GPU王座动摇？ASIC改写规则_风闻

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市场，近日听到的一些言论是相悖的。

“全球众多ASIC项目中，90%会失败”这句话来自英伟达CEO黄仁勋。

黄仁勋对于 ASIC 的评价并不算多。因此相关言论一出，市场上关于 ASIC 成长性的讨论瞬间多了起来，各种猜测层出不穷。

黄仁勋表示，相较于英伟达主打通用GPU架构，ASIC专为特定任务打造，虽在单一用途上效能与效率极高，但缺乏灵活性与扩展性。这种“单点优化”策略，难以应对AI应用快速演进的现实。黄仁勋评价ASIC时并非否认其价值，而是强调“入场门槛与运维难度都很高”。他以谷歌TPU为例称，其团队是“全球最强ASIC团队”，但即便如此，谷歌Gemini模型仍同时部署在英伟达GPU上。

但市场上另一种声音同样有依据——在 ASIC 的迅猛发展中，英伟达已嗅到危险的信号。

ASIC，赶超GPU？

在算力芯片市场，ASIC的“簇拥者”可并不算少。在ASIC芯片大厂、云巨头等助推下，AI算力市场正在迎来新的临界点。

根据野村证券的最新报告，目前英伟达GPU占 AI 服务器市场 80% 以上，ASIC 仅占 8%-11%。

然而，从出货量的角度来看，情况正在发生变化。到2025 年，谷歌的 TPU 出货量预计将达到 150-200 万台，亚马逊 AWS Trainium 2 ASIC 约为 140-150 万台，而英伟达的 AI GPU 供应量将超过 500-600 万台。

供应链调查显示，Google 和 AWS 的 AI TPU/ASIC 的总出货量已经达到 Nvidia AI GPU 出货量的 40%-60%。

随着Meta 于 2026 年开始大规模部署其自主开发的 ASIC 解决方案，Microsoft 将于 2027 年开始大规模部署，预计ASIC 总出货量将在 2026 年的某个时候超过英伟达 GPU 出货量。

这也意味着，属于ASIC的时代将正式到来。

OpenAI宣布测试谷歌TPU的消息也进一步点燃市场热情。据悉，人工智能（AI）技术大厂OpenAI 已开始租用谷歌的AI芯片，以支持旗下ChatGPT 和其他产品的计算需求。对此OpenAI回应称，目前没有使用谷歌自研芯片来驱动产品的计划。

不过，OpenAI 发言人指出，虽然公司的AI 实验室确实正在初步测试部分谷歌的TPU，但目前尚无计划大规模采用。

目前，OpenAI 主要依赖英伟达的GPU以及AMD 的AI 芯片来满足其日益成长的AI计算需求。为了降低对于英伟达、AMD的依赖，OpenAI 也正在开发自家芯片，计划今年达成“tape-out”里程碑，即芯片设计完成并送交制造。

上一位采用谷歌TPU而引起轰动的是苹果。去年7月，苹果在官网的一篇论文中披露，其训练模型采用了谷歌研发的第四代AI ASIC芯片TPUv4和更新一代的芯片TPUv5。

在去年之前，与英伟达GPU相比，谷歌的 TPU还像是一位“名不见经传”的小将，如今看来，似乎已有实力与英伟达GPU展开一番较量。

但是在笔者看来，“ASIC芯片是否在未来有望碾压GPU？”这更像一个伪命题。

ASIC，核心优势

市场普遍认为，ASIC 芯片正成为 AI 芯片的重要分支。但是ASIC究竟以何种优势给GPU带来冲击？以及具体带来哪些冲击，相关讨论却较少。

针对一系列问题，笔者将对此展开讨论。

根据承担任务的不同，AI芯片主要可以分为两类，它们分别是AI训练芯片和AI推理芯片。

2025年，全球AI推理算力需求呈现爆发式增长，特别是在端侧应用场景中。这对于ASIC来说，也是一个契机。

首先说一下什么是推理。

推理是“用已训练好的模型处理数据” 的过程（比如用训练好的图像识别模型识别照片、用语音模型转写语音）。一旦模型部署，其算法逻辑（如 CNN 的卷积层、Transformer 的注意力机制）、计算流程（输入输出格式、精度需求）会长期固定，几乎不需要调整。

这种“固定性” 正好匹配 ASIC 的核心优势 ——为单一任务定制硬件架构：可以直接将推理算法的计算逻辑、数据路径“固化” 到芯片中，去掉所有无关的通用计算单元（如 GPU 中用于训练的动态调度模块、通用内存控制器），让硬件资源 100% 服务于推理计算。

同理，ASIC在训练任务中的能力就相对弱一点。因为训练任务算法迭代快，需求灵活。ASIC 若用于训练，算法更新时，芯片面临失效风险，性价比要低得多。

推理场景对“能效比”（每瓦功耗能提供的算力）和 “成本” 的敏感度远高于训练，而 ASIC 在这两方面具有碾压性优势。

能效比方面，谷歌TPU v5e TPU的能效比是英伟达H100 的 3 倍。

成本方面，AWS的Trainium 2 在推理任务中性价比比 H100 高 30%-40%，谷歌的TPUv5、亚马逊的 Trainium2 单位算力成本仅为英伟达 H100 的 70% 和 60%。

一个大模型可能只需要几十到几百张训练芯片（如 GPU），但推理阶段可能需要数万甚至数十万张芯片（比如 ChatGPT 的推理集群规模是训练集群的 10 倍以上）。因此ASIC 的 “定制化” 设计可以降低单芯片成本。

VerifiedMarketResearch数据显示，2023年AI推理芯片市场规模为158亿美元，预计到2030年将达到906亿美元，在2024-2030年预测期内的复合年增长率为22.6%。

当前的推理场景正呈现ASIC 与 GPU 共存竞争的格局，ASIC芯片市场空间巨大。

近日，博通CEO Hock Tan与CFO Kirsten Spears也在会议中强调，该公司AI推理领域的订单显著增加，该公司目前正与四个潜在的AI XPU客户紧密合作，计划在今年为摩根大通认为的Arm/软银和OpenAI等主要客户完成第一代AI XPU产品的流片。

再看训练市场的竞争态势。AI训练芯片市场，几乎没有几家竞争者，英伟达一家就占据了 AI 训练市场 90% 以上份额，其 Blackwell 架构支持 1.8 万亿参数模型训练，且 NVLink 6 技术实现 72 卡集群无缝互联。

上文提到，训练任务的“灵活性” 与 GPU 架构天然契合，此外，英伟达通过CUDA 平台构建了难以撼动的软件生态：90% 以上的 AI 框架（TensorFlow、PyTorch）原生支持 CUDA，开发者无需重写代码即可调用 GPU 算力。这种生态惯性使得即使 AMD、华为等厂商推出性能接近的训练芯片，用户迁移成本依然极高。

有业内人士向半导体产业纵横表示，模型架构的稳定性是 ASIC 发挥价值的核心前提——模型稳定时，ASIC 的低成本、高效能优势能充分释放；模型快速迭代甚至出现革命性变革时，ASIC 容易因适配滞后而失效。

这也是为什么业内一些专家将ASIC市场规模爆发的节点指向2026年。ASIC 的设计周期长达 1-2 年，而 AI 模型迭代速度极快（如大模型从 GPT-3 到 GPT-4 仅用 1 年）。若 ASIC 设计时锚定的模型过时（如 Transformer 替代 CNN），芯片可能直接失效。

而如今随着大模型的发展，算法初步固化。再加上ASIC成本的持续下探，它也便有了更好展示自己的舞台。

至于ASIC是否会替代GPU？在笔者看来这个问题为时尚早。

短时间内看，ASIC 和 GPU 的竞争，本质是 “效率” 与 “灵活性” 的权衡，二者暂时并非互相替代关系。ASIC 在特定场景的优势，无法打破 GPU 的生态壁垒；而 GPU 的通用性，让它在复杂任务中难以被替代。未来，两者会借助混合架构（如 GPU + ASIC 加速卡）和异构计算（如 CUDA 与定制指令集协同），实现资源最优配置。

未来随着 AI 市场的发展，究竟需要何种芯片，尚难定论。

芯片龙头，纷纷切入ASIC

除了谷歌，国内外均有多家AI芯片公司选择拥抱ASIC。