ASIC

事件核心随着生成式 AI（GenAI）从实验室原型大规模转向生产环境，AI 产业正处于一个关键的临界点：算力需求重心正在从“模型训练”向“大规模推理”发生结构性迁移。预计到 2026 年，推理算力支出将占据 AI 芯片市场的 80% 以上。这一转变并非简单的规模扩张，而是一场涉及底层架构、存储技术及商业模式的全面革命。英伟达（NVIDIA）凭借 H100/B200 建立的训练霸权，正在面临来自 LPU（语言处理单元）、定制化 ASIC 以及端侧 NPU 的多维度挑战。技术/商业细节当前推理硬件的核心矛盾在于“内存墙”（Memory Wall）。大语言模型（LLM）的推理是典型的受限于内存带宽（Memory-bound）而非计算能力（Compute-bound）的任务。传统的 GPU 架构虽然拥有强大的浮点运算能力，但在处理 Token 逐个生成的自回归推理时，频繁的显存数据交换导致了巨大的延迟和能耗浪费。架构分化：以 Groq 为代表的 LPU 架构通过 SRAM 替代传统的 HBM（高带宽内存），极大地提升了内存带宽，实现了极低的推理延迟。这种“软件定义硬件”的思路，通过编译器在编译阶段确定数据流向，消除了动态调度开销。定制化 ASIC 的崛起：云服务巨头（AWS Inferentia, Google TPU v5e, Azure Maia）正在加速去英伟达化。这些定制芯片针对特定算子（如 Transformer 架构）进行优化，其推理能效比（Performance per Watt）通常比通用 GPU 高出 3-5 倍。端侧算力的爆发：苹果 A/M 系列芯片、高通 Snapdragon X Elite 等集成的 NPU 正在将推理任务从云端推向边缘。到 2026 年，本地运行 70B 规模模型将成为高端 PC 的标配，这将彻底改变 AI 应用的成本结构。八卦分析：全球影响「八卦智库」认为，2026 年的推理硬件革命将带来三大深层影响：首先，“英伟达税”的瓦解。在训练阶段，CUDA 生态是无法逾越的护城河；但在推理阶段，推理框架（如 vLLM, TensorRT-LLM, MLC LLM）正在实现跨硬件的抽象化。只要推理成本足够低，开发者并不在乎底层是 GPU 还是 ASIC。这意味着推理市场将进入残酷的价格战，算力将真正成为一种同质化的“电力资源”。其次，Agentic AI 的经济可行性。目前的 AI Agent（智能体）受限于推理成本和延迟，难以实现复杂的多步思考。2026 年硬件效率的提升将使推理成本下降两个数量级，这才是“环境 AI”（Ambient AI）真正爆发的前提——即 AI 像空气一样无处不在，且运行成本几乎可以忽略不计。最后，地缘政治下的算力平权。随着推理对先进制程的依赖度在某些架构下有所降低（例如通过更大规模的分布式架构抵消单片性能不足），非美系厂商可能在特定推理场景下通过架构创新实现“曲线救国”，缓解先进制程受限的压力。战略建议对于模型开发者：应优先考虑“硬件感知型”模型设计。在训练阶段就引入量化感知训练（QAT）和稀疏化技术，以适配 2026 年主流的低精度推理硬件。对于企业架构师：停止对单一供应商的盲目依赖。构建具备“算力调度能力”的混合云架构，利用推理框架的抽象层，在不同场景下动态切换 GPU、ASIC 或端侧算力，以优化 TCO（总拥有成本）。对于投资者：关注重心应从“大算力芯片”转向“高效能互联”与“先进封装”。当单芯片性能触及物理瓶颈，如何通过 Chiplet 和光电互联技术解决推理过程中的数据搬运问题，将是下一个价值高地。

核心摘要OpenAI 秘密研发的 Jalapeno 加速器旨在通过深度软硬一体化，彻底重构大模型推理的成本与效率边界，标志着其正式开启从算法巨头向垂直整合算力强权的转型。▶ 推理专用化（ASIC 转向）： Jalapeno 并非通用 GPU 的直接挑战者，而是针对 Transformer 架构极致优化的专用集成电路，核心在于解决大模型推理中的内存带宽瓶颈。▶ 垂直整合护城河： 通过自研芯片，OpenAI 能够将模型权重分布与底层硬件拓扑完美对齐，实现远超通用 GPU 的每瓦性能比与吞吐量。八卦洞察OpenAI 此举标志着 AI 算力竞赛进入了“苹果化”阶段。Jalapeno 的出现证明了 OpenAI 意识到，在 Scaling Law 的下半场，单纯堆砌通用算力已难以为继。Jalapeno 的核心竞争力不在于峰值算力（TFLOPS），而在于其对 KV Cache 管理、长文本推理以及稀疏计算的硬件级原生支持。这不仅是为了摆脱对英伟达的依赖，更是为了通过定义硬件架构来反向锁定其模型算法的领先优势。当推理成本降低一个数量级时，OpenAI 将拥有对所有云厂商和模型初创公司的绝对定价权。行动建议对于算力密集型企业，应高度关注 AI ASIC 替代方案的成熟度，避免过度捆绑于单一硬件生态。对于云服务商而言，加速自研芯片（如 Tranium/TPU）的迭代已不再是选项，而是生存前提，以应对 OpenAI 带来的推理成本降维打击。同时，开发者应提前关注针对特定硬件优化的算子库，为未来的异构计算环境做准备。

OpenAI 正在秘密开发代号为 “Jalapeño” 的定制 AI 加速器，旨在通过软硬一体化的深度协同，在特定推理负载下实现超越英伟达（Nvidia）Blackwell 架构的性能与能效比。 ▶ 垂直整合的终极形态：OpenAI 试图通过 Jalapeño 实现从底层硅片到顶层算法的完全闭环，旨在彻底摆脱“英伟达税”并掌握算力定价权。 ▶ 从通用到专用的范式转移：与英伟达追求通用性的 GPU 不同，Jalapeño 是针对 OpenAI 专有模型架构（如 Transformer 变体）定制的 ASIC，其核心优势在于极高的每代币成本（Cost-per-token）效率。 八卦洞察 「Bagua Intelligence」认为，Jalapeño 的曝光标志着 AI 算力竞争已进入“深水区”。英伟达的 Blackwell 虽然是目前算力的巅峰，但其作为通用处理器的设计初衷意味着必须兼顾各种工作负载，这在极致的推理成本优化面前反而成了负担。OpenAI 的逻辑非常清晰：如果 AGI 的商业化路径受限于每 token 几美分的成本，那么自研 ASIC 就是唯一的出路。Jalapeño 不仅仅是一颗芯片，它是 OpenAI 对抗算力商品化、重塑 AI 经济模型的战略核武器。这也预示着未来顶级 AI 实验室的竞争将不再仅仅是算法的博弈，而是“算法-芯片-数据中心”全栈能力的肉搏。 行动建议 二级市场投资者：高度关注博通（Broadcom）和美满电子（Marvell）等 ASIC 设计服务商，他们是 OpenAI 这种“去英伟达化”趋势的最大受益者。 算力需求方：企业应开始评估“算力多元化”战略，避免过度锁定在单一硬件生态。随着专用芯片（ASIC）的兴起，推理成本有望大幅下降，应提前布局基于低成本推理的规模化应用。 技术决策者：关注软件定义硬件（Software-defined Hardware）的趋势，未来的模型优化将更多地考虑底层硬件的拓扑结构和内存带宽特性。

核心事件 初创公司 Etched 推出的 Sohu 芯片是全球首款专为 Transformer 架构设计的专用集成电路（ASIC）。该芯片通过将 Transformer 算法直接固化在硬件中，旨在 2026 年实现推理性能和效率上对英伟达 Blackwell GPU 的量级超越。 ▶ 算法固化带来的暴力性能：与英伟达追求通用性的 GPU 不同，Sohu 放弃了对 CNN、RNN 等其他架构的支持，将 90% 以上的晶体管面积用于 Transformer 核心计算，声称其推理速度比 Blackwell 快 20 倍。 ▶ 推理成本的结构性下行：Sohu 的出现标志着 AI 算力从“通用开发期”进入“规模应用期”。通过极高的吞吐量和极低的功耗，它有望将大模型推理的每百万 Token 成本降低一个数量级。 ▶ 一场关于架构单一性的豪赌：Etched 的成功完全取决于 Transformer 是否能继续统治 AI 领域。一旦 SSM（如 Mamba）或新型架构取代 Transformer，Sohu 将面临硬件过时的巨大风险。 八卦洞察 英伟达的护城河在于 CUDA 生态和“什么都能跑”的通用性，但在推理侧，这种通用性正在变成一种“税”。随着大模型架构逐渐收敛于 Transformer，专用芯片（ASIC）的性价比临界点已经到来。Etched 的逻辑非常清晰：在模型训练阶段，开发者需要灵活性；但在万亿级流量的推理阶段，成本和延迟才是唯一的真理。如果 Sohu 能如期交付，它将迫使英伟达在推理市场从“利润收割者”转变为“价格竞争者”。 行动建议 对于头部 AI 实验室和云服务商，建议立即评估异构算力平台的迁移成本，避免过度依赖单一厂商的软件栈。对于投资者而言，需密切关注 Etched 的流片进度及编译器成熟度，硬件的领先只是第一步，能否支撑主流 LLM 框架的无缝切换才是商业化落地的关键。同时，需警惕非 Transformer 架构的技术突变对专用硬件造成的“降维打击”。

AMD近期完成了对AI初创公司Taalas的收购，这一举动不仅是其在AI推理市场的一次重要布局，更标志着硅谷底层算力逻辑的深刻转变。AMD正通过整合Taalas的专用架构，试图在企业级推理市场建立起一道绕过NVIDIA CUDA生态的“硬核”护城河。 八卦洞察 ▶ 从“通用”向“专用”的降维打击：Taalas的核心价值在于其高度优化的推理架构。与NVIDIA追求的“万能算力”不同，AMD此举暗示了未来AI算力的演进方向：在模型架构趋于稳定的背景下，将特定模型逻辑“硬编码”或高度优化于芯片中，以获得极致的能效比。这预示着推理市场将进入ASIC化时代。 ▶ 消费级模块化AI愿景的终结：此前市场曾幻想出现类似“内存条”式的即插即用AI模型芯片，但AMD将Taalas纳入麾下，明确了其重心在于企业级高密度计算。这意味着未来的AI算力将以“模型刀片”形式存在于数据中心，而非消费者的台式机中。 ▶ AMD的“农村包围城市”策略：在训练端难以撼动NVIDIA地位的情况下，AMD通过收购Taalas精准切入正在爆发的推理市场。通过提供更低TCO（总拥有成本）的专用推理方案，AMD正在吸引那些对成本极度敏感的大规模模型部署商。 行动建议 算力采购方：应重新评估未来3-5年的基础设施规划。随着专用推理芯片的成熟，盲目囤积通用GPU可能导致资产过时，应关注“模型专用型”硬件带来的能效红利。 模型开发者：硬件的专用化意味着软件层面的灵活性将受限。在开发过程中，需更加关注模型架构与底层硬件指令集的适配，避免因硬件锁定（Vendor Lock-in）导致的迁移成本激增。

核心事件 AMD正式宣布收购AI芯片初创公司Taalas。该公司以其独特的“模型硬核化”技术闻名，能够将特定的AI模型（如Llama系列）直接蚀刻到硅片上。这种方法彻底抛弃了传统的通用指令集，通过硬件电路直接实现模型逻辑，旨在提供比顶级GPU高出数个数量级的能效比和推理性能。 ▶ 模型即硬件的范式转移： Taalas的技术核心是将神经网络结构直接映射为硬连线电路。这意味着推理过程不再依赖复杂的软件栈或通用的计算单元，从而消除了内存带宽瓶颈和指令调度开销。 ▶ AMD的推理侧“ASIC化”布局： 此次收购标志着AMD在与NVIDIA的竞争中采取了差异化策略。在训练市场被CUDA生态牢牢占据的背景下，AMD试图通过专用推理芯片（ASIC）在边缘侧和大规模推理中心实现“降维打击”。 八卦洞察 在大模型竞争进入“下半场”的当下，推理成本（Inference TCO）已成为大厂最敏感的神经。Taalas的技术本质上是AI时代的“硬核翻译机”。过去我们用通用的CPU/GPU去运行复杂的软件逻辑，而Taalas则直接把逻辑变成了物理结构。这种“模型定义硅片”的思路，预示着未来AI算力将从“大而全”走向“精而专”。对于AMD而言，这不仅是补齐硬件版图，更是试图在推理端建立一套绕过NVIDIA软件护城河的新标准。 行动建议 算力架构师： 密切关注专用推理芯片（Inference-specific ASIC）的成熟度。对于负载相对固定的生产级模型，应开始评估从通用GPU集群迁移到专用硅片方案的成本收益比。 AI初创公司： 算法优化不再仅仅是软件层面的工作。随着Taalas这类技术的普及，模型架构的“硬件友好性”将成为核心竞争力，建议在模型设计阶段就考虑硬件映射的效率。 投资者： 关注AI基础设施从“训练主导”向“推理主导”的转型机会，尤其是那些致力于降低单位Token能效比的底层技术公司。

事件核心 OpenAI 与全球半导体巨头博通（Broadcom）正式揭晓了双方联合开发的首款针对大语言模型（LLM）优化的推理芯片。这款第一代专用加速器在初步测试中展现了惊人的能效比，其每瓦性能（Performance-per-watt）显著超越了目前市面上最先进的通用 GPU。最令业界震撼的是其研发速度：在 OpenAI 的强力推动下，该芯片从架构设计到流片生产仅耗时九个月，打破了传统高端芯片研发的周期规律。 技术/商业细节 该芯片并非通用的 AI 加速器，而是从底层逻辑上专为 LLM 的推理需求而“量身定制”。其核心优势集中在以下三个维度： 极致的能效优化： 针对 Transformer 架构中的注意力机制（Attention Mechanism）和矩阵运算进行了硬件级精简，大幅减少了推理过程中的无效功耗。 博通的 IP 赋能： 芯片集成了博通最顶尖的 SerDes 技术和高速互联协议，解决了大规模集群部署时的带宽瓶颈。 九个月的“硅谷速度”： 传统的定制芯片（ASIC）开发通常需要 18-24 个月。OpenAI 通过深度参与设计并复用博通的成熟平台，实现了极速交付，这反映了 OpenAI 对算力自主权的迫切渴求。 八卦分析：全球影响 「Bagua Intelligence」认为，这一动作标志着 AI 产业正式进入“垂直整合”的深水区。这不仅仅是 OpenAI 试图摆脱“英伟达税”（NVIDIA Tax）的财务手段，更是其技术路线演进的必然结果： 推理侧的范式转移： 随着 OpenAI o1 等具备“推理时间计算”（Inference-time Compute）能力的模型出现，算力重心正从训练端向推理端大规模偏移。通用 GPU 在处理高并发、低延迟的推理任务时存在冗余，定制化芯片是降低单位 Token 成本的唯一路径。 博通的“AI 代工厂”地位： 博通正通过此举确立其作为 AI 巨头背后“军火商”的地位。继谷歌（TPU）、Meta（MTIA）之后，OpenAI 的加入让博通在定制 AI 芯片市场的统治力进一步增强，直接挑战英伟达的垄断地位。 地缘与供应链重构： 九个月的研发周期意味着设计工具和制造流程的高度自动化。这种“快闪式”造芯能力将加剧全球算力竞赛，领先的 AI 实验室将越来越像硬件公司。 战略建议 对于行业参与者，我们提出以下建议： 对模型厂商： 算力成本将成为未来的核心竞争力。如果无法像 OpenAI 一样自研芯片，应尽早优化模型架构以适配异构计算环境，或寻找具备定制化能力的合作伙伴。 对硬件供应商： 通用加速器的红利期正在收窄。未来三年的增长点将集中在针对特定算法优化的专用集成电路（ASIC）以及配套的高速互联技术。 对投资者： 关注博通及其供应链企业。OpenAI 的背书证明了博通在 AI ASIC 领域的不可替代性，其估值逻辑已从通信芯片公司彻底转型为 AI 基础设施核心供应商。

事件核心OpenAI正式揭晓了与博通（Broadcom）深度合作的结晶——名为“Jalapeño”的定制化大语言模型（LLM）推理芯片。这款ASIC（专用集成电路）的问世，标志着OpenAI正式从单纯的算法巨头向“软硬一体化”的科技帝国转型。Jalapeño专注于提升LLM推理阶段的吞吐量并降低延迟，旨在通过底层硬件的深度定制，解决当前通用GPU在处理超大规模模型推理时存在的能效比瓶颈。技术/商业细节在技术层面，Jalapeño充分利用了博通在高性能网络互连（SerDes）和高带宽内存（HBM）集成领域的顶尖IP。与英伟达（Nvidia）追求全能型的H100/B200不同，Jalapeño在设计上做了大量“减法”，剔除了与推理无关的计算单元，转而强化了针对Transformer架构的张量处理能力和显存带宽利用率。架构协同：该芯片采用了针对OpenAI私有算子优化的指令集，能够更高效地处理KV Cache管理，显著提升长文本生成速度。供应链策略：OpenAI负责架构定义与算法映射，博通提供物理设计、IP授权及供应链协调，最终由台积电（TSMC）代工。这种“轻资产”的半自研模式，使其能以最快速度完成从设计到流片的周期。成本控制：通过自研，OpenAI有望将推理成本降低30%-50%，这对于支撑ChatGPT亿级DAU的运营至关重要。八卦分析：全球影响「八卦智库」认为，Jalapeño的出现不仅是OpenAI的胜利，更是全球AI算力格局的分水岭：“去英伟达化”的实质性进展：尽管OpenAI短期内仍离不开英伟达的训练集群，但在推理端——这一AI商业化变现的主战场，OpenAI已开始构建自己的护城河。这直接挑战了CUDA的市场统治地位。垂直整合的“苹果化”路径：OpenAI正在复刻苹果A系列芯片的成功路径。通过硬件与软件的深度耦合，OpenAI可以实现竞品无法企及的响应速度和用户体验，进一步拉开其与Anthropic、Google等竞争对手的差距。博通的“AI代工厂”地位巩固：博通再次证明了自己是全球顶级科技公司自研芯片的首选合伙人。继Google TPU、Meta MTIA之后，Jalapeño的成功将博通在AI ASIC市场的份额推向新高。战略建议对于企业决策者，我们建议关注以下三点：关注“推理专用化”趋势：未来通用算力将用于训练，而专用算力（ASIC）将主导推理。企业在构建私有化部署时，应评估专用硬件带来的TCO（总拥有成本）优势。算法与硬件的协同演进：Jalapeño证明了算法开发者介入硬件设计已成必然。AI团队应加强对底层算力架构的理解，以优化模型在特定硬件上的表现。算力多元化布局：OpenAI的举动预示着未来算力供应将更加碎片化。建议大型企业不要过度依赖单一供应商，应保持对多种芯片架构（ARM、ASIC、GPU）的适配能力。

事件核心 OpenAI 正式披露了与芯片巨头博通（Broadcom）合作开发的定制 AI 推理芯片——Jalapeño。这一举动标志着 OpenAI 从纯软件算法巨头向“软硬一体”垂直整合转型的关键里程碑。Jalapeño 并非通用的训练芯片，而是专为大语言模型（LLM）推理负载深度优化的 ASIC（专用集成电路）。通过与博通合作并锁定台积电（TSMC）的先进制程产能，OpenAI 旨在打破对 NVIDIA 昂贵 GPU 的过度依赖，从而在推理成本、能效比以及系统级规模化能力上获得绝对掌控权。 技术/商业细节 Jalapeño 芯片的设计逻辑高度契合 OpenAI 当前的底层架构需求。与追求通用计算能力的 GPU 不同，Jalapeño 重点解决了 LLM 推理中的“内存墙”瓶颈： 高带宽内存（HBM）集成： 据悉 Jalapeño 采用了最前沿的 HBM3e 甚至 HBM4 技术，以支持超大规模参数模型的实时吞吐，这对于 o1 系列等需要大量推理时计算（Inference-time Compute）的模型至关重要。 博通的底层赋能： 博通提供了核心的 SerDes（串行器/解串器）技术和领先的片上网络（NoC）设计，确保了芯片在集群化部署时具有极低的延迟和极高的互联带宽。 制程与产能： 该芯片预计采用台积电 5nm 或更先进的 3nm 工艺。通过博通作为中间桥梁，OpenAI 成功绕过了复杂的供应链管理，直接获取了紧缺的晶圆产能。 八卦分析：全球影响 「八卦资本」认为，Jalapeño 的出现不仅是 OpenAI 的“省钱计划”，更是其 AI 战略的“护城河”工程。其深层影响体现在以下三个维度： 首先，推理成本的结构性重塑。 随着 AI 应用进入大规模普及阶段，推理成本已成为 OpenAI 损益表上的最大负担。Jalapeño 通过硬件层面的指令集精简，能以远低于 H100/B200 的功耗完成同等规模的推理任务，这将直接提升 ChatGPT 的单位经济效益。 其次，对 NVIDIA “护城河”的精准打击。 尽管 NVIDIA 在训练领域依然无敌，但推理市场正迅速向定制化 ASIC 倾斜。OpenAI 此举将带动更多头部厂商（如 Anthropic、xAI）效仿，加速 AI 算力市场的去中心化。NVIDIA 的 CUDA 生态在推理端的重要性正在被专门优化的硬件驱动所稀释。 最后，支撑“推理时缩放定律”（Inference Scaling Laws）。 OpenAI 的 o1 模型证明了通过增加推理时间可以提升模型逻辑能力。Jalapeño 正是为这种“思考型”模型量身定制的硬件底座，它允许模型在输出前进行更多的内部迭代，而不会导致电力成本失控。 战略建议 对于云服务商： 必须加速自研推理芯片（如 AWS Inferentia, Google TPU）的迭代，否则在面对 OpenAI 这种拥有自研硬件能力的软件巨头时，将失去议价权。 对于芯片初创公司： 避开通用 GPU 赛道，深耕特定垂直领域的推理加速（如边缘侧、长文本处理），寻找与大模型厂商合作定制 ASIC 的机会。 对于算力投资者： 关注博通（Broadcom）和美光（Micron）等底层“卖铲人”。OpenAI 越是追求自研，对博通这种芯片设计服务商的需求就越迫切。

事件核心OpenAI 正式披露与全球半导体巨头博通（Broadcom）合作研发的定制 AI 芯片，内部代号为“Jalapeño”。该芯片专为大语言模型（LLM）的推理（Inference）任务而设计，旨在通过底层硬件的深度定制，解决当前通用 GPU 在处理超大规模模型时面临的功耗高、延迟大及成本昂贵等痛点。这一举措标志着 OpenAI 正在从一家纯算法驱动的软件公司，转型为具备硬件自研能力的垂直整合巨头。技术/商业细节Jalapeño 芯片的研发充分利用了博通在 ASIC（专用集成电路）设计、高速互联（SerDes）以及 HBM（高带宽内存）集成方面的顶尖技术。与英伟达（Nvidia）的通用 GPU 不同，Jalapeño 针对 Transformer 架构的数学特性进行了指令集层面的优化，特别是在处理 KV Cache（键值缓存）管理和注意力机制计算方面，其能效比预计将远超现有的通用硬件解决方案。在商业层面，OpenAI 选择博通而非台积电直接代工，是看中了博通成熟的 IP 库和系统级封装（SiP）能力。这不仅缩短了从设计到流片的周期，也确保了在复杂的供应链环境下，OpenAI 能够获得更稳定的产能保障。此外，通过自研硬件，OpenAI 能够显著降低 ChatGPT 等大规模应用的单次推理成本，从而在激烈的价格战中保持利润率。八卦分析：全球影响「八卦内参」认为，Jalapeño 的出现是 AI 行业“去英伟达化”的一个重要里程碑。长期以来，OpenAI 受到英伟达产能分配和高昂定价的制约。通过自研芯片，OpenAI 正在效仿苹果（Apple）的闭环生态模式，实现“算法定义芯片，芯片加速算法”的良性循环。此举对全球 AI 算力格局将产生深远影响：首先，它打破了英伟达在高端 AI 算力市场的绝对垄断，促使其他大模型厂商（如 Anthropic、Google）进一步加速自研硬件进程；其次，这标志着 AI 竞争的重心正在从“训练端”转向“推理端”。随着模型规模趋于稳定，如何高效、廉价地支撑数亿用户的日常调用，将成为决定企业胜负的关键。战略建议对于云服务商： 应加速构建异构算力平台，除了英伟达生态外，需提前适配和支持类似 Jalapeño 的定制 ASIC 架构，以满足客户对极致推理性能的需求。对于企业开发者： 关注底层硬件架构的变化，未来的模型优化将不再仅仅是软件层面的微调，而是需要考虑硬件特性的“软硬协同优化”。对于投资者： 重新评估半导体产业链的价值分布。博通等具备高端 ASIC 设计能力的厂商，其战略地位正从“供应商”上升为“核心合伙人”。