DeepSeek帶動推理需求爆發，英偉達的“算力霸權”被撕開一道口子，一個新世界的大門逐漸打開——由ASIC芯片主導的算力革命，正從靜默走向喧囂。
日前，芯流智庫援引知情人士的消息，稱DeepSeek正在籌備AI芯片自研。相比這個后起之秀，國內大廠如阿里、百度、字節們更早就跨過了“自研”的大門。
大洋彼岸，OpenAI自研芯片的新進展也在年初釋出，外媒披露博通為其定制的首款芯片幾個月內將在臺積電流片。
此前更是一度傳出Sam Altman計劃籌集70000億美元打造“芯片帝國”，設計與制造通吃。此外，谷歌、亞馬遜、微軟、Meta也都先后加入了這場“自研熱潮”。
一個明顯的信號是——無論DeepSeek、OpenAI，還是中國公司和硅谷大廠，誰都不希望在算力時代掉隊。而ASIC芯片，可能會成為他們跨越新世界大門的入場券。
這會不會“殺死”英偉達？或者，會不會“再造”第二個英偉達？現在還沒有答案。
不過可以明確的是，這場轟轟烈烈的“自研浪潮”，其上游的產業鏈企業已經“春江水暖鴨先知”，例如給各家大廠提供設計定制服務的博通，業績已經“起飛”：2024年AI業務收入同比240%，達到37億美元；2025Q1AI業務營收41億美元，同比增77%；其中80%來自ASIC芯片設計。
在博通的眼里，ASIC芯片這塊蛋糕，價值超過900億美元。
01、從GPU到ASIC，算力經濟學走向分水嶺
低成本是AI推理爆發的必要條件，與之相對的是——通用GPU芯片成了AI爆發的黃金枷鎖。
英偉達的H100和A100是大模型訓練的絕對王者，甚至連B200、H200也讓科技巨頭們趨之若鶩。金融時報此前援引Omdia的數據，2024年，英偉達Hopper架構芯片的主要客戶包括微軟、Meta、Tesla/xAI等，其中微軟的訂單量達到50萬張。
但是，作為通用GPU的絕對統治者，英偉達產品方案其“硬幣的另一面”已逐漸顯現：高昂的成本與冗余的能耗。
成本方面，單個H100售價超3萬美元，訓練千億參數模型需上萬張GPU，再加上網絡硬件、存儲和安全等后續的投入，總計超5億美元。根據匯豐的數據，最新一代的GB200 NVL72方案，單機柜超過300萬美元，NVL36也在180萬美元左右。
可以說，基于通用GPU的模型訓練太貴了，只不過是算力不受限制的硅谷，仍然偏向于“力大磚飛”的敘事，資本支出并未就此減速。就在日前，馬斯克旗下xAI，不久之前公布的Grok-3，訓練的服務器規模，已經達到了20萬張GPU的規模。
騰訊科技聯合硅兔賽跑推出的《兩萬字詳解最全2025 AI關鍵洞察》一文提到，超大規模數據中心運營商預計2024年資本支出（CapEx）超過 2000億美元，到2025年這一數字預計將接近2500億美元，且主要資源都將傾斜給人工智能。
能耗方面，根據SemiAnalysis的測算，10萬卡H100集群，總功耗為150MW，每年耗費1.59TWh的電量，按0.078美元/千瓦時計算，每年電費高達1.239億美元。
對照OpenAI公布的數據，推理階段GPU的算力利用率僅30%-50%，“邊算邊等”現象顯著，如此低效的性能利用率，在推理時代，確實是大材小用，浪費過于嚴重。
谷歌此前公布的TPU V4與A100針對不同架構模型的訓練速度
性能領先、價格昂貴，效率不佳，外加生態壁壘，過去一年業內都在喊“天下苦英偉達久矣”——云廠商逐漸喪失硬件自主權，疊加供應鏈風險，再加上AMD暫時還“扶不起來”，諸多因素倒逼巨頭開始自研ASIC專用芯片。
自此，AI芯片戰場，從技術競賽轉向經濟性博弈。
正如西南證券的研究結論，“當模型架構進入收斂期，算力投入的每一美元都必須產出可量化的經濟收益?！?span style="display:none">fUg流量資訊——探索最新科技、每天知道多一點LLSUM.COM
從北美云廠商最近反饋的進展看，ASIC已體現出一定的替代優勢：
● 谷歌：博通為谷歌定制的TPU v5芯片在Llama-3推理場景中，單位算力成本較H100降低70%。
● 亞馬遜：3nm制程的AWS Trainium 3，同等算力下能耗僅為通用GPU的1/3，年節省電費超千萬美元；據了解，亞馬遜Trainium芯片2024年出貨量已超50萬片。
● 微軟：根據IDC數據，微軟Azure自研ASIC后，硬件采購成本占比從75%降至58%，擺脫長期被動的議價困境。
作為北美ASIC鏈的最大受益者，博通這一趨勢在數據中愈發顯著。
博通2024年AI業務收入37億美元，同比增240%，其中80%來自ASIC設計服務。2025Q1，其AI業務營收41億美元，同比增77%，同時預計第二季度AI營收44億美元，同比增44%。
早在年報期間，博通指引2027年ASIC收入將大爆發，給市場畫了3年之后ASIC芯片將有望達到900億美元的市場規模這個大餅。Q1電話會期間，公司再次重申了這一點。
憑借這個大的產業趨勢，博通也成為全球繼英偉達、臺積電之后，第三家市值破1萬億美元的半導體公司，同時也帶動了海外對于Marvell、AIchip等公司的關注。
圖：市面主流GPU與ASIC算力成本對比 資料來源：西南證券
不過，有一點需要強調——“ASIC雖好，但也不會殺死GPU”。
微軟、谷歌、Meta都在下場自研，但同時又都在搶英偉達B200的首發，這其實說明了雙方之間不是直接的競爭關系。
更客觀的結論應該是，GPU仍將主導高性能的訓練市場，推理場景中由于GPU的通用性仍將是最主要的芯片，但在未來接近4000億美元的AI芯片藍海市場中，ASIC的滲透路徑已清晰可見。
IDC預測，2024-2026年推理場景中，ASIC占比從15%提升至40%，即最高1600億美元。
這場變革的終局或許是：ASIC接管80%的推理市場，GPU退守訓練和圖形領域。真正的贏家將是那些既懂硅片、又懂場景的“雙棲玩家”，英偉達顯然是其中一員，看好ASIC斷然不是唱空英偉達。
而新世界的指南，是去尋找除英偉達之外的雙棲玩家，如何掘金ASIC新紀元。
02、ASIC的“手術刀”：非核心模塊，通通砍掉
錦緞在《DeepSeek的隱喻：GPU失其鹿，ASIC、SoC們共逐之》一文中詳解過SoC，而CPU、GPU用戶早已耳熟能詳，FPGA應用市場小眾，最為陌生的當屬ASIC。
特性 | CPU | GPU | FPGA | ASIC |
定制化程度 | 通用 | 半通用 | 半定制化 | 全定制化 |
靈活性 | 高 | 高 | 高 | 低 |
成本 | 較低 | 高 | 較高 | 低 |
功耗 | 較高 | 高 | 較高 | 低 |
主要優點 | 通用性最強 | 計算能力強，生態成熟 | 靈活強較高 | 能效最高 |
主要缺點 | 并行算力弱 | 功耗較大，編程難度較大 | 峰值計算能力弱，編程難度較難 | 研發時間長，技術風險高 |
應用場景 | 較少用于AI | 云端訓練和推理 | 云端推理，終端推理 | 云端訓練和推理，終端推理 |
圖：算力芯片對比 資料來源：中泰證券
那么，都說ASIC利好AI推理，究竟它是一個什么樣的芯片？
從架構上來說， GPU這樣的通用芯片，其局限在于“以一敵百”的設計——需要兼顧圖形渲染、科學計算、不同的模型架構等多元需求，導致大量晶體管資源浪費在非核心功能模塊。
英偉達GPU最大的特點，就是有眾多“小核”，這些“小核”可以類比成獵鷹火箭多臺發動機，開發者可以憑借CUDA多年積累的算子庫，平穩、高效且靈活地調用這些小核用于并行計算。
但如果下游模型相對確定，計算任務就是相對確定的，不需要那么多小核來保持靈活性，ASIC最底層的原理正是如此，所以也被稱為全定制化高算力芯片。
通過 “手術刀式”精準裁剪，僅保留與目標場景強相關的硬件單元，釋放出驚人的效率，這在谷歌、亞馬遜都已經在產品上得到了驗證。
谷歌TPU v5e AI加速器實拍
對于GPU來說，調用它們最好的工具是英偉達的CUDA，而對于ASIC芯片，調用它們的是云廠商自研的算法，這對于軟件起家的大廠來說，并不是什么難事：
● 谷歌TPU v4中，95%的晶體管資源用于矩陣乘法單元和向量處理單元，專為神經網絡計算優化，而GPU中類似單元的占比不足60%。
● 不同于傳統馮·諾依曼架構的“計算-存儲”分離模式，ASIC可圍繞算法特征定制數據流。例如在博通為Meta定制的推薦系統芯片中，計算單元直接嵌入存儲控制器周圍，數據移動距離縮短70%，延遲降低至GPU的1/8。
● 針對AI模型中50%-90%的權重稀疏特性，亞馬遜Trainium2芯片嵌入稀疏計算引擎，可跳過零值計算環節，理論性能提升300%。
當算法趨于固定，對于確定性的垂直場景，ASIC就是具有天然的優勢，ASIC設計的終極目標是讓芯片本身成為算法的“物理化身”。
在過去的歷史和正在發生的現實中，我們都能夠找到ASIC成功的力證，比如礦機芯片。
早期，行業都是用英偉達的GPU挖礦，后期隨著挖礦難度提升，電力消耗超過挖礦收益（非常類似現在的推理需求），挖礦專用ASIC芯片爆發。雖然通用性遠不如GPU，但礦機ASIC將并行度極致化。
例如，比特大陸的比特幣礦機ASIC，同時部署數萬個SHA-256哈希計算單元，實現單一算法下的超線性加速，算力密度達到GPU的1000倍以上。不僅專用能力大幅提升，而且能耗實現了系統級節省。
此外，使用ASIC可精簡外圍電路（如不再需要PCIe接口的復雜協議棧），主板面積減少40%，整機成本下降25%。
低成本、高效率，支持硬件與場景深度咬合，這些ASIC技術內核，天然適配AI產業從“暴力堆算力”到“精細化效率革命”的轉型需求。
隨著推理時代的到來，ASIC成本優勢將重演礦機的歷史，實現規模效應下的“死亡交叉”——盡管初期研發成本高昂（單芯片設計費用約5000萬美元），但其邊際成本下降曲線遠陡于通用GPU。
以谷歌TPU v4為例，當出貨量從10萬片增至100萬片時，單顆成本從3800美元驟降至1200美元，降幅接近70%，而GPU的成本降幅通常不超過30%。根據產業鏈最新信息，谷歌TPU v6預計2025年出貨160萬片，單片算力較前代提升3倍，ASIC的性價比，還在快速提升。
這又引申出一個新的話題，是否所有人都可以涌入自研ASIC大潮中去？這取決于自研成本與需求量。
按照7nm工藝的ASIC推理加速卡來計算，涉及IP授權費用、人力成本、設計工具、掩模板在內的一次流片費用等，量級可能就在億元的級別，還不包括后期的量產成本。在這方面，大廠更具有資金優勢。
目前，像谷歌、亞馬遜這樣的云廠商，因為有成熟的客戶體系，能夠形成研發、銷售閉環，自研上擁有先天的優勢。
Meta這種企業，自研的邏輯則在于內部本身就有天量級的算力需求。今年初，扎克伯格就曾透露，計劃在2025年上線約1GW的計算能力，并在年底前擁有超過130萬張GPU。
03、“新地圖”價值遠不止1000億美元
僅僅是挖礦需求就帶來了近100億美元的市場，所以當博通2024年底喊出AI ASIC市場空間700-900億美元的時候，我們并不意外，甚至認為可能這個數字都保守了。
現在，ASIC芯片的產業趨勢不應當再被質疑，重點應該是如何掌握“新地圖”的博弈法則。
近千億美元的AI ASIC市場中，已經形成清晰的三大梯隊——“制定規則的ASIC芯片設計者和制造者” 、“產業鏈配套”、“垂直場景下的Fabless”。
第一梯隊，是制定規則的ASIC芯片設計者和制造者，他們可以制造單價超過1萬美元的ASIC芯片，并與下游的云廠商合作商用，代表玩家有博通、Marvell、AIchip，以及不管是什么先進芯片都會受益的代工王者——臺積電。
第二梯隊，產業鏈配套，已經被市場關注到的配套邏輯包括先進封裝與更下游的產業鏈。
● 先進封裝：臺積電CoWoS產能的35%已轉向ASIC客戶，國產對應的中芯國際、長電科技、通富微電等。
● 云廠商英偉達硬件方案解耦帶來的新硬件機會：如AEC銅纜，亞馬遜自研單顆ASIC需配3根AEC，若2027年ASIC出貨700萬顆，對應市場超50億美元，其他還包括服務器、PCB均是受益于相似邏輯。
第三梯隊，是正在醞釀的垂直場景的Fabless。ASIC的本質是需求驅動型市場，誰能最先捕捉到場景痛點，誰就掌握定價權。ASIC的基因就是定制化，與垂直場景天然適配。以智駕芯片為例，作為典型的ASIC芯片，隨著比亞迪等All in智駕，這類產品開始進入爆發期。
映射全球ASIC產業鏈三大梯隊對應的機會，可以看作是國產的“三把秘鑰”。
受制于禁令的限制，國產GPU與英偉達的差距仍然巨大，生態建設也是一個漫長的路程，但是對于ASIC，我們甚至與海外在同一起跑線上，再結合垂直場景，中國不少Fabless能夠做出更有能效比的產品，前面提及的礦機ASIC、智駕ASIC以及阿里平頭哥的含光、百度的昆侖芯這些AI ASIC。
與之配套的芯片制造，主要依賴中芯國際，中興旗下的中興微等則是新入場的“玩家”，不排除未來他們將與國內廠商合作，上演一場“誰將是中國博通”的戲碼。
左圖為英偉達主要上游供應商，來源Fubon Research ，右圖GB200 NV72L機柜的總長接近2英里的NVlink Spine銅纜
產業鏈配套部分難度相對較低，對應的服務器、光模塊、交換機、PCB、銅纜，由于技術難度低，國內企業本來競爭力就比較強。與此同時，這些產業鏈企業與國產算力屬于“共生”關系，ASIC芯片產業鏈也不會缺席。
應用場景上，除了反復提及的智駕芯片和AI推理加速卡，其他國產設計公司的機會，取決于什么場景能爆發，對應哪些公司又能把握住機遇。
04、結語
當AI從大力出奇跡的訓練軍備競賽，躍進推理追求能效的深水區，算力戰爭的下半場注定屬于那些能將技術狂想，轉化為經濟賬本的公司。
ASIC芯片的逆襲，不僅是一場技術革命，更是一本關于效率、成本和話語權的商業啟示錄。
在這場新的牌局中，中國選手的籌碼正在悄然增加——機會永遠留給準備好的人。
本文鏈接：DeepSeek掀起算力革命，英偉達挑戰加劇，ASIC芯片悄然崛起http://m.lensthegame.com/show-3-103512-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任，僅提供存儲服務。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。