GPU王座動搖？ASIC改寫規則_風聞

半导体产业纵横-半导体产业纵横官方账号-探索IC产业无限可能。39分钟前

2025-08-20

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黃仁勳。

黃仁勳對於 ASIC 的評價並不算多。因此相關言論一出，市場上關於 ASIC 成長性的討論瞬間多了起來，各種猜測層出不窮。

黃仁勳表示，相較於英偉達主打通用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。黃仁勳評價ASIC時並非否認其價值，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。

ASIC，趕超GPU？

在算力芯片市場，ASIC的“簇擁者”可並不算少。在ASIC芯片大廠、雲巨頭等助推下，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佔 AI 服務器市場 80% 以上，ASIC 僅佔 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 萬台，亞馬遜 AWS Trainium 2 ASIC 約為 140-150 萬台，而英偉達的 AI GPU 供應量將超過 500-600 萬台。

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%。

隨着Meta 於 2026 年開始大規模部署其自主開發的 ASIC 解決方案，Microsoft 將於 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。

這也意味着，屬於ASIC的時代將正式到來。

OpenAI宣佈測試谷歌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採用。

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。為了降低對於英偉達、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，即芯片設計完成並送交製造。

上一位採用谷歌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，其訓練模型採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。

ASIC，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帶來衝擊？以及具體帶來哪些衝擊，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。這對於ASIC來説，也是一個契機。

首先説一下什麼是推理。

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。

這種“固定性” 正好匹配 ASIC 的核心優勢 ——為單一任務定製硬件架構：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 中用於訓練的動態調度模塊、通用內存控制器），讓硬件資源 100% 服務於推理計算。

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 若用於訓練，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” 的敏感度遠高於訓練，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 的推理集羣規模是訓練集羣的 10 倍以上）。因此ASIC 的 “定製化” 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年預測期內的複合年增長率為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客户緊密合作，計劃在今年為摩根大通認為的Arm/軟銀和OpenAI等主要客户完成第一代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，英偉達一家就佔據了 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 卡集羣無縫互聯。

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 平台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，用户遷移成本依然極高。

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 容易因適配滯後而失效。

這也是為什麼業內一些專家將ASIC市場規模爆發的節點指向2026年。ASIC 的設計週期長達 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。

而如今隨着大模型的發展，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台。

至於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，二者暫時並非互相替代關係。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，讓它在複雜任務中難以被替代。未來，兩者會藉助混合架構（如 GPU + ASIC 加速卡）和異構計算（如 CUDA 與定製指令集協同），實現資源最優配置。

未來隨着 AI 市場的發展，究竟需要何種芯片，尚難定論。

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。