1. 首頁 > 生活百科 > >

ASIC市場，越來越大了

芯片gpuit芯片人工智能aiGoogle

ASIC市場，越來越大了

文章圖片


ASIC市場在增長 。
這一點早已達成業內共識 。 但令人意外的是 ， ASIC增長的速度實在是太快了 。 摩根士丹利預計 ， AI ASIC市場規模將從2024年的120億美元增長至2027年的300億美元 ， 年復合增長率達到34% 。
要知道2023年—2029年 ， 高性能計算GPU市場的年復合增長率是25% ， 而CPU和APU的增長率僅為5%和8% 。
01ASIC市場 ， 蛋糕膨脹
TrendForce的最新研究報告指出 ， 隨著人工智能服務器需求的迅猛增長 ， 美國主要的云計算服務提供商（CSP）正加快內部開發專用集成電路（ASIC）芯片的步伐 ， 平均每1至2年便推出新一代產品 。 在中國 ， 人工智能服務器市場正逐步適應美國自2025年4月起實施的新出口管制政策 。 據預測 ， 這些措施將導致2025年進口芯片（如NVIDIA和AMD產品）的市場份額從2024年的63%下降至約42% 。
與此同時 ， 在政府積極推動國產人工智能處理器的政策扶持下 ， 預計中國本土芯片制造商的市場份額將提升至40% ， 與進口芯片的市場份額幾乎持平 。
定制芯片是一種經濟選擇 ， 而不是技術選擇 。 ASIC蛋糕增長最重要的驅動力只有一個：錢 。
從當前來看 ， GPU服務器依然是最終用戶的首要選擇 ， 但由于部分GPU產品受供應的限制 ， 導致出現了算力缺口 。 很多頭部的互聯網企業 ， 為了降低成本以及更好地適配自身業務場景 ， 也增大了自研ASIC芯片服務器的部署數量 。
比如在同等預算下 ， AWS的Trainium 2（ASIC芯片）可以比英偉達的H100 GPU更快速完成推理任務 ， 且性價比提高了30%～40% 。 明年計劃推出的Trainium3 ， 計算性能更是提高了2倍 ， 能效提高40% 。
云解決方案提供商正在優先考慮 ASIC 開發 ， 以減少對 NVIDIA 和 AMD 的依賴 ， 更好地控制成本和性能 ， 并增強供應鏈靈活性 。 這種轉變對于管理不斷增長的 AI 工作負載和優化長期運營支出至關重要 。
此外 ， 如果芯片可以帶來戰略優勢 ， 那么ASIC就是有意義的 。 蘋果就是一個很典型的例子 ， 當然也有谷歌 。
02ASIC的典型代表：TPU
廠商對能效比和成本的追求是永無止境的 ， 國外大廠中谷歌、亞馬遜、Meta、OpenAI等大型云計算和大模型廠商均加速布局定制化ASIC 。 國內企業中寒武紀、達摩院、百度、騰訊等都在推出自己的ASIC芯片 。
市場主流的ASIC芯片有TPU、NPU、VPU芯片 。
谷歌的TPU作為ASIC已經非常典型的代表了 。 這是谷歌在2016年推出的首款產品 ， 目標是為了高效地處理張量運算 。
最新的TPU在今年4月發布 ， 谷歌已經推出了第七代張量處理單元（TPU）Ironwood 。 谷歌稱 ， 在大規模部署的情況下 ， 這款 AI 加速器的計算能力能達到全球最快超級計算機的24倍以上 。

Ironwood 擁有超模的技術規格 ， 當每個 pod 擴展至 9216 塊芯片時 ， 它可提供 42.5 exaflops 的 AI 算力 ， 遠超目前全球最快的超級計算機 El Capitan 的 1.7 exaflops 。 每塊 Ironwood 芯片的峰值計算能力可達 4614 TFLOPs 。
在單芯片規格上 ， Ironwood 顯著提升了內存和帶寬 ， 每塊芯片配備 192GB 高帶寬內存（HBM） ， 是去年發布的上一代 TPU Trillium 的六倍 。 每塊芯片的內存帶寬達到 7.2 terabits/s ， 是 Trillium 的 4.5 倍 。
目前 ， TPU芯片已經成為全球第三大數據中心芯片設計廠商 ， 據產業鏈相關人士透露 ， 谷歌TPU芯片去年的生產量已經達到280萬～300萬片之間 。
【ASIC市場，越來越大了】國內這邊布局TPU芯片的企業是中昊芯英 。 創始人楊龔軼凡曾在谷歌TPU核心研發團隊參與過TPU v2/3/4的設計與研發工作 。
2024年 ， 中昊芯英創始人及CEO就曾對外透露 ， 2023年中昊芯英成功實現了全自研的專為AI訓練而生的中國首枚高性能TPU訓練芯片“剎那”的量產交付 。
據悉 ， “剎那”作為一款全自研的GPTPU架構AI訓練芯片 ， 擁有完全自主可控的 IP 核、全自研指令集與計算平臺 。 在處理大規模 AI 模型訓練和推理任務時 ， “剎那”的計算性能超越英偉達 A100 ， 系統集群性能更是十倍于傳統 GPU ， 在完成相同訓練任務量時的能耗僅是傳統 GPU 的一半 。 相比國外產品 ， “剎那”芯片的單位算力成本僅為其42% 。
03ASIC ， 競爭不斷
在ASIC市場 ， 目前博通以55%～60%的份額位居第一 ， Marvell以13%～15%的份額位列第二 。
博通在AI芯片領域的核心優勢在于定制化ASIC芯片和高速數據交換芯片 ， 其解決方案廣泛應用于數據中心、云計算、HPC（高性能計算）和5G基礎設施等領域 。
最新的財報來看 ， 博通2025財年第一季度財報顯示 ， 其營收達149.16億美元 ， 同比增長25%；非GAAP凈利潤78.23億美元 ， 同比激增49% 。 其中 ， AI相關收入41億美元 ， 同比增長77% ， 占總營收的28% ， 在半導體業務中占比更高達50% 。
博通的ASIC芯片業務已成為其核心增長點 。 財報披露 ， 定制AI芯片（ASIC）銷售額預計占第二季度總AI半導體收入的70% ， 達308億美元（約合450億美元） 。
博通有兩個大合作備受關注：第一是Meta與博通已合作開發了前兩代AI訓練加速處理器 ， 目前雙方正加速推進第三代MTIA芯片的研發 ， 預計2024年下半年至2025年將取得重要進展 。
第二是OpenAI已委托博通開發兩代ASIC芯片項目 ， 計劃于2026年投產 ， 將采用業界領先的3nm/2nm制程工藝并搭配3D SOIC先進封裝技術 。 與此同時 ， 雖然蘋果目前仍在使用谷歌TPU ， 但其自研AI芯片項目已在積極推進中 。
Marvell的定制芯片（ASIC）業務正成為其強勁增長的核心動力之一 。 Marvell的具體業務中 ， 數據中心業務占據75%左右 ， 屬于高成長業務 。 這部分業務包括SSD 控制器、高端以太網交換機（Innovium）及定制 ASIC 業務（亞馬遜 AWS 等定制化芯片） ， 主要應用于云服務器、邊緣計算等場景 。
Marvell 從 2018 年起陸續收購了 Cavium、Innovium 等公司 ， 從而增強了公司 AISC 及數據中心的相關能力 。
最新的財報顯示 ， Marvell 在2026財年第一季度的數據中心業務實現營收 14.4 億美元 ， 環比增長 5.5% ， 符合市場預期（14.4 億美元） 。
根據公司交流及產業鏈信息推測 ， Marvell 當前的 ASIC 收入主要來自亞馬遜的 Trainium 2 和谷歌的 Axion Arm CPU 處理器 ， 而公司與亞馬遜合作的Inferential ASIC 項目也將在 2025 年（即 2026 財年）開始量產 。 公司與微軟合作的 Microsoft Maia 項目 ， 有望在 2026 年（即 2027 財年） 。
但主要指出的是 ， 不同于NVIDIA擁有諸如“主權AI”、“創業公司爆發”等更具吸引力的故事 ， Marvell的定制AI芯片依然局限于核心CSP（云服務提供商）的投資節奏中 。
鑒于本季度四大云廠商資本開支整體下滑的趨勢 ， 即使Marvell通過競爭贏得了更多市場份額 ， 但市場總量的縮減仍是不可忽視的事實 。
國內企業也在積極研發ASIC 。
寒武紀科技還在擴展其思元（MLU）芯片系列（比如7nm工藝的思元370、訓練芯片思元290） ， 以支持云端的AI訓練和推理 。 主要客戶包括：手機端（華為曾是其大客戶）、智算中心（政府訂單）、服務器廠商（浪潮、聯想）等 。
同時 ， 國內提供云服務的企業 ， 實際上也推出了自研的ASIC芯片 。
阿里巴巴推出了含光800 ， 作為一款云端AI推理芯片 ， 峰值性能為7.8萬IPS（每秒能處理7.8萬張照片） ， 峰值能效達到500IPS/W 。 在當時 ， 阿里宣稱是全球最高性能的AI推理芯片 ， 一塊含光800相當于10塊GPU 。
百度在量產昆侖芯二代后 ， 又在今年宣布百度智能云成功點亮了首個自研萬卡集群 。 并且宣布是使用的昆侖芯三代P800 。 P800顯存規格優于同類主流GPU20%~50% ， 對MoE架構更加友好 ， 且率先支持8bit推理 ， 單機8卡即可運行671B模型 。 正因如此 ， 昆侖芯相較同類產品更加易于部署 ， 同時可顯著降低運行成本 ， 輕松完成DeepSeek-V3/R1全版本推理任務 。 自研的低成本 ， 使得百度智能云平臺上 ， DeepSeek R1和V3的官方價格直接低至五折和三折 ， 基本實現全網最低 。
騰訊除了自主研發的紫霄推理芯片外 ， 還通過戰略投資 ， 利用Enflame 的 ASIC 解決方案 。 據了解 ， 騰訊自研AI推理芯片“紫霄” ， 已經量產并在多個頭部業務落地 ， 目前在騰訊會議實時字幕上已實現全量上線 ， 單卡紫霄機器負載可達到T4的4倍 ， 并將超時率從0.005%降低至0 。
04結語
ASIC市場的增長 ， 也帶來了新的挑戰 。
一個公司想要節省幾美元的供應商利潤 ， 進行芯片自主設計 。 但現在芯片設計也并不是一個廉價的商品 ， 尤其是先進芯片設計 ， 已經變得非常昂貴 。
臺積電2nm每片晶圓約30000 美元 ， 到了2nm之后的1.4nm成本甚至達到45000 美元 。
我們需要思考的是 ， 我們真的每個公司都需要自己的CPU嗎？
想要獲取半導體產業的前沿洞見、技術速遞、趨勢解析 ， 關注我們！

    推薦閱讀