编者按：芯事重重“算力经济学”系列研究，聚焦算力、成本相关话题的技术分析、产业穿透，本期聚焦ASIC芯片自研与产业链研究。本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议。
DeepSeek带动推理需求爆发，英伟达的“算力霸权”被撕开一道口子，一个新世界的大门逐渐打开——
由ASIC芯片主导的算力革命，正从静默走向喧嚣。
日前，芯流智库援引知情人士的消息，称DeepSeek正在筹备AI芯片自研。相比这个后起之秀，国内大厂如阿里、百度、字节们更早就跨过了“自研”的大门。
大洋彼岸，OpenAI自研芯片的新进展也在年初释出，外媒披露博通为其定制的首款芯片几个月内将在台积电流片。
此前更是一度传出Sam Altman计划筹集70000亿美元打造“芯片帝国”，设计与制造通吃。此外，谷歌、亚马逊、微软、Meta也都先后加入了这场“自研热潮”。
一个明显的信号是——无论DeepSeek、OpenAI，还是中国公司和硅谷大厂，谁都不希望在算力时代掉队。而ASIC芯片，可能会成为他们跨越新世界大门的入场券。
这会不会“杀死”英伟达？或者，会不会“再造”第二个英伟达？现在还没有答案。
不过可以明确的是，这场轰轰烈烈的“自研浪潮”，其上游的产业链企业已经“春江水暖鸭先知”，例如给各家大厂提供设计定制服务的博通，业绩已经“起飞”：
2024年AI业务收入同比240%，达到37亿美元；
2025Q1AI业务营收41亿美元，同比增77%；
其中80%来自ASIC芯片设计。
在博通的眼里，ASIC芯片这块蛋糕，价值超过900亿美元。
低成本是AI推理爆发的必要条件，与之相对的是——
通用GPU芯片成了AI爆发的黄金枷锁。
英伟达的H100和A100是大模型训练的绝对王者，甚至连B200、H200也让科技巨头们趋之若鹜。金融时报此前援引Omdia的数据，2024年，英伟达Hopper架构芯片的主要客户包括微软、Meta、Tesla/xAI等，其中微软的订单量达到50万张。
但是，作为通用GPU的绝对统治者，英伟达产品方案其
“硬币的另一面”已逐渐显现：高昂的成本与冗余的能耗。
成本方面，单个H100售价超3万美元，训练千亿参数模型需上万张GPU，再加上网络硬件、存储和安全等后续的投入，总计超5亿美元。根据汇丰的数据，最新一代的GB200 NVL72方案，单机柜超过300万美元，NVL36也在180万美元左右。
可以说，
基于通用GPU的模型训练太贵了，只不过是算力不受限制的硅谷，仍然偏向于“力大砖飞”的叙事，资本支出并未就此减速。
就在日前，马斯克旗下xAI，不久之前公布的Grok-3，训练的服务器规模，已经达到了20万张GPU的规模。
腾讯科技联合硅兔赛跑推出的《两万字详解最全2025 AI关键洞察》一文提到，超大规模数据中心运营商预计2024年资本支出（CapEx）超过 2000亿美元，到2025年这一数字预计将接近2500亿美元，且主要资源都将倾斜给人工智能。
能耗方面，根据SemiAnalysis的测算，10万卡H100集群，总功耗为150MW，每年耗费1.59TWh的电量，按0.078美元/千瓦时计算，每年电费高达1.239亿美元。
对照OpenAI公布的数据，推理阶段GPU的算力利用率仅30%-50%，“边算边等”现象显著，如此低效的性能利用率，在推理时代，确实是大材小用，浪费过于严重。
谷歌此前公布的TPU V4与A100针对不同架构模型的训练速度
性能领先、价格昂贵，效率不佳，外加生态壁垒，过去一年业内都在喊“天下苦英伟达久矣”——
云厂商逐渐丧失硬件自主权，叠加供应链风险，再加上AMD暂时还“扶不起来”，诸多因素倒逼巨头开始自研ASIC专用芯片。
正如西南证券的研究结论，“当模型架构进入收敛期，算力投入的每一美元都必须产出可量化的经济收益。”
从北美云厂商最近反馈的进展看，ASIC已体现出一定的替代优势：
● 谷歌：博通为谷歌定制的TPU v5芯片在Llama-3推理场景中，单位算力成本较H100降低70%。
● 亚马逊：3nm制程的AWS Trainium 3，同等算力下能耗仅为通用GPU的1/3，年节省电费超千万美元；据了解，亚马逊Trainium芯片2024年出货量已超50万片。
● 微软：根据IDC数据，微软Azure自研ASIC后，硬件采购成本占比从75%降至58%，摆脱长期被动的议价困境。
作为北美ASIC链的最大受益者，博通这一趋势在数据中愈发显著。
博通2024年AI业务收入37亿美元，同比增240%，其中80%来自ASIC设计服务。2025Q1，其AI业务营收41亿美元，同比增77%，同时预计第二季度AI营收44亿美元，同比增44%。
早在年报期间，
博通指引2027年ASIC收入将大爆发，给市场画了3年之后ASIC芯片将有望达到900亿美元的市场规模这个大饼
。Q1电话会期间，公司再次重申了这一点。
凭借这个大的产业趋势，博通也成为全球继英伟达、台积电之后，第三家市值破1万亿美元的半导体公司，同时也带动了海外对于Marvell、AIchip等公司的关注。
图：市面主流GPU与ASIC算力成本对比 资料来源：西南证券
不过，有一点需要强调——
“ASIC虽好，但也不会杀死GPU”。
微软、谷歌、Meta都在下场自研，但同时又都在抢英伟达B200的首发，这其实说明了双方之间不是直接的竞争关系。
更客观的结论应该是，GPU仍将主导高性能的训练市场，推理场景中由于GPU的通用性仍将是最主要的芯片，但在未来接近4000亿美元的AI芯片蓝海市场中，ASIC的渗透路径已清晰可见。
IDC预测，2024-2026年推理场景中，ASIC占比从15%提升至40%，即最高1600亿美元。
这场变革的终局或许是：ASIC接管80%的推理市场，GPU退守训练和图形领域。真正的赢家将是那些既懂硅片、又懂场景的“双栖玩家”，英伟达显然是其中一员，看好ASIC断然不是唱空英伟达。
而新世界的指南，是去寻找除英伟达之外的双栖玩家，如何掘金ASIC新纪元。
那么，都说ASIC利好AI推理，究竟它是一个什么样的芯片？
从架构上来说，
GPU这样的通用芯片，其局限在于“以一敌百”的设计——需要兼顾图形渲染、科学计算、不同的模型架构等多元需求，导致大量晶体管资源浪费在非核心功能模块。
英伟达GPU最大的特点，就是有众多“小核”，这些“小核”可以类比成猎鹰火箭多台发动机，开发者可以凭借CUDA多年积累的算子库，平稳、高效且灵活地调用这些小核用于并行计算。
但如果下游模型相对确定，计算任务就是相对确定的，不需要那么多小核来保持灵活性，ASIC最底层的原理正是如此，所以也被称为全定制化高算力芯片。
通过 “手术刀式”精准裁剪，仅保留与目标场景强相关的硬件单元，释放出惊人的效率，这在谷歌、亚马逊都已经在产品上得到了验证。
谷歌TPU v5e AI加速器实拍
对于GPU来说，调用它们最好的工具是英伟达的CUDA，而对于ASIC芯片，调用它们的是云厂商自研的算法，这对于软件起家的大厂来说，并不是什么难事：
● 谷歌TPU v4中，95%的晶体管资源用于矩阵乘法单元和向量处理单元，专为神经网络计算优化，而GPU中类似单元的占比不足60%。
● 不同于传统冯·诺依曼架构的“计算-存储”分离模式，ASIC可围绕算法特征定制数据流。例如在博通为Meta定制的推荐系统芯片中，计算单元直接嵌入存储控制器周围，数据移动距离缩短70%，延迟降低至GPU的1/8。
● 针对AI模型中50%-90%的权重稀疏特性，亚马逊Trainium2芯片嵌入稀疏计算引擎，可跳过零值计算环节，理论性能提升300%。
当算法趋于固定，对于确定性的垂直场景，ASIC就是具有天然的优势，
ASIC设计的终极目标是让芯片本身成为算法的“物理化身”。
在过去的历史和正在发生的现实中，我们都能够找到ASIC成功的力证，比如矿机芯片。
早期，行业都是用英伟达的GPU挖矿，后期随着挖矿难度提升，电力消耗超过挖矿收益（非常类似现在的推理需求），挖矿专用ASIC芯片爆发。虽然通用性远不如GPU，但矿机ASIC将并行度极致化。
例如，比特大陆的比特币矿机ASIC，同时部署数万个SHA-256哈希计算单元，实现单一算法下的超线性加速，算力密度达到GPU的1000倍以上。不仅专用能力大幅提升，而且能耗实现了系统级节省。
此外，使用ASIC可精简外围电路（如不再需要PCIe接口的复杂协议栈），主板面积减少40%，整机成本下降25%。
低成本、高效率，支持硬件与场景深度咬合，这些ASIC技术内核，天然适配AI产业从“暴力堆算力”到“精细化效率革命”的转型需求。
随着推理时代的到来，ASIC成本优势将重演矿机的历史，实现规模效应下的“死亡交叉”——尽管初期研发成本高昂（单芯片设计费用约5000万美元），但其边际成本下降曲线远陡于通用GPU。
以谷歌TPU v4为例，当
出货量从10万片增至100万片时，单颗成本从3800美元骤降至1200美元，降幅接近70%
，而GPU的成本降幅通常不超过30%。根据产业链最新信息，
谷歌TPU v6预计2025年出货160万片，单片算力较前代提升3倍，ASIC的性价比，还在快速提升
。
这又引申出一个新的话题，是否所有人都可以涌入自研ASIC大潮中去？这取决于自研成本与需求量。
按照7nm工艺的ASIC推理加速卡来计算，涉及IP授权费用、人力成本、设计工具、掩模板在内的一次流片费用等，量级可能就在亿元的级别，还不包括后期的量产成本。在这方面，大厂更具有资金优势。
目前
，像谷歌、亚马逊这样的云厂商，因为有成熟的客户体系
，能够形成研发、销售闭环，自研上拥有先天的优势。
Meta这种企业，
自研的逻辑则在于内部本身就有天量级的算力需求
。今年初，扎克伯格就曾透露，计划在2025年上线约1GW的计算能力，并在年底前拥有超过130万张GPU。
