云南龙网

  1. 首页 > 生活百科 > >

GPU王座动摇？ASIC改写规则

人工智能it芯片ai芯片英伟达gpuGoogle

GPU王座动摇？ASIC改写规则

文章图片


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 。
01ASIC ， 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 。
02ASIC ， 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 。
【GPU王座动摇？ASIC改写规则】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 。
03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 。
Meta
Meta的核心算力负载来源于推荐系统场景 ， 具备自研强调专用性的ASIC芯片的土壤 。
Meta于2023年和2024年分别推出MTIA V1和MTIA V2芯片 。 此外 ， Meta还计划2026年推出MTIA V3芯片 ， 预计将搭载高端HBM ， 与V1/V2芯片专注于广告与社交网络等特定任务不同 ， 有望扩展应用至模型的训练与推理任务 。
亚马逊AWS
AWS在AI芯片的布局主要包含推理芯片Inferentia和训练芯片Trainium两大系列 。
自2020年以来 ， 亚马逊发布了三代Trainium芯片 。 其中Trainium3性能或较上一代提升2倍 ， 能效提升40% ， 搭载该芯片的UltraServers性能预计提升4倍 。
微软
2023年11月 ， 微软在Ignite技术大会上发布了首款自家研发的AI芯片Azure Maia 100 ， 以及应用于云端软件服务的芯片Azure Cobalt 。 两款芯片将由台积电代工 ， 采用5nm制程技术 。
Cobalt是基于Arm架构的通用型芯片 ， 具有128个核心 ， Maia 100是一款专为 Azure 云服务和 AI 工作负载设计的 ASIC 芯片 ， 用于云端训练和推理的 ， 晶体管数量达到1050亿个 。 这两款芯片将导入微软Azure数据中心 ， 支持OpenAI、Copilot等服务 。
下一代Maia v2的设计已确定 ， 后端设计及量产交付由GUC负责 。 除深化与GUC的合作外 ， 微软还引入美满电子共同参与Maiav2进阶版的设计开发 ， 以强化自研芯片的技术布局 ， 有效分散开发过程中的技术与供应链风险 。

在国内ASIC芯片方面 ， 华为和寒武纪表现突出 。
华为海思旗下昇腾系列处理器自诞生以来 ， 凭借其强劲的算力和创新的设计 ， 特别是昇腾910B ， 在技术和应用上都取得了显著突破 。
寒武纪作为国内AI芯片设计领域的佼佼者 ， 在推理计算及边缘设备AI加速方面市场竞争力日益凸显 。 寒武纪的旗舰产品MLU590专注于AI训练与推理 。
在全球 AI 芯片竞争中 ， 国产 ASIC 芯片既面临挑战 ， 也迎来历史性机遇 。 通过持续创新和技术突破 ， 国产 ASIC 正逐步扩大市场份额 。
04ASIC芯片 ， 两大受益者
在ASIC市场 ， 目前博通以55%～60%的份额位居第一 ， Marvell以13%～15%的份额位列第二 。
博通在AI芯片领域的核心优势在于定制化ASIC芯片和高速数据交换芯片 ， 其解决方案广泛应用于数据中心、云计算、HPC（高性能计算）和5G基础设施等领域 。 博通的ASIC芯片业务已成为其核心增长点 。 财报披露 ， 定制AI芯片（ASIC）销售额预计占第二季度总AI半导体收入的70% ， 达308亿美元（约合450亿美元） 。
目前 ， 博通已与三家超大规模云服务提供商（如谷歌、Meta、字节跳动）合作 ， 并新增OpenAI、苹果等客户 ， 未来计划扩展至七家大型科技企业 。 其中博通有两个大合作备受关注：第一是Meta与博通已合作开发了前两代AI训练加速处理器 ， 目前双方正加速推进第三代MTIA芯片的研发 ， 预计2024年下半年至2025年将取得重要进展 。
Marvell的定制ASIC业务正成为其强劲增长的核心动力之一 。 Marvell的具体业务中 ， 数据中心业务占据75%左右 ， 属于高成长业务 。 这部分业务包括SSD 控制器、高端以太网交换机（Innovium）及定制 ASIC 业务（亚马逊 AWS 等定制化芯片） ， 主要应用于云服务器、边缘计算等场景 。
根据公司交流及产业链信息推测 ， Marvell 当前的 ASIC 收入主要来自亚马逊的 Trainium 2 和谷歌的 Axion Arm CPU 处理器 ， 而公司与亚马逊合作的Inferential ASIC 项目也将在 2025 年（即 2026 财年）开始量产 。 公司与微软合作的 Microsoft Maia 项目 ， 有望在 2026 年（即 2027 财年） 。
想要获取半导体产业的前沿洞见、技术速递、趋势解析 ， 关注我们！

    推荐阅读


    上一篇：小米 OV 荣耀出手，这功能终于来了！

    下一篇：AI 的终点不是对话框，这家公司想让真实世界成为 AI 的提示词