本报告延续我们2026年1月12日发布的《英伟达吸收Groq定义AI下半场》观点。彼时我们指出，英伟达整合Groq的战略，与其2020年收购Mellanox一脉相承，核心在于吸收人才及将领先的底层IP内生化，以补齐架构层面的结构性短板。尽管市场普遍预期英伟达可能在GTC 2026上发布一款独立的LPU机架，但我们认为仅为权宜之计。从长期战略视角看，我们预计，自Feynman架构起，Groq的LPU将被纳入英伟达GPU路线图，并将确定性、低时延计算能力以架构级方式嵌入CUDA及GPU软件栈之中，为正在崛起的Agentic AI时代铺垫。我们认为，2026年或为Agentic AI的元年。英伟达与Groq的整合，恰逢产业范式从以吞吐为核心的模型训练阶段，转向以低时延为核心的代理AI部署阶段。我们认为，在确立大模型训练阶段的领先地位后，英伟达正进一步定义AI下半场的架构规则。随着产业重心由吞吐驱动的训练转向时延驱动的代理AI部署，英伟达已同时掌握两种范式下的核心架构能力，建立双重平台的技术壁垒。
　　Feynman：顺应Agentic AI演进，与Groq恰逢其时的架构融合
　　我们认为，此次整合在时间维度上具有明显的前瞻布局。我们预计Feynman将以Chiplet形式，将LPU通过TSV与SoIC混合键合技术，与计算Die面对面集成，并在HBM之外引入一层高速SRAM存储层，专为代理AIChain-of-Thought推理场景优化。同时，Feynman采用台积电A16制程亦具关键意义。其背面供电设计释放芯片正面空间，为垂直堆叠与高密度集成创造条件，但与此同时也将对热管理与功率管理提出更高要求。我们预计Feynman有望于2028年推出，时间节点与代理AI商业化拐点大致重合。在互连层面，Groq的RealScale架构在约576颗芯片规模时将面临确定性性能的物理上限。若将LPU封装于Feynman构架内部，英伟达有望绕开这一规模扩展的约束，使确定性执行层直接继承NVLink的扩展能力，而无需承受Groq独立拓扑结构所带来的规模限制。
　　CUDA：吸收GroqWare，强化Agentic AI时代的生态锁定
　　我们认为，软件层整合同样至关重要。GroqWare采用以编译器静态调度为核心的执行模型，而CUDA则以运行时动态调度为基础，两者在执行哲学上存在根本差异。如何在不破坏现有生态的前提下实现融合，是此次整合的关键所在。我们预计英伟达将从三层架构推进整合：1）在编译器层面，将GroqWare的静态调度能力纳入CUDA编译流程，使确定性执行能力成为底层编译能力的一部分；2）在运行时层面，通过TensorRT作为调度桥梁，自动识别低批次、低时延、代理AI推理类负载，并将其分发至LPU执行；3）在生态层面，以标准CUDA纳入LPU能力，使现有深度学习框架无需修改即可调用相关算力资源。
　　LPU：聚焦低时延推理场景，而非全部推理负载
　　我们认为LPU并非面向所有推理任务，其结构性优势主要体现在低时延或具有人机交互属性的代理AI场景。在此类场景中，核心瓶颈在于低时延约束下的内存带宽，而非计算吞吐能力本身。以大模型推理中的自回归解码阶段为例，尽管所有推理流程均包含解码，但在低批次、强时延约束的在线服务场景中，请求难以进行高效并行聚合，GPU并行计算能力无法充分发挥，系统瓶颈随之转向内存带宽。我们认为，这类以低时延为核心约束的负载，正是LPU发挥优势的典型场景。在多步代理AI任务中，该特征或进一步放大。每一步推理的时延都会累积为端到端响应时间，并被用户直接感知。我们也认为，在这种高度顺序化的执行链条中，LPU所提供的确定性、无资源争用的执行机制，相较传统GPU的动态调度体系，更具优势。
　　风险提示：技术落地缓慢、需求不及预期等。