一个短语说透了一个时代
WSJ 用了两个字：Jensen jail。
Jensen，是 Nvidia CEO 黄仁勋的名字；jail，是监狱。翻译过来就是：黄仁勋的牢笼。
这不是玩笑，也不是批评。它是一种结构性现实的精准描述——部分新兴 AI 算力云厂商（neo-clouds，如 CoreWeave、Lambda、Nebius 等）正私下承认：他们不敢停止购买 Nvidia 的全栈产品，因为一旦偏离，可能失去未来 GPU 的配额，被"关进"Nvidia 的生态牢笼。
Bessemer Venture Partners 合伙人 Adam Fisher 说得很直白："有些 neo-clouds 很渴望替代方案，但无法从其他供应商那里得到，于是只能继续往里走。"
这是 2026 年 AI 基础设施战争里最核心的权力博弈，也是 Google 砸数百亿美元联合黑石发起 TPU 反击的根本动因。
三把锁：Nvidia 怎么把供应链变成了权力
Nvidia 的护城河远不止一张 GPU 产品表。它是三把锁叠在一起的结构。
第一把锁：GPU 稀缺与分配权
Blackwell 一代的 GPU 供不应求是公开的事实。在稀缺环境下，谁能决定谁先拿到货，谁就掌握了筹码。Nvidia 倾向于优先供给"全栈采购"的客户——不只买 GPU，还要买 NVLink 网络、DGX 系统、NeMo 软件栈。
Jensen Huang 在公开场合说得既坦诚又精明："买 Nvidia 全家桶让我最开心，但只买一部分也让我非常开心。"听起来是好说话，但背后的意思是：全栈客户排在前面。
第二把锁：CUDA 护城河
这是最难打破的一把锁。全球超过 400 万开发者的代码、几乎所有主流 AI 框架（PyTorch、TensorFlow 的底层优化）、数以千计的预训练模型和推理库——全都在 CUDA 之上构建。
不是说切换不了，而是切换代价极高。你需要重新优化内核、测试算子精度、跑通整套 MLOps 流程。即使 PyTorch 等上层框架提供了抽象，底层的精细调优仍然需要与 CUDA 深度绑定。
第三把锁：全栈融资关系
这是最隐蔽也最有力的一把锁。Nvidia 参与了多家 neo-clouds 的融资——既是硬件供应商，又是投资方。这种"循环融资"结构（circular financing）让双方的利益深度绑定：云厂商用融资买 Nvidia 的 GPU，再把 GPU 租给 AI 公司，收入再还贷款。一旦断开，融资关系也可能跟着断。
三把锁叠在一起，形成的不是普通的市场垄断，而是一套生态系统级的锁定。用经济学的语言说，切换成本已经高到让理性客户不愿意轻易尝试。
Google 的反击：用同样的武器，复制同样的 playbook
Google 没有试图从软件层面攻克 CUDA。它选择了一条更直接的路：复制 Nvidia 的 playbook，但用 TPU 替换 GPU，用 Google Cloud 替换 CUDA 生态。
具体分三步。
第一步：用巨额担保替代 Nvidia 的配额杠杆
Nvidia 控制 GPU 分配，Google 用资金担保来替代这种控制。
逻辑与 Nvidia 的循环融资完全对称：Google 用担保帮数据中心融资建厂，数据中心买 TPU，Google 再把 TPU 算力卖给 Anthropic 等 AI 公司。钱的流向锁定了硬件的流向。
第二步：联合黑石，打造独立 TPU 云
2026 年 5 月，Google 与 Blackstone 宣布联合 venture，黑石初始投入 50 亿美元股权，加杠杆后总规模可达 250 亿美元级别，打造一家独立的美国 TPU 算力公司，直接与 CoreWeave（Nvidia 系）、Nebius 竞争。
这一步的战略意义在于：它把 TPU 从"必须通过 Google Cloud 才能用"，变成了一个独立可采购的算力选项。换句话说，Google 在用黑石的体量和品牌，给 TPU 生态系统建立了一个独立的渠道——就像 CoreWeave 是 Nvidia GPU 的独立分销商一样。目标是 2027 年上线 500MW 容量。
第三步：让 Anthropic 做双栖示范
Anthropic 是这场博弈里最典型的"双栖物种"。它同时使用 Nvidia GPU（在 AWS 和 Google Cloud 上）、Google TPU（计划获取最多 100 万块 TPU，吉瓦级容量）和 AWS Trainium，根据不同模型和训练/推理阶段选择最优硬件。
Anthropic 的策略不是"反 Nvidia"，而是工作负载驱动的硬件选择——训练大模型可能还是 Nvidia GPU 更成熟，但特定推理任务用 TPU 可以在成本和速度上做出显著优化。它的存在，是对其他 AI 公司最有力的背书：多元化是可行的，不是只能嘴上说说。
最硬的证据：Citadel 用绩效数字说话
光有战略和担保还不够，最终说服市场的是真实绩效。
Citadel Securities（全球最大做市商之一，日均交易额数十亿美元）告诉 WSJ：他们已经在 Google Cloud 的 TPU（Ironwood 等新一代产品）上运行关键工作负载，结果是：
这个案例的含金量在哪里？在于 Citadel 是量化金融领域对延迟和精度要求最苛刻的机构之一。如果连他们都能在 TPU 上跑出这样的结果，说明 TPU 并不是只适合特定 Google 内部场景的"玩具"。它在真实的高强度生产环境中，已经证明了性价比。
当然，值得注意的是：推理和量化模拟类工作负载，是 TPU 最擅长的场景——它们的计算模式规整、矩阵乘法密集，正好匹配 TPU 的硬件设计。大模型训练仍然高度依赖 Nvidia 的 GPU 生态成熟度。Citadel 的案例是真实的，但不能无限外推。
这场战争会怎么打：三个时间维度的推断
短期（现在—2027）：Nvidia 仍然主导，但裂缝在加深
Blackwell/Rubin 系列需求旺盛，Nvidia 全栈销售占比仍在上升。"Jensen jail"不会在一两年内瓦解——CUDA 生态的迁移成本不是钱能解决的，是开发者习惯和代码库积累的问题。
但裂缝正在加深的标志是：越来越多的大型终端客户（Anthropic、Citadel）在公开场合讨论并践行多元化。这会让更多中小 AI 公司获得"跟随大客户走"的心理许可。
中期（2027—2030）：推理市场可能是第一个真正分流的战场
训练大模型，Nvidia GPU 的成熟度优势短期难以被超越。但推理阶段的情况不同：推理任务计算模式更规整、对 CUDA 的依赖更低、切换成本更小。
随着 AI 应用从"训练竞赛"转向"推理规模化"，TPU 和 Amazon Trainium 等定制 ASIC 的市场份额会首先在推理侧侵蚀 Nvidia。"训练用 Nvidia GPU，推理用专用 ASIC" 可能成为主流架构。
长期（2030+）：生态碎片化，工作负载优化成为标配
长期来看，AI 算力市场不会走向"Nvidia 一家通吃"，也不会走向"完全碎片化"。更可能的是：头部 AI 公司按工作负载类型，在多套硬件生态之间动态分配计算任务——就像今天企业按业务类型选择不同数据库引擎一样。
在这个未来里，Nvidia 的 CUDA 护城河最难被攻克，但也最需要持续维护；Google TPU 会在特定场景建立真实优势；Blackstone TPU 云和各类定制 ASIC 会在价格竞争维度持续施压。真正输掉的，是那些既没有软件护城河、又没有成本优势的"中间地带"玩家。
傻狗的视角：这场博弈的本质是什么
有一个容易被忽视的细节：Google 对抗 Nvidia 用的武器，是和 Nvidia 完全相同的武器——垂直整合、融资杠杆、生态绑定。Google 没有去颠覆 Nvidia 的商业模式，而是复制它，然后用更雄厚的资产负债表去"卷"它。
这意味着什么？AI 算力市场的本质竞争，已经不只是芯片性能比拼，而是谁能用融资、供给控制和生态建设，在客户侧构建最深的路径依赖。这是一场资本密度极高的战争，普通芯片公司很难参与，门票是"数百亿美元"级别的承诺。
"Jensen jail"是一个结果，不是一个阴谋。Nvidia 没有设计一个"关押"客户的陷阱，而是在为全球 AI 产业提供算力基础设施的过程中，自然形成了这种结构性权力。Google 正在做的，是用同样的路径，给客户提供一个"备用牢笼"——虽然名义上叫"选择"。
最终受益的，是那些足够大、足够聪明、能在两个生态之间打算盘的 AI 公司。最终受损的，是那些太小、没有谈判筹码、只能被动接受条款的中小算力消费方。
Citadel 的 30% 成本优势和 4 倍速度，是一个信号弹。它告诉市场：门已经开了，进不进去是你的选择。