众所周知，特斯拉的FSD之所以被奉为神作，核心就在于它那套「端到端」的硬核逻辑。

车子不再依赖死板的高精地图，也不依赖传感器，而是像个老司机一样：

眼睛看着路（视觉输入），脚下直接踩油门、手里直接打方向（行动输出）。

那么问题来了，如果把这套逻辑搬到游戏场景里让AI学习，会发生什么？

道理完全是一样的！以前的AI玩游戏，还得靠读后台数据、甚至得「开挂」才能知道敌人在哪。

但真正的人类玩家是咋样的？

是我们盯着屏幕上的像素（视觉），大脑一转，手指直接噼里啪啦敲键盘、按手柄（操作）。

比如Faker的切屏，属于人类的顶尖反应速度了。

从画面直接到鼠标键盘的操作，这就是游戏界的「FSD」。

英伟达最近就整了这么个狠活！

发布了一个叫NitroGen的新模型，它完全不按套路出牌。

• 项目地址：https://nitrogen.minedojo.org/assets/documents/nitrogen.pdf

这个模型不是靠读游戏代码长大的，而是蹲在YouTube和Twitch上：

硬生生「看」了4万个小时带有手柄画面的游戏实况！

它就像个极其好学的「云玩家」，通过观察人类怎么操作，直接学会了在各种游戏里该怎么走位、怎么平A。

不管是RPG还是横版过关游戏，它都能拿捏。

你可能会问：光看视频咋学会操作？我又不知道主播按了哪个键。

这就不得不佩服英伟达研究员的脑洞了。

他们专门挖掘了YouTube和Twitch上那些带有「控制器叠加画面」的视频。

对，就是那种主播在屏幕角落放个小手柄，按哪个键，画面上的手柄也会跟着亮的视频。

NitroGen就盯着这4万个小时的视频素材，一边看游戏画面里发生了什么（比如林克挥了一剑），一边看角落里的手柄哪个键亮了（比如按了X键）。

这就像是一个想学吉他的人，不看乐谱，而是把几万场演唱会视频里吉他手的指法特写全看了一遍，硬生生把「听觉」和「手指动作」给对应上了！

也只有AI能干这活了。

拒绝「偏科」，做个通用的六边形战士

以前的游戏AI往往是「专才」，会玩《王者荣耀》的绝对不会玩《超级马里奥》。

但NitroGen主打的就是一个「通才」。

它学习了超过1000款不同的游戏。

这可能意味着它练就了一种「游戏直觉」!

就像我们人类玩游戏一样，你只要玩过魂游，比如《艾尔登法环》之类的，再上手一款新的动作游戏《黑神话：悟空》，哪怕没见过，你也大概知道左摇杆是跑，右边按键是打。

测试数据显示，当把NitroGen丢进一款它从未见过的新游戏里时，它的表现比那些从零训练的模型强了52%。

不管是动作RPG、平台跳跃，还是Roguelike，它都能迅速上手。

下一步：从海拉鲁大陆走向现实世界

英伟达这一波操作，仅仅是为了造一个更强的NPC陪我们玩吗？

格局小了，英伟达的野心更大！

先来看看最近AI在游戏中的表现。

The Decoder最新的研究发现，现在的AI甚至已经开始具备复杂的推理能力。

研究者通过一个《塞尔达传说》中的经典变色谜题，对当前顶尖大模型的推理能力进行了一场别开生面的「压力测试」。

测试要求模型在不联网的情况下，仅凭截图规划出六步操作以解开谜题。

结果显示，模型间的差距一目了然：

• GPT-5.2-Thinking展现了惊人的统治力，快速且准确地秒杀全场；
• 谷歌的Gemini 3 Pro虽然也能解题，但有时会陷入冗长的试错循环，推理文本竟长达42页；
• 而Claude Opus 4.5则在视觉理解上翻车，需借助数学公式辅助。

作者认为：这种强大的推理能力结合英伟达NitroGen等自主智能体技术，预示着:

人类撰写游戏攻略和软件文档的时代即将终结，AI将彻底改变我们获取指导信息的方式。

比如在《塞尔达传说》里那种需要预判6步以上的变色谜题，现在的AI模型已经能像解数学题一样解开了。

而NitroGen的潜力更进一步，它不仅能玩，还能记录和复盘。

想象一下，未来AI玩一遍游戏，顺手就能把「白金攻略」给你写出来，甚至把游戏里的Bug自动修了，这还要啥自行车？

（感觉游戏科学的《黑神话：钟馗》大概率要上AI技术了）

但老黄真正的野心，其实藏在代码里：NitroGen是基于英伟达的GR00T（机器人基础模型）构建的。

这波野心很大！

• 在游戏里，它学的是：看到悬崖->知道会掉下去->控制手柄跳过去。
• 在现实里，它对应的就是：看到地上的水坑->知道会滑倒->控制机器人的腿跨过去。

虚拟世界，其实就是物理世界最高效的「练兵场」。

英伟达正在用游戏里的千万次试错，为未来走进我们家里的机器人，打造一个能应对一切混乱的「通用大脑」。

或许有一天，当你感叹队友操作太神的时候，屏幕对面坐着的，真的可能不是人。

而是一个真的机器人拿着手柄在和你打游戏！

游戏即现实

视频游戏已经从单纯的AI测试基准，演变为物理智能的训练场。

这不仅是游戏AI的胜利，更是机器人技术跨越「莫拉维克悖论」的关键转折点。

从「大脑」到「身体」的跨越

在过去十年中，人工智能领域经历了从感知智能到认知智能的飞跃。

然而，尽管大语言模型能够撰写诗歌、编写代码甚至通过律师资格考试，它们在面对物理世界时却往往显得笨拙不堪。

一个能通过图灵测试的AI，可能无法控制机械臂完成最简单的「把杯子放进洗碗机」的任务。

这就是著名的「莫拉维克悖论」：对计算机而言，实现逻辑推理等高阶智慧只需要很少的计算能力，而实现感知、运动等低阶智慧却需要巨大的计算资源。

具身智能旨在解决这一问题，它要求智能体不仅要「思考」，还要拥有「身体」，能够与环境进行物理交互。

长期以来，具身智能的发展受限于两大瓶颈：

1. 数据匮乏

互联网上充斥着万亿级别的文本数据，却缺乏同等规模的、带有精确动作标签的机器人数据。

1. 泛化困难

传统的强化学习（RL）算法通常只能在特定的环境（如围棋棋盘或特定的工厂流水线）中表现优异，一旦环境发生微小变化，模型就会失效。

游戏作为现实的模拟器

2025年，我们看到了一条解决上述瓶颈的全新路径：利用视频游戏作为通向物理世界的桥梁。

游戏提供了丰富的视觉环境、复杂的物理规则和明确的任务目标，且天然具备数字化、可扩展的特性。更重要的是，游戏世界中的「感知-决策-行动」闭环与物理机器人完全同构。

具身智能体要在复杂且不可预测的现实世界中生存，仅靠条件反射式的反应是不够的。

它必须具备深度的推理与规划能力。

塞尔达变色球谜题的挑战

该谜题源自《塞尔达传说》系列游戏，规则看似简单实则极其考验逻辑：

• 场景

一个由红色和蓝色球体组成的网格。

• 规则

点击一个球体，会改变其自身以及上下左右相邻球体的颜色（红变蓝，蓝变红）。

• 目标

通过一系列点击，将所有球体变为蓝色。

这一谜题的本质是一个约束满足问题或图论问题。

其复杂性在于状态空间的组合爆炸和操作的不可逆性。

玩家不能只关注当前这一步的收益，必须预判未来几步的状态变化。

这需要极强的前瞻性规划能力，即在脑海中构建一棵「决策树」，并推演不同分支的结果，这正是人类认知心理学中定义的「系统2」思维——慢速、从容、有逻辑的思考。

根据The Decoder的深度评测：

当前最顶尖的AI模型在面对这一挑战时表现出了显著的代际差异，这直接反映了它们作为具身智能体「大脑」的潜力。

GPT-5.2-Thinking的成功不仅在于它解出了谜题，更在于它展示了一种算法内化的趋势。

例如，当机器人面对一个堆满杂物的桌子时，它能够像解决塞尔达谜题一样，在「脑海」中预演：「如果我先拿底下的书，上面的杯子会倒；所以我必须先移开杯子。」

这种能力是实现从「自动化机器」向「自主智能体」跨越的关键。

如果说GPT-5.2解决了「想什么」，那么英伟达的NitroGen模型则解决了「怎么做」。

NitroGen的发布标志着机器人学习进入了「ImageNet时刻」,利用互联网规模的数据来训练通用的运动控制策略。

NitroGen团队提出了一种极其巧妙的「数据挖掘」策略：利用游戏直播中常见的输入叠加层。

这一策略的精妙之处在于，它将原本「无监督」的视频数据瞬间转化为了「有监督」的「视觉-动作」对。

英伟达利用这一技术，构建了包含40,000小时、覆盖1000多种游戏的NitroGen数据集。

这在机器人学习领域是前所未有的规模。

仿真层：世界模型作为机器人的「黑客帝国」

在电影《黑客帝国》中，尼奥在虚拟世界中学习功夫。

而对于机器人而言，世界模型（World Models）就是它们的「矩阵」。

若机器人能在极其逼真的虚拟世界中每秒经历数千次试错，其进化速度将远超物理时间的限制。

综合上述分析，通过游戏实现通用智能体的路径不仅可行，而且已经初具雏形。

这条路径可以概括为：「在游戏中学会控制，在仿真中学会物理，在现实中学会适应。」

未来的通用智能体必然是分层架构的：

• 顶层（大脑）

类似GPT-5.2的推理模型，负责处理长程规划、逻辑谜题和人类指令理解。

• 中层（小脑）

类似NitroGen的通用策略模型，负责将高层指令翻译成具体的运动轨迹，利用海量视频数据获得的「运动直觉」。

• 底层（脊髓）

基于GR00T的高频全身控制器，负责具体的电机力矩输出和平衡维持。

尽管前景光明，但仍有几个关键问题亟待解决：

1. 触觉反馈的缺失

游戏和视频主要是视觉和听觉的，缺乏触觉。NitroGen学不到「物体有多重」或「表面有多滑」。

1. 高精度操作

目前的视觉-动作模型在粗糙动作（如走路、抓取大物体）上表现良好，但在需要毫米级精度的操作（如穿针引线、精密装配）上仍有不足。这可能需要更高分辨率的视觉编码器或专门的精细操作策略。

1. 安全性与伦理

当机器人具备了自主规划能力，如何确保其目标函数与人类价值观对齐？「洗碗」指令不应导致机器人「打破盘子以最快速度清空洗碗池」。

游戏不再仅仅是娱乐，它们是人类为AI构建的摇篮。

在这个摇篮里，AI学会了规划（Zelda），学会了控制（NitroGen），学会了世界的物理法则（Cosmos）。

当它们走出摇篮，进入Project GR00T的躯体时，我们将见证真正的物理智能的诞生。

这不仅是技术的胜利，更是人类通过创造虚拟世界来反哺现实世界的各种可能性的终极体现。

编辑：定慧

来源：新智元

DeepSeek带动推理需求爆发，英伟达的“算力霸权”被撕开一道口子，一个新世界的大门逐渐打开—— 由ASIC芯片主导的算力革命，正从静默走向喧嚣。

日前，芯流智库援引知情人士的消息，称DeepSeek正在筹备AI芯片自研。相比这个后起之秀，国内大厂如阿里、百度、字节们更早就跨过了“自研”的大门。

大洋彼岸，OpenAI自研芯片的新进展也在年初释出，外媒披露博通为其定制的首款芯片几个月内将在台积电流片。

此前更是一度传出Sam Altman计划筹集70000亿美元打造“芯片帝国”，设计与制造通吃。此外，谷歌、亚马逊、微软、Meta也都先后加入了这场“自研热潮”。

一个明显的信号是——无论DeepSeek、OpenAI，还是中国公司和硅谷大厂，谁都不希望在算力时代掉队。而ASIC芯片，可能会成为他们跨越新世界大门的入场券。

这会不会“杀死”英伟达？或者，会不会“再造”第二个英伟达？现在还没有答案。

不过可以明确的是，这场轰轰烈烈的“自研浪潮”，其上游的产业链企业已经“春江水暖鸭先知”，例如给各家大厂提供设计定制服务的博通，业绩已经“起飞”： 2024年AI业务收入同比240%，达到37亿美元；2025Q1AI业务营收41亿美元，同比增77%；其中80%来自ASIC芯片设计。

在博通的眼里，ASIC芯片这块蛋糕，价值超过900亿美元。

从GPU到ASIC，算力经济学走向分水岭

低成本是AI推理爆发的必要条件，与之相对的是—— 通用GPU芯片成了AI爆发的黄金枷锁。

英伟达的H100和A100是大模型训练的绝对王者，甚至连B200、H200也让科技巨头们趋之若鹜。金融时报此前援引Omdia的数据，2024年，英伟达Hopper架构芯片的主要客户包括微软、Meta、Tesla/xAI等，其中微软的订单量达到50万张。

但是，作为通用GPU的绝对统治者，英伟达产品方案其 “硬币的另一面”已逐渐显现：高昂的成本与冗余的能耗。

成本方面，单个H100售价超3万美元，训练千亿参数模型需上万张GPU，再加上网络硬件、存储和安全等后续的投入，总计超5亿美元。根据汇丰的数据，最新一代的GB200 NVL72方案，单机柜超过300万美元，NVL36也在180万美元左右。

可以说， 基于通用GPU的模型训练太贵了，只不过是算力不受限制的硅谷，仍然偏向于“力大砖飞”的叙事，资本支出并未就此减速。 就在日前，马斯克旗下xAI，不久之前公布的Grok-3，训练的服务器规模，已经达到了20万张GPU的规模。

腾讯科技联合硅兔赛跑推出的《两万字详解最全2025 AI关键洞察》一文提到，超大规模数据中心运营商预计2024年资本支出（CapEx）超过 2000亿美元，到2025年这一数字预计将接近2500亿美元，且主要资源都将倾斜给人工智能。

能耗方面，根据SemiAnalysis的测算，10万卡H100集群，总功耗为150MW，每年耗费1.59TWh的电量，按0.078美元/千瓦时计算，每年电费高达1.239亿美元。

对照OpenAI公布的数据，推理阶段GPU的算力利用率仅30%-50%，“边算边等”现象显著，如此低效的性能利用率，在推理时代，确实是大材小用，浪费过于严重。

谷歌此前公布的TPU V4与A100针对不同架构模型的训练速度

性能领先、价格昂贵，效率不佳，外加生态壁垒，过去一年业内都在喊“天下苦英伟达久矣”—— 云厂商逐渐丧失硬件自主权，叠加供应链风险，再加上AMD暂时还“扶不起来”，诸多因素倒逼巨头开始自研ASIC专用芯片。

自此，AI芯片战场，从技术竞赛转向经济性博弈。

正如西南证券的研究结论，“当模型架构进入收敛期，算力投入的每一美元都必须产出可量化的经济收益。”

从北美云厂商最近反馈的进展看，ASIC已体现出一定的替代优势：

谷歌：博通为谷歌定制的TPU v5芯片在Llama-3推理场景中，单位算力成本较H100降低70%。

亚马逊：3nm制程的AWS Trainium 3，同等算力下能耗仅为通用GPU的1/3，年节省电费超千万美元；据了解，亚马逊Trainium芯片2024年出货量已超50万片。

微软：根据IDC数据，微软Azure自研ASIC后，硬件采购成本占比从75%降至58%，摆脱长期被动的议价困境。

作为北美ASIC链的最大受益者，博通这一趋势在数据中愈发显著。

博通2024年AI业务收入37亿美元，同比增240%，其中80%来自ASIC设计服务。2025Q1，其AI业务营收41亿美元，同比增77%，同时预计第二季度AI营收44亿美元，同比增44%。

早在年报期间， 博通指引2027年ASIC收入将大爆发，给市场画了3年之后ASIC芯片将有望达到900亿美元的市场规模这个大饼。Q1电话会期间，公司再次重申了这一点。

凭借这个大的产业趋势，博通也成为全球继英伟达、台积电之后，第三家市值破1万亿美元的半导体公司，同时也带动了海外对于Marvell、AIchip等公司的关注。

图：市面主流GPU与ASIC算力成本对比 资料来源：西南证券

不过，有一点需要强调—— “ASIC虽好，但也不会杀死GPU”。

微软、谷歌、Meta都在下场自研，但同时又都在抢英伟达B200的首发，这其实说明了双方之间不是直接的竞争关系。

更客观的结论应该是，GPU仍将主导高性能的训练市场，推理场景中由于GPU的通用性仍将是最主要的芯片，但在未来接近4000亿美元的AI芯片蓝海市场中，ASIC的渗透路径已清晰可见。

IDC预测，2024-2026年推理场景中，ASIC占比从15%提升至40%，即最高1600亿美元。

这场变革的终局或许是：ASIC接管80%的推理市场，GPU退守训练和图形领域。真正的赢家将是那些既懂硅片、又懂场景的“双栖玩家”，英伟达显然是其中一员，看好ASIC断然不是唱空英伟达。

而新世界的指南，是去寻找除英伟达之外的双栖玩家，如何掘金ASIC新纪元。

ASIC的“手术刀”，非核心模块，通通砍掉

锦缎此前详解过SoC，而CPU、GPU用户早已耳熟能详，FPGA应用市场小众，最为陌生的当属ASIC。

图：算力芯片对比 资料来源：中泰证券

那么，都说ASIC利好AI推理，究竟它是一个什么样的芯片？

从架构上来说， GPU这样的通用芯片，其局限在于“以一敌百”的设计——需要兼顾图形渲染、科学计算、不同的模型架构等多元需求，导致大量晶体管资源浪费在非核心功能模块。

英伟达GPU最大的特点，就是有众多“小核”，这些“小核”可以类比成猎鹰火箭多台发动机，开发者可以凭借CUDA多年积累的算子库，平稳、高效且灵活地调用这些小核用于并行计算。

但如果下游模型相对确定，计算任务就是相对确定的，不需要那么多小核来保持灵活性，ASIC最底层的原理正是如此，所以也被称为全定制化高算力芯片。

通过 “手术刀式”精准裁剪，仅保留与目标场景强相关的硬件单元，释放出惊人的效率，这在谷歌、亚马逊都已经在产品上得到了验证。

谷歌TPU v5e AI加速器实拍

对于GPU来说，调用它们最好的工具是英伟达的CUDA，而对于ASIC芯片，调用它们的是云厂商自研的算法，这对于软件起家的大厂来说，并不是什么难事：

谷歌TPU v4中，95%的晶体管资源用于矩阵乘法单元和向量处理单元，专为神经网络计算优化，而GPU中类似单元的占比不足60%。

不同于传统冯·诺依曼架构的“计算-存储”分离模式，ASIC可围绕算法特征定制数据流。例如在博通为Meta定制的推荐系统芯片中，计算单元直接嵌入存储控制器周围，数据移动距离缩短70%，延迟降低至GPU的1/8。

针对AI模型中50%-90%的权重稀疏特性，亚马逊Trainium2芯片嵌入稀疏计算引擎，可跳过零值计算环节，理论性能提升300%。

当算法趋于固定，对于确定性的垂直场景，ASIC就是具有天然的优势， ASIC设计的终极目标是让芯片本身成为算法的“物理化身”。

在过去的历史和正在发生的现实中，我们都能够找到ASIC成功的例证，比如矿机芯片。

早期，行业都是用英伟达的GPU挖矿，后期随着挖矿难度提升，电力消耗超过挖矿收益（非常类似现在的推理需求），挖矿专用ASIC芯片爆发。虽然通用性远不如GPU，但矿机ASIC将并行度极致化。

例如，比特大陆的比特币矿机ASIC，同时部署数万个SHA-256哈希计算单元，实现单一算法下的超线性加速，算力密度达到GPU的1000倍以上。不仅专用能力大幅提升，而且能耗实现了系统级节省。

此外，使用ASIC可精简外围电路（如不再需要PCIe接口的复杂协议栈），主板面积减少40%，整机成本下降25%。

低成本、高效率，支持硬件与场景深度咬合，这些ASIC技术内核，天然适配AI产业从“暴力堆算力”到“精细化效率革命”的转型需求。

随着推理时代的到来，ASIC成本优势将重演矿机的历史，实现规模效应下的“死亡交叉”——尽管初期研发成本高昂（单芯片设计费用约5000万美元），但其边际成本下降曲线远陡于通用GPU。

以谷歌TPU v4为例，当 出货量从10万片增至100万片时，单颗成本从3800美元骤降至1200美元，降幅接近70% ，而GPU的成本降幅通常不超过30%。根据产业链最新信息， 谷歌TPU v6预计2025年出货160万片，单片算力较前代提升3倍，ASIC的性价比，还在快速提升。

这又引申出一个新的话题，是否所有人都可以涌入自研ASIC大潮中去？这取决于自研成本与需求量。

按照7nm工艺的ASIC推理加速卡来计算，涉及IP授权费用、人力成本、设计工具、掩模板在内的一次流片费用等，量级可能就在亿元的级别，还不包括后期的量产成本。在这方面，大厂更具有资金优势。

目前 ，像谷歌、亚马逊这样的云厂商，因为有成熟的客户体系 ，能够形成研发、销售闭环，自研上拥有先天的优势。

Meta这种企业， 自研的逻辑则在于内部本身就有天量级的算力需求 。今年初，扎克伯格就曾透露，计划在2025年上线约1GW的计算能力，并在年底前拥有超过130万张GPU。

“新地图”价值远不止1000亿美元

仅仅是挖矿需求就带来了近100亿美元的市场，所以当博通2024年底喊出AI ASIC市场空间700-900亿美元的时候，我们并不意外，甚至认为可能这个数字都保守了。

现在，ASIC芯片的产业趋势不应当再被质疑，重点应该是如何掌握“新地图”的博弈法则。

近千亿美元的AI ASIC市场中，已经形成清晰的三大梯队——“制定规则的ASIC芯片设计者和制造者” 、“产业链配套”、“垂直场景下的Fabless”。

第一梯队，是制定规则的ASIC芯片设计者和制造者，他们可以制造单价超过1万美元的ASIC芯片，并与下游的云厂商合作商用，代表玩家有博通、Marvell、AIchip，以及不管是什么先进芯片都会受益的代工王者——台积电。

第二梯队，产业链配套，已经被市场关注到的配套逻辑包括先进封装与更下游的产业链。

先进封装：台积电CoWoS产能的35%已转向ASIC客户，国产对应的中芯国际、长电科技、通富微电等。

云厂商英伟达硬件方案解耦带来的新硬件机会：如AEC铜缆，亚马逊自研单颗ASIC需配3根AEC，若2027年ASIC出货700万颗，对应市场超50亿美元，其他还包括服务器、PCB均是受益于相似逻辑。

第三梯队，是正在酝酿的垂直场景的Fabless。ASIC的本质是需求驱动型市场，谁能最先捕捉到场景痛点，谁就掌握定价权。ASIC的基因就是定制化，与垂直场景天然适配。以智驾芯片为例，作为典型的ASIC芯片，随着比亚迪等All in智驾，这类产品开始进入爆发期。

映射全球ASIC产业链三大梯队对应的机会，可以看作是国产的“三把秘钥”。

受制于禁令的限制，国产GPU与英伟达的差距仍然巨大，生态建设也是一个漫长的路程，但是对于ASIC，我们甚至与海外在同一起跑线上，再结合垂直场景，中国不少Fabless能够做出更有能效比的产品，前面提及的矿机ASIC、智驾ASIC以及阿里平头哥的含光、百度的昆仑芯这些AI ASIC。

与之配套的芯片制造，主要依赖中芯国际，中兴旗下的中兴微等则是新入场的“玩家”，不排除未来他们将与国内厂商合作，上演一场“谁将是中国博通”的戏码。

左图为英伟达数据中心产品主要上游供应商，来源Fubon Research ，右图GB200 NV72L机柜的总长接近2英里的NVLink Spine铜缆

产业链配套部分难度相对较低，对应的服务器、光模块、交换机、PCB、铜缆，由于技术难度低，国内企业本来竞争力就比较强。与此同时，这些产业链企业与国产算力属于“共生”关系，ASIC芯片产业链也不会缺席。

应用场景上，除了反复提及的智驾芯片和AI推理加速卡，其他国产设计公司的机会，取决于什么场景能爆发，对应哪些公司又能把握住机遇。

结语

当AI从大力出奇迹的训练军备竞赛，跃进推理追求能效的深水区， 算力战争的下半场注定属于那些能将技术狂想，转化为经济账本的公司。

ASIC芯片的逆袭，不仅是一场技术革命，更是一本关于效率、成本和话语权的商业启示录。

在这场新的牌局中，中国选手的筹码正在悄然增加——机会永远留给准备好的人。

作者：由我 苏扬

来源：腾讯科技