一、ASIC市场前景与驱动因素

1.1 北美四大CSP资本支出规模（亿美元）

2024年前三季度北美四大CSP（微软、亚马逊、谷歌、Meta）资本支出规模合计达1708亿美元，同比增长56%，且逐季加快（Q1-Q3同比增速分别为34.7%、64.6%、68%）。资本支出大幅提升背后是各家巨头在AI赛道上的竞赛、AI算力稀缺和AI云赋能的驱动，为ASIC芯片需求提供强劲支撑。

1.2 ASIC需要满足不同业务/应用的加速计算需求

大型CSP的业务模型和应用场景多通过自身云承载，包括内部应用（搜索引擎、社交媒体）、SaaS服务（AI聊天机器人、Copilot）和IaaS服务等。ASIC可适应不同业务场景和商业模式的需求，满足客户对内部工作负载架构优化、更低功耗与成本、为AI工作负载定制内存和I/O架构等核心需求。

1.3 训练和推理对AI算力集群的需求差异

训练阶段对加速计算芯片的需求已提升到万卡级别，未来10万卡级别指日可待。推理阶段单个集群对芯片需求低于训练集群，但推理集群部署数量远多于训练集群，预计达百万级别。AI算力集群特别是推理集群对加速计算芯片的庞大需求，是ASIC快速成长的核心驱动力。

1.4 数据中心定制加速计算市场规模

据Marvell预测，2023年ASIC占数据中心加速计算芯片的16%，规模约66亿美元。随着AI计算需求增长，ASIC占比有望提升至25%，预计2028年数据中心ASIC市场规模将提升至429亿美元，2023-2028年复合增长率达45.4%。

二、ASIC与GPU对比——性能、成本与生态

2.1 市面主流GPU与ASIC规格对比

ASIC在绝对算力和片间互联方面普遍低于AI GPU，但在特定任务上具有较高能效比。谷歌TPU v6 FP16/BF16算力达926 TFLOPS（约为H100的93%），亚马逊Trainium 2达430 TFLOPS，微软Maia 100 BF16算力800 TFLOPS。ASIC服务器间互联采用以太网为主，具有通用性强、生态开放、低成本等优势。

2.2 市面主流GPU与ASIC算力成本对比

ASIC硬件结构为特定任务定制，减少了通用加速计算不必要的硬件设计，单位算力成本更低。谷歌TPU v5、亚马逊Trainium 2的单位算力成本分别为英伟达H100的70%、60%。ASIC在大规模生产后单位成本显著降低，满足大型CSP降本需求。

2.3 ASIC以推理场景为主，并开始切入到部分训练环节

推理阶段对芯片计算精度要求相对较低，但对速度、能效和成本要求高，ASIC高度定制化设计可针对性优化，以较低功耗实现快速推理计算，在大规模部署场景成本优势明显。GPU更适用于训练阶段，其众多计算核心和高带宽内存可同时处理大量数据样本和复杂计算任务，灵活性更适合模型调试和迭代。ASIC已开始切入部分训练环节。

三、北美四大CSP自研AI ASIC产品线

3.1 谷歌TPU历代产品性能

谷歌TPU已迭代6代产品，TPU v5p单个Pod可达8960颗芯片集群规模，借助Multislice技术可实现5万卡线性加速。最新TPU v6 Trillium预计2024H2推出，FP16/BF16非稀疏算力926 TFLOPS，能效比TPU v5e高出67%，峰值性能高出3.7倍，采用5nm制程，配备96GB HBM。

3.2 TPU与A100在MLPerf训练中的性能与功耗对比

TPU v4在BERT上比A100快1.15倍，在ResNet上快1.67倍；运行MLPerf基准测试时，A100平均功耗比TPU v4高1.3-1.9倍（BERT测试中A100功耗380W vs TPU v4 197W）。TPU v4虽单芯片算力为A100的88%，但在性能和功耗表现上优于A100。

3.3 亚马逊Trainium产品线

Trainium 2提供430 TFLOPS的FP16/BF16算力，HBM容量96GB、带宽4TB/s，相比第一代性能提高4倍、能效提高1倍。每个EC2 Trn1实例部署多达16个Trainium加速器，未来可扩展至10万芯片集群。基于Trainium的实例与同类相比可节省高达50%训练成本。

3.4 微软Maia 100介绍

Maia 100采用台积电5nm制程和CoWoS-S封装，配备64GB HBM2E（带宽1.8TB/s），设计最大功耗700W TDP。BF16下算力800 TFLOPS（超过A100 28%，约为H100的40%），搭载32颗Maia 100的Ares机架功率可达40kW，配备Sidekick液体冷却系统。

3.5 Meta MTIA 2规格与芯片架构

MTIA v2采用台积电5nm制程，INT8稠密算力354 TFLOPS（接近上一代3.5倍），稀疏算力708 TFLOPS（近7倍），配备128GB LPDDR5内存。芯片内部8×8处理单元网格基于RISC-V内核，片内SRAM 256MB（带宽2.7TB/s），每个机架系统搭载72颗MTIA芯片。

四、ASIC产业链相关标的——博通与Marvell

4.1 2024年博通AI芯片目标占比35%

博通AI业务收入占比从2019年的低于5%提升至2023年的15%左右，公司预计2024年实现超100亿美元AI收入体量，占整体收入比例提升至35%。博通已为两家头部CSP客户批量供应ASIC产品，另一客户产能爬坡中，预计2025年贡献业绩。

4.2 博通广泛的IP储备为XPU赋能

博通IP储备覆盖计算（处理单元架构、设计流和性能优化）、存储（HBM PHY、整合和性能）、网络IO（架构实现、Chiplets软硬一体化解决方案）和封装（2.5D/3D封装、硅光架构）四大领域，SerDes、AI优化NICs、高端封装、交换机、CPO等IP处于行业领先水平，研发投入30亿美元。

4.3 Marvell加速AI业务收入规模预测

Marvell AI业务2023财年约2亿美元，公司预计2024-2026财年加速AI业务（连接+定制化计算）收入从5.5亿提升至25亿美元。数据中心业务TAM 2023-2028年从210亿美元增长至750亿美元（CAGR 29%），其中定制化加速计算TAM从66亿增长至429亿美元（CAGR 45%）。

4.4 Marvell的定制计算产品线和主要客户情况

Marvell定制计算产品包括AI加速芯片及针对安全、NIC/DPU、ARM计算、存储、视频和CXL功能的ASIC。客户涵盖美国3/4的大型CSP，为亚马逊设计的Trainium 2已批量出货，B客户ARM CPU正产能爬坡，新C客户AI加速器将于2026年产能爬坡。