" 黄仁勋这 200 亿美元，买的其实就是 Jonathan Ross 这个人  ，押注在此英伟达未来可能会赚回三倍的钱，所以 200 亿美元实在不算贵。"某投资人近日向雷峰网透露。

2025 年 12 月 24 日，英伟达以其史上最大规模交易额 200 亿美金，将推理芯片独角兽 Groq 的核心技术与团队收入麾下。Groq 创始人、谷歌 TPU 初代核心开发者 Jonathan Ross 带队加盟英伟达，其独创的 LPU 芯片技术将融入英伟达 AI Factory 架构。

当下 AI 行业正从 " 规模竞赛期 " 转向 " 效率价值兑换期 "，推理侧需求大于训练侧需求已成为普遍共识。

面对推理市场的爆发式增长，Groq 的专属 LPU 芯片以 5-10 倍于 GPU 的速度优势，以及 1/10 的成本优势，成为异军突起的核心玩家，而黄仁勋最终还是选择了将这条搅动市场的鲶鱼收入囊中。

这究竟是招安潜在对手的缓兵之计，还是垄断推理市场的霸权布局？

重金收编的核心是什么？

2026 年 CES 大会期间，英伟达管理层在面向投资者的会议上强调，此次收购 Groq 不会对核心业务产生冲击，反而将为公司开辟全新的增长空间。 

而这桩被包装成 " 非独家技术授权 " 的交易，本质是硅谷近年流行的" 收购式招聘 "的升级版：用授权的名义实现 " 人才 + 技术 " 的双收。

瑞银分析师团队在研报中直言：" 这是一场没有收购之名的完全收购，英伟达用最小的监管风险，获得了最核心的战略资产。"

根据披露信息，英伟达所支付的 200 亿美元中，130 亿已即时到账，剩余款项中包含核心员工的股权激励，其中 Groq CEO Jonathan Ross 个人获得数亿美元英伟达股权。团队核心成员则几乎全员转入英伟达，芯片设计、编译器开发等核心资产也尽数归入英伟达体系。

" 黄仁勋这 200 亿美元买的其实就是 Jonathan Ross 这个人，因为 Jonathan Ross 是个非一般意义的天才。如果拿黄仁勋类比杰夫里辛顿（深度学习教父）的话，那 Jonathan Ross 就要类比伊利亚（OpenAI 联合创始人兼首席科学家）。" 苔藓花园播客主理人、资深私募投资人王韦华告诉雷峰网。

作为谷歌初代 TPU 的核心设计者，Jonathan Ross 早在 2016 年 Groq 成立时就已预判推理将成为规模化难题，并率先提出 " 推理市场规模终将远超训练 "。他提前洞悉到推理的核心需求是" 低延迟、高能效、低成本 "，而非计算密度。因此他摒弃了 GPU 架构改良思路，从零打造专为推理设计的 LPU 架构。

LPU 架构完全围绕 " 消除数据搬运延迟 " 展开，采用无外置内存、全片上 SRAM 作为主存的设计，片上带宽达 80TB/s，是 Blackwell B300 的 HBM 带宽 8TB/s 的 10 倍。

成本方面，Jonathan Ross 曾在福布斯独家专访中公开声明，"Groq LPU 在 LLM 推理速度快 10 倍同时，成本是 Nvidia GPU 的 1/10，功耗是 Nvidia GPU 的 1/10。"

这种集性能与成本优势于一身的提升，精准击中了英伟达在推理赛道的核心短板，也成为黄仁勋不惜斥资 200 亿果断出手的关键所在。

另一方面，回溯英伟达过往的并购布局便不难发现，这场交易也并非偶然。

2000 年，英伟达以 7000 万美元 +100 万股普通股收购了 3dfx 核心图形资产，奠定 GPU 领域统治基础；2013 年，收购了 HPC 编译器龙头 PGI，强化了 CUDA 生态在高性能计算领域的核心支撑；2019 年，以约 69 亿美元收购了 Mellanox，补全数据中心网络短板。

王韦华认为，"LPU 现在已经不是 0 亿美金市场了，但黄仁勋再次早于别人发现了 LPU 的重要性。英伟达现在收购 Groq，甚至比 2019 年收购 Mellanox 的重要性要更大，这一步直接让英伟达在推理端领先两三年。虽然在英伟达整个数据中心的建设里推理占比不大，但只要它在技术上保持领先就会产生巨大的杠杆效应。"

尽管 Groq 当前的市占率远未对英伟达构成直接威胁，但它掌握的可重构数据流架构，代表了 AI 推理的未来方向。英伟达此次用 200 亿美元 " 买断 " 这条技术路线，正是" 技术补位 + 生态垄断 "并购战略的延续。

而这种不计短期成本、锁定长期技术优势的大手笔操作，底气完全来自其充沛到近乎 " 过剩 " 的现金流。据英伟达最新财报，仅 2026 财年 Q3，英伟达的自由现金流便达到了 220.89 亿美元。

为什么是 Groq？

当下，全球仅有两个团队掌握 TPU 架构技术：谷歌与 Groq。

在此之前，谷歌凭借 TPU 训练出优质模型引发市场关注，导致英伟达股价受挫，此次收编补齐了其在 TPU 架构路线上的短板，在巩固行业地位的同时为其估值提供了重要支撑。

王韦华表示，" 英伟达这次押注 LPU 不单是为了对抗谷歌的 TPU，TPU 专注于矩阵运算，更多还是强调在训练方面的优势。LPU 其实跟 TPU 相比的话，更专注于推理这一块。以后在推理这块谁能省最多的电？谁能在速度上面最有优势？目前看最有可能的方向就是 LPU 了。"

作为谷歌 TPU 的核心缔造者，Jonathan Ross 深知 GPU 处理线性代数运算时的架构冗余，离开谷歌后他以第一性原理为核心，选择 SRAM 作为核心存储、通过编译器规划数据路径，打造低延迟 LPU 产品，其 TPU 开发经验直接决定了 Groq" 顺序延迟优先 " 的技术路线。从谷歌 TPU 的灵魂人物，到出走自立门户成立 Groq，过程中的势力角逐，欢迎添加作者微信   IHAVEAPLANB-   交流。

业内人士告诉雷峰网，TPU 架构的计算效率远超 GPU 的原因在于，GPU 需经历" 计算 - 传数据至存储 - 读写 - 再计算 "的循环，而 TPU 采用片上存储直接计算，省去了数据往返存储的环节，效率极高。

当 token 的吞吐量效率落地到用户体验层面，Jonathan Ross 表示，响应时间每缩短 100 毫秒，桌面端用户参与度就能提升 8%，移动端更是高达 34%。业界早已形成共识：当用户体验的响应时间控制在 250 到 300 毫秒以内时，商业收益才能最大化。

根据 Groq 官方信息，实测数据显示 Groq LPU 在运行 Llama 3.3 70B 模型时，token 生成速度达 284tokens/s，首 token 响应时间仅为 0.22s，运行混合专家（MoE）模型时更是突破 460 tokens/s。

图片来源：Groq 官网

这种极致性能让 Groq 斩获沙特王国 15 亿美元业务承诺资金，也让英伟达意识到，要统治推理市场需补齐这一短板。

英伟达此前推出的 H200、B300 等推理优化芯片，本质仍是基于 GPU 架构的改良，未能突破冯 · 诺依曼架构的先天局限，而谷歌 TPU、AMD MI300 等竞争对手，均在专用推理架构上持续发力。

更严峻的是，Meta、谷歌等大客户开始寻求算力供应多元化，Anthropic 甚至宣布接入 100 万个谷歌 TPU 构建计算集群。在此背景下，收购 Groq 成为英伟达快速抢占推理高地、留住核心客户的最优解。

" 英伟达真正擅长的是训练，在这一领域它是最出色的。英伟达既不提供高速的 token 处理服务，也没有低成本的 token 解决方案，这便是 Groq 要解决的问题。"

在被英伟达纳入麾下之前，Jonathan Ross 曾在播客中公开声明，英伟达与 Groq 并非竞争对手，二者的产品完全是不同维度的存在。然而事实果真如此吗？

某机构分析师张简告诉雷峰网：" 英伟达要忌惮的，是 Groq 代表的 " 去 GPU 化 " 技术路线可能引发的产业变革。英伟达的霸权建立在 "GPU+CUDA 生态 +HBM/CoWoS 稀缺产能 " 的三重护城河上，而 Groq 的技术路线恰恰绕开了这三大壁垒：可重构架构无需依赖 CUDA 生态，采用 GlobalFoundries 和三星代工，不占用台积电稀缺的 CoWoS 产能。"

" 一旦这条路线跑通，意味着 AI 芯片的生产门槛将大幅降低，其他设计公司无需依赖稀缺供应链就能大规模生产推理芯片。英伟达以 200 亿美元收编 Groq，意味着将这条潜在的颠覆路线握在自己手中，确保算力革命的主导权不旁落。"

推理市场变天？

" 为了成为一名心血管外科医生，你不可能花费一生 95% 的时间接受培训，真正手术的时间只占 5%。实际情况恰恰相反：你经过短暂培训，随后便会用余生持续实践这项技能。" 对于推理市场未来的演进趋势，Jonathan Ross 曾打过这么一个比方。

2025 年初 Deepseek 横空出世时，Jonathan Ross 将其称为 AI 行业的 " 斯普特尼克时刻 "；当下，推理市场也许将再次进入 " 斯普特尼克时刻 "。

据悉，在收购 Groq 后英伟达会将 LPU 作为专用的 DAC 硬件单元嵌入到 CUDA 生态系统中，以此保持 CUDA 编程的通用性。短期内，英伟达会通过 NVFusion 快速集成 LPU；长期来看，则会在底层架构和编译器层面实现协同设计，从而满足性能场景下的高性能需求。

由于推理场景和训练场景存在显著差异，无法通过单一架构解决所有问题，不同推理场景对大模型的工作负载要求各异，所以推理芯片架构将呈现多样化，需要针对细分场景进行优化。

业内人士爆料，英伟达下一代 Feynman GPU 或将于 2028 年集成 Groq 的 LPU 单元，采用类似 AMD X3D 方案的独立芯片堆叠设计，即利用台积电的 SoIC 混合键技术将 3D V-Cache 芯片集成到主计算芯片上。

可能搭载 LPU 单元的 Feynman 芯片，图片来源：Wccftech

考虑到 SRAM 的扩展性有限，将其作为单元芯片集成到 Feynman GPU 中可能并非明智之举，因为在先进制程上构建 SRAM 将导致高端硅片的浪费，并大幅增加每片晶圆面积的使用成本，因此英伟达很可能会将 LPU 单元堆叠到 Feynman 芯片上。

" 这样一来，像 A16（1.6 纳米）这样的芯片将用于主 Feynman 芯片，而独立的 LPU 芯片将包含大型 SRAM 存储体。此外，为了将这些芯片连在一起，台积电的混合键合技术至关重要，因为它能提供更宽的接口，并且与封装外存储器相比，每比特能耗更低。最重要的是，由于 A16 具有背面供电功能，正面将可用于垂直 SRAM 连接，从而确保低延迟的解码响应。"

可要做到上述也绝非易事，目前的主要问题仍在于 CUDA 在 LPU 风格执行中的行为方式，因为它需要显式的内存布局，而 CUDA 内核设计初衷是为了实现硬件抽象。对于英伟达团队而言，在 AI 架构中集成 SRAM 难度极高，这需要 " 工程奇迹 " 来确保 LPU-GPU 环境得到充分优化。

然而，如果英伟达想要主导推理市场，这或许是其愿意付出的代价。

本文作者长期聚焦海外 To B 半导体科技巨头，更多公司动态、行业逻辑、价值投资信息，欢迎添加作者微信 IHAVAPLANB- 交流探讨。

注：文中张简为化名