1. 首頁 > 生活百科 > >

GPU王座動搖？ASIC改寫規則

人工智能it芯片ai芯片英偉達gpuGoogle

GPU王座動搖？ASIC改寫規則

文章圖片


在ASIC市場 ， 近日聽到的一些言論是相悖的 。
“全球眾多ASIC項目中 ， 90%會失敗”這句話來自英偉達CEO黃仁勛 。
黃仁勛對于 ASIC 的評價并不算多 。 因此相關言論一出 ， 市場上關于 ASIC 成長性的討論瞬間多了起來 ， 各種猜測層出不窮 。
黃仁勛表示 ， 相較于英偉達主打通用GPU架構 ， ASIC專為特定任務打造 ， 雖在單一用途上效能與效率極高 ， 但缺乏靈活性與擴展性 。 這種“單點優化”策略 ， 難以應對AI應用快速演進的現實 。 黃仁勛評價ASIC時并非否認其價值 ， 而是強調“入場門檻與運維難度都很高” 。 他以谷歌TPU為例稱 ， 其團隊是“全球最強ASIC團隊” ， 但即便如此 ， 谷歌Gemini模型仍同時部署在英偉達GPU上 。
但市場上另一種聲音同樣有依據——在 ASIC 的迅猛發展中 ， 英偉達已嗅到危險的信號 。
01ASIC ， 趕超GPU？
在算力芯片市場 ， ASIC的“簇擁者”可并不算少 。 在ASIC芯片大廠、云巨頭等助推下 ， AI算力市場正在迎來新的臨界點 。
根據野村證券的最新報告 ， 目前英偉達GPU占 AI 服務器市場 80% 以上 ， ASIC 僅占 8%-11% 。
然而 ， 從出貨量的角度來看 ， 情況正在發生變化 。 到2025 年 ， 谷歌的 TPU 出貨量預計將達到 150-200 萬臺 ， 亞馬遜 AWS Trainium 2 ASIC 約為 140-150 萬臺 ， 而英偉達的 AI GPU 供應量將超過 500-600 萬臺 。
供應鏈調查顯示 ， Google 和 AWS 的 AI TPU/ASIC 的總出貨量已經達到 Nvidia AI GPU 出貨量的 40%-60% 。
隨著Meta 于 2026 年開始大規模部署其自主開發的 ASIC 解決方案 ， Microsoft 將于 2027 年開始大規模部署 ， 預計ASIC 總出貨量將在 2026 年的某個時候超過英偉達 GPU 出貨量 。
這也意味著 ， 屬于ASIC的時代將正式到來 。
OpenAI宣布測試谷歌TPU的消息也進一步點燃市場熱情 。 據悉 ， 人工智能（AI）技術大廠OpenAI 已開始租用谷歌的AI芯片 ， 以支持旗下ChatGPT 和其他產品的計算需求 。 對此OpenAI回應稱 ， 目前沒有使用谷歌自研芯片來驅動產品的計劃 。
不過 ， OpenAI 發言人指出 ， 雖然公司的AI 實驗室確實正在初步測試部分谷歌的TPU ， 但目前尚無計劃大規模采用 。
目前 ， OpenAI 主要依賴英偉達的GPU以及AMD 的AI 芯片來滿足其日益成長的AI計算需求 。 為了降低對于英偉達、AMD的依賴 ， OpenAI 也正在開發自家芯片 ， 計劃今年達成“tape-out”里程碑 ， 即芯片設計完成并送交制造 。
上一位采用谷歌TPU而引起轟動的是蘋果 。 去年7月 ， 蘋果在官網的一篇論文中披露 ， 其訓練模型采用了谷歌研發的第四代AI ASIC芯片TPUv4和更新一代的芯片TPUv5 。
在去年之前 ， 與英偉達GPU相比 ， 谷歌的 TPU還像是一位“名不見經傳”的小將 ， 如今看來 ， 似乎已有實力與英偉達GPU展開一番較量 。
但是在筆者看來 ， “ASIC芯片是否在未來有望碾壓GPU？”這更像一個偽命題 。
02ASIC ， 核心優勢
市場普遍認為 ， ASIC 芯片正成為 AI 芯片的重要分支 。 但是ASIC究竟以何種優勢給GPU帶來沖擊？以及具體帶來哪些沖擊 ， 相關討論卻較少 。
針對一系列問題 ， 筆者將對此展開討論 。
根據承擔任務的不同 ， AI芯片主要可以分為兩類 ， 它們分別是AI訓練芯片和AI推理芯片 。
2025年 ， 全球AI推理算力需求呈現爆發式增長 ， 特別是在端側應用場景中 。 這對于ASIC來說 ， 也是一個契機 。
首先說一下什么是推理 。
推理是“用已訓練好的模型處理數據” 的過程（比如用訓練好的圖像識別模型識別照片、用語音模型轉寫語音） 。 一旦模型部署 ， 其算法邏輯（如 CNN 的卷積層、Transformer 的注意力機制）、計算流程（輸入輸出格式、精度需求）會長期固定 ， 幾乎不需要調整 。
【GPU王座動搖？ASIC改寫規則】這種“固定性” 正好匹配 ASIC 的核心優勢 ——為單一任務定制硬件架構：可以直接將推理算法的計算邏輯、數據路徑“固化” 到芯片中 ， 去掉所有無關的通用計算單元（如 GPU 中用于訓練的動態調度模塊、通用內存控制器） ， 讓硬件資源 100% 服務于推理計算 。
同理 ， ASIC在訓練任務中的能力就相對弱一點 。 因為訓練任務算法迭代快 ， 需求靈活 。 ASIC 若用于訓練 ， 算法更新時 ， 芯片面臨失效風險 ， 性價比要低得多 。
推理場景對“能效比”（每瓦功耗能提供的算力）和 “成本” 的敏感度遠高于訓練 ， 而 ASIC 在這兩方面具有碾壓性優勢 。
能效比方面 ， 谷歌TPU v5e TPU的能效比是英偉達H100 的 3 倍 。
成本方面 ， AWS的Trainium 2 在推理任務中性價比比 H100 高 30%-40% ， 谷歌的TPUv5、亞馬遜的 Trainium2 單位算力成本僅為英偉達 H100 的 70% 和 60% 。
一個大模型可能只需要幾十到幾百張訓練芯片（如 GPU） ， 但推理階段可能需要數萬甚至數十萬張芯片（比如 ChatGPT 的推理集群規模是訓練集群的 10 倍以上） 。 因此ASIC 的 “定制化” 設計可以降低單芯片成本 。
VerifiedMarketResearch數據顯示 ， 2023年AI推理芯片市場規模為158億美元 ， 預計到2030年將達到906億美元 ， 在2024-2030年預測期內的復合年增長率為22.6% 。
當前的推理場景正呈現ASIC 與 GPU 共存競爭的格局 ， ASIC芯片市場空間巨大 。
近日 ， 博通CEO Hock Tan與CFO Kirsten Spears也在會議中強調 ， 該公司AI推理領域的訂單顯著增加 ， 該公司目前正與四個潛在的AI XPU客戶緊密合作 ， 計劃在今年為摩根大通認為的Arm/軟銀和OpenAI等主要客戶完成第一代AI XPU產品的流片 。
再看訓練市場的競爭態勢 。 AI訓練芯片市場 ， 幾乎沒有幾家競爭者 ， 英偉達一家就占據了 AI 訓練市場 90% 以上份額 ， 其 Blackwell 架構支持 1.8 萬億參數模型訓練 ， 且 NVLink 6 技術實現 72 卡集群無縫互聯 。
上文提到 ， 訓練任務的“靈活性” 與 GPU 架構天然契合 ， 此外 ， 英偉達通過CUDA 平臺構建了難以撼動的軟件生態：90% 以上的 AI 框架（TensorFlow、PyTorch）原生支持 CUDA ， 開發者無需重寫代碼即可調用 GPU 算力 。 這種生態慣性使得即使 AMD、華為等廠商推出性能接近的訓練芯片 ， 用戶遷移成本依然極高 。
有業內人士向半導體產業縱橫表示 ， 模型架構的穩定性是 ASIC 發揮價值的核心前提——模型穩定時 ， ASIC 的低成本、高效能優勢能充分釋放；模型快速迭代甚至出現革命性變革時 ， ASIC 容易因適配滯后而失效 。
這也是為什么業內一些專家將ASIC市場規模爆發的節點指向2026年 。 ASIC 的設計周期長達 1-2 年 ， 而 AI 模型迭代速度極快（如大模型從 GPT-3 到 GPT-4 僅用 1 年） 。 若 ASIC 設計時錨定的模型過時（如 Transformer 替代 CNN） ， 芯片可能直接失效 。
而如今隨著大模型的發展 ， 算法初步固化 。 再加上ASIC成本的持續下探 ， 它也便有了更好展示自己的舞臺 。
至于ASIC是否會替代GPU？在筆者看來這個問題為時尚早 。
短時間內看 ， ASIC 和 GPU 的競爭 ， 本質是 “效率” 與 “靈活性” 的權衡 ， 二者暫時并非互相替代關系 。 ASIC 在特定場景的優勢 ， 無法打破 GPU 的生態壁壘；而 GPU 的通用性 ， 讓它在復雜任務中難以被替代 。 未來 ， 兩者會借助混合架構（如 GPU + ASIC 加速卡）和異構計算（如 CUDA 與定制指令集協同） ， 實現資源最優配置 。
未來隨著 AI 市場的發展 ， 究竟需要何種芯片 ， 尚難定論 。
03芯片龍頭 ， 紛紛切入ASIC
除了谷歌 ， 國內外均有多家AI芯片公司選擇擁抱ASIC 。
Meta
Meta的核心算力負載來源于推薦系統場景 ， 具備自研強調專用性的ASIC芯片的土壤 。
Meta于2023年和2024年分別推出MTIA V1和MTIA V2芯片 。 此外 ， Meta還計劃2026年推出MTIA V3芯片 ， 預計將搭載高端HBM ， 與V1/V2芯片專注于廣告與社交網絡等特定任務不同 ， 有望擴展應用至模型的訓練與推理任務 。
亞馬遜AWS
AWS在AI芯片的布局主要包含推理芯片Inferentia和訓練芯片Trainium兩大系列 。
自2020年以來 ， 亞馬遜發布了三代Trainium芯片 。 其中Trainium3性能或較上一代提升2倍 ， 能效提升40% ， 搭載該芯片的UltraServers性能預計提升4倍 。
微軟
2023年11月 ， 微軟在Ignite技術大會上發布了首款自家研發的AI芯片Azure Maia 100 ， 以及應用于云端軟件服務的芯片Azure Cobalt 。 兩款芯片將由臺積電代工 ， 采用5nm制程技術 。
Cobalt是基于Arm架構的通用型芯片 ， 具有128個核心 ， Maia 100是一款專為 Azure 云服務和 AI 工作負載設計的 ASIC 芯片 ， 用于云端訓練和推理的 ， 晶體管數量達到1050億個 。 這兩款芯片將導入微軟Azure數據中心 ， 支持OpenAI、Copilot等服務 。
下一代Maia v2的設計已確定 ， 后端設計及量產交付由GUC負責 。 除深化與GUC的合作外 ， 微軟還引入美滿電子共同參與Maiav2進階版的設計開發 ， 以強化自研芯片的技術布局 ， 有效分散開發過程中的技術與供應鏈風險 。

在國內ASIC芯片方面 ， 華為和寒武紀表現突出 。
華為海思旗下昇騰系列處理器自誕生以來 ， 憑借其強勁的算力和創新的設計 ， 特別是昇騰910B ， 在技術和應用上都取得了顯著突破 。
寒武紀作為國內AI芯片設計領域的佼佼者 ， 在推理計算及邊緣設備AI加速方面市場競爭力日益凸顯 。 寒武紀的旗艦產品MLU590專注于AI訓練與推理 。
在全球 AI 芯片競爭中 ， 國產 ASIC 芯片既面臨挑戰 ， 也迎來歷史性機遇 。 通過持續創新和技術突破 ， 國產 ASIC 正逐步擴大市場份額 。
04ASIC芯片 ， 兩大受益者
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 。 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） 。
目前 ， 博通已與三家超大規模云服務提供商（如谷歌、Meta、字節跳動）合作 ， 并新增OpenAI、蘋果等客戶 ， 未來計劃擴展至七家大型科技企業 。 其中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 。
Marvell的定制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 。
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） 。
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