NVLink 客户

Nvidia 的转向具有战略意义：该公司接受处理器层面的竞争，以保护其在系统层面的地位。

在 AI 热潮的大部分时期，Nvidia 的优势似乎始于 GPU。其软件、网络和系统让 GPU 更具价值，但加速器始终是销售的核心。

定制芯片直接挑战了这一模式。设计加速器的云服务提供商可以自主选择重要的指令、内存路径和数值格式，并移除无法支持目标工作负载的功能。

MediaTek 帮助客户打造这些替代方案。其中一些处理器将争夺原本可能运行在 Nvidia 硬件上的任务。

但如果该芯片使用 NVLink Fusion 芯粒、连接 Nvidia CPU，或进入兼容 Nvidia 的机架，Nvidia 仍可获益。该公司将部分防御重点从芯片排他性转向架构参与度。

这类似于平台提供商支持与自身软件竞争的外部应用。提供商放弃对某一层的完全控制，同时强化底层平台的重要性。

Nvidia 的 NVLink Fusion 发布公告将半定制基础设施描述为目标。客户无需重建每一个支撑组件，即可实现处理器差异化。

这可以缩短开发周期，因为客户可从经过验证的连接能力和系统组件开始；同时也能减少必须同步解决的技术变量数量。

一个定制加速器项目通常涵盖架构、验证、物理设计、封装、内存、固件、编译器、网络、制造和机架集成。任一层面出现问题，都可能延迟部署。

MediaTek 可管理其中若干层面，Nvidia 则提供或验证其他部分。双方的组合方案旨在让定制芯片不再仅限于少数拥有成熟内部硬件团队的公司。

这一机制也会形成转换成本。围绕 Nvidia 的互连、内存接口和机架假设设计的处理器，无法自动迁移至另一套基础设施栈。

客户仍拥有差异化的计算逻辑，但迁移这些逻辑可能需要重新验证、调整封装决策、开展网络工作并修改软件。

这正是该协议对 Broadcom 和 Marvell 施加的压力不同于普通芯片发布的原因。MediaTek 并非在展示一款供客户购买的成品加速器，而是在提供一条与 Nvidia 系统架构绑定的开发路径。

Broadcom 已建立起定制芯片合作关系，并拥有深厚的网络技术专长。Marvell 则将加速器设计与互连及数据中心组件相结合。两者都可以主张采用替代架构，或突出自身的集成优势。

MediaTek 可以以与 Nvidia 的兼容性作为回应。对于已经采购 Nvidia 机架的客户而言，这可能降低其感知到的部署风险。

这一安排也给希望获得完整架构独立性的超大规模云厂商带来压力。NVLink Fusion 提供了一条更快的路径，但接受它也意味着 Nvidia 将继续影响重要的系统接口。

因此，客户必须界定独立性的含义。拥有加速器设计并不必然意味着掌控完整的计算平台。

这一差异同样影响企业买家。大多数企业不会自行开发定制处理器，但会通过云服务和托管 AI 平台使用这些架构。

其模型可能会在多种处理器类型上运行。性能、可用性、软件可移植性和数据移动将比印在某一颗加速器上的标识更重要。

开发者应预期，软件抽象层将成为竞争边界。如果重要模型、算子和开发框架无法高效使用，一颗定制芯片的价值便会受到限制。

Nvidia 凭借成熟的软件环境进入这场竞争。MediaTek 面临的挑战是：在不失去主流 GPU 平台所具备开发便利性的前提下，实现面向客户定制的计算能力。

如果合作成功，XPU 的采用并不代表与 Nvidia 的彻底切割，而是 Nvidia 互联系统内部价值的重新分配。

更快的集成并不保证更好的经济效益

该合作关系降低了工程不确定性，但并不能证明每一款定制加速器都足以证明其设计和运营成本的合理性。

定制芯片的故事往往始于效率。围绕明确工作负载打造的芯片，能够比通用处理器更有针对性地使用晶体管。这一优势确实存在，但它取决于具体条件。

客户需要拥有足够稳定的需求，才能收回设计、验证和部署工作所投入的成本。工作负载还必须在处理器经历多年开发周期的过程中保持相关性。

模型架构可能在此期间发生变化。针对某种注意力模式、数据类型或内存配置优化的设计，未必能同样适配下一代模型。

软件带来了另一项风险。新算子必须能够正确且高效地运行。调试工具、编译器、可观测性系统和调度软件都必须达到生产级质量。

一款处理器可能在选定基准测试中看似具有竞争力，却在真实应用中表现不佳。生产系统还要面对网络延迟、内存瓶颈、利用率缺口、故障以及不断变化的请求模式。

近期的加速器研究进一步印证了这一权衡。一篇 2026 年的 AI 硬件架构综述发现，没有任何单一架构能在灵活性、效率、内存行为和可扩展性方面全面领先。

该综述将 GPU 描述为训练场景中灵活的默认选择，并指出，当稳定工作负载以足够规模部署时，领域专用加速器会更具吸引力。

MediaTek 和 Nvidia 无法消除这一门槛。它们可以降低围绕处理器开发的复杂度，但客户仍需要拥有能够从专用化中获益的工作负载。

融资安排带来了第二层不确定性。大额投资传递出承诺信号，但并未披露客户订单、生产时间表或已部署容量。

两家公司未在公告中披露具体的 XPU 客户，也未公布已完成客户加速器在性能、功耗或运营成本方面的对比结果。

因此，其技术主张应被视为一项开发计划，而非证明 MediaTek 设计的处理器已取代 GPU 或竞争性定制芯片的证据。

NVLink 集成也带来战略问题。客户寻求差异化芯片，部分原因是希望对供应商、成本和产品路线图拥有更大的控制权。

围绕 Nvidia 接口构建该处理器，可能会降低基础设施层面的独立性。客户或许能节省开发时间，但仍会维持对 Nvidia 控制技术的集中依赖。

Nvidia 则必须应对相反的担忧。其合作伙伴和投资者需要相信，定制处理器将扩展整体平台，而非迅速侵蚀高端 GPU 的需求。

更可能出现的结果是工作负载分层，而非立即替代。GPU 将处理不断变化的工作负载和广泛的软件需求；定制加速器则会面向具有可衡量规模的重复性任务。

即便如此，边界仍会移动。Nvidia 可以为推理优化未来的 GPU，而定制处理器也可以变得更具可编程性。软件框架同样能够让硬件切换更加容易。

制造产能增加了另一项约束。GPU、XPU、网络芯片和先进 CPU 都依赖于前沿制程、封装和高带宽内存的重叠供应。

如果封装产能或内存供应延迟部署，新设计便无法创造价值。MediaTek 的供应链经验有所帮助，但无法消除全行业的瓶颈。

监管风险同样依然重要。AI 处理器及相关技术可能受到不断变化的出口管制影响。客户的部署市场可能影响哪些设计、性能级别或组件仍可获得。

因此，这项合作既不应被简单背书，也不应被轻易否定。Nvidia 和 MediaTek 已组合出可信的技术要素，但其经济性仍须逐一由客户加以验证。

MediaTek 获得更高地位，但 Broadcom 和 Marvell 仍保有优势

Nvidia 的支持提升了 MediaTek 在定制 AI 芯片领域的地位，但成熟竞争对手仍保有客户关系和集成经验。

MediaTek 凭借丰富的系统知识进入这场竞争。其消费级处理器在严格限制下整合了 CPU、图形、连接、媒体引擎、内存控制器和电源管理。

这些能力可以迁移到数据中心设计。AI 系统日益依赖于计算、内存、网络和存储之间的高效数据移动。单纯的原始算力并不能决定有效吞吐量。

MediaTek 还可以连接 Nvidia 路线图的多个部分。其业务覆盖云加速器、本地 AI 系统、个人电脑和软件定义汽车。

这一覆盖范围支持 Nvidia 将单一计算架构从大型机架扩展至更小型设备的目标，也让 MediaTek 有机会在多个市场复用知识产权。

不过，超大规模云厂商芯片并不只是更大的移动芯片。云客户需要较长的验证周期、可预测的供应、成熟的软件、集群管理以及细致的可靠性工程。

Broadcom 长期以来一直为大型基础设施客户打造复杂定制处理器和网络产品。其地位部分建立在跨越多代硬件发展的客户关系之上。

Marvell 将定制计算项目与连接、交换和光学技术相结合。随着 AI 集群超出单个机架的规模，这些组件变得愈发重要。

Nvidia 此前已将两家公司纳入 NVLink Fusion 合作伙伴网络。新的 MediaTek 协议并未让 MediaTek 成为进入 Nvidia 互联定制芯片领域的唯一途径。

相反，Nvidia 似乎正在培育多家合作伙伴。这一策略既为客户提供设计选择，也增加了定制处理器采用 Nvidia 接口的可能性。

MediaTek 获得的融资为其带来了比普通合作伙伴身份更强的信号。这项投资表明规划周期更长，并会在多代产品间开展更紧密的协调。

不过，客户将评估执行能力。他们会比较进度安排、工程支持、知识产权条款、供应承诺，以及整合第三方技术的自由度。

一些买家会优先考虑与 Nvidia 基础设施的兼容性。另一些买家则会偏好开放或内部控制的互连方式，以降低对单一平台所有者的依赖。

这一差异比简单的 MediaTek 对 Broadcom 竞争更清晰地界定了竞争格局。更深层的选择，是在 Nvidia 架构内部实现加速部署，还是获得对整个技术栈更大的控制权。

Nvidia 正押注于许多客户会选择速度和兼容性。它可以援引现有软件、网络和机架级部署经验。

竞争对手则可以主张，定制芯片应提供更广泛的独立性。他们还可以支持基于以太网的系统或替代性横向扩展技术，以避开 Nvidia 专有接口。

MediaTek 必须证明，与 Nvidia 的关系不会阻碍有意义的客户差异化。如果每个成果都类似于同一参考平台，设计服务的吸引力就会下降。

与此同时，过多的变化也可能抹去 NVLink Fusion 所承诺的开发优势。MediaTek 必须在定制化与可重复的工程能力之间取得平衡。

该公司的最佳定位或许介于完全专有的超大规模云厂商项目和标准商用 GPU 之间。它可以提供量身定制的计算能力，而无需客户建立完整的半导体组织。

这一中间地带在商业上颇具吸引力，但也十分拥挤。每一家主要定制芯片供应商都希望将可复用技术与客户专属逻辑结合起来。

Nvidia 的支持为 MediaTek 带来关注和技术接入。持续获得客户订单将决定它能否成为领先的云端设计合作伙伴，还是仅作为庞大生态系统中的一个选项。

三项信号将显示 Nvidia 的战略是否奏效

客户披露、量产证据和竞争对手回应将决定这项协议是否改变 AI 基础设施，还是仅停留在战略框架层面。

第一项信号是，是否有具名的云服务商或模型开发商承诺采用由 MediaTek 设计的加速器。公开客户将证明需求不止于两家合作伙伴的内部路线图。

最有力的证据将包括部署时间表和明确的工作负载。训练、推理、推荐和数据处理提出不同要求，因此预期用途至关重要。

客户承诺将加强 Nvidia 的论点：当买家选择非 Nvidia 计算方案时，NVLink 仍能保持核心地位。若持续沉默，其商业覆盖范围仍将不明朗。

第二项信号是量产验证。投资者和企业买家应关注已完成的芯片、系统认证、软件支持，以及在 NVLink 互联机架内的部署。

仅凭基准测试主张无法解决问题。有价值的证据必须涵盖应用性能、利用率、能源需求、可靠性和迁移工作量。

量产证据将显示 Nvidia 的预验证组件是否确实大幅缩短了开发周期。若出现延误，则表明即使拥有共享的系统基础，定制芯片仍然难以实现。

第三项信号是 Broadcom、Marvell、超大规模云厂商和竞争性互连阵营的回应。它们可以通过客户公告、扩展设计服务或替代性的横向扩展架构作出回应。

强劲的进展未必会削弱 MediaTek。它反而可能确认，定制 AI 处理器正成为基础设施支出的更大组成部分。

然而，非 NVLink 系统若被广泛采用，将对 Nvidia 的平台战略构成挑战。Nvidia 需要确保其互连技术和机架架构在各种处理器选择中持续具备吸引力。

开发者也应关注软件可移植性。框架支持将决定工作负载能否在 GPU、MediaTek 设计的处理器、TPU 及其他加速器之间迁移，而无需进行大规模重写。

企业买家应向云服务商明确询问可移植性的边界。模型可能采用标准框架，却依赖供应商专有的内核、编译器或网络行为。

知识工作者将间接受到这一变化的影响。更优的基础设施经济性可以支持更快的响应、更大的工作负载和更广泛的访问。不过，基础设施集中化也可能影响服务可用性和供应商选择。

因此，这项宣布并非宣告 XPU 已击败 GPU，而是 Nvidia 试图确保无论采用哪种处理器，都能扩展同一套基础设施平台。

MediaTek 如今拥有资本、技术准入，以及进入机架级 AI 系统的更清晰路径。Nvidia 则获得了对部分为降低对 Nvidia 硬件依赖而设计的处理器施加影响力的机会。

这才是值得关注的逆转。定制芯片趋势仍在挑战 Nvidia 的加速器地位，但 Nvidia 正努力掌控其周边的连接层。

未来几个月，请关注是否出现具名客户、通过认证的量产硬件，以及可量化的竞争对手回应。这些信号将揭示 Nvidia 是否已将威胁转化为持久的平台优势。