AI算力竞赛正从“买GPU”走向“造ASIC”。谷歌TPU已迭代至第六代，亚马逊Trainium/Inferentia双线并进，微软Maia 100对标H100，Meta MTIA v2算力提升近7倍——北美四大CSP正在将自研AI芯片从“实验项目”升级为“战略核心”。西南证券深度报告详细拆解四大CSP的ASIC产品路线图、性能参数和部署规模，指出自研ASIC已成为CSP降低AI算力成本、优化内部工作负载、构建差异化竞争优势的关键路径。2025-2026年将是CSP自研ASIC全面量产的密集窗口期。
谷歌TPU：六代演进，5万卡线性加速
谷歌TPU是CSP自研ASIC的先行者，截至2024年已迭代6代产品。TPU v5p单个Pod可达8960颗芯片集群规模，借助Multislice训练技术可实现5万卡线性加速——这意味着大模型训练可以在数万颗TPU上实现近线性的性能扩展。
最新一代TPU v6 Trillium预计2024年下半年推出，FP16/BF16精度非稀疏算力达926 TFLOPS，约为英伟达H100的93%、B100的53%。相比TPU v5e，TPU v6能效高出67%，峰值性能高出3.7倍。在MLPerf基准测试中，TPU v4在BERT上比A100快1.15倍，在ResNet上快1.67倍，而A100平均功耗比TPU v4高1.3-1.9倍——性能和功耗的双重优势验证了ASIC在推理场景中的价值。
TPU v5e的相对性价比（TFLOPS/$）是TPU v4的2.3倍，v5p训练LLM的速度比v4快2.8倍。谷歌通过TPU的持续迭代，不断降低单位算力成本，构建了从芯片到集群到软件的全栈AI基础设施。
亚马逊：Trainium+Inferentia双线并进，训练成本降50%
亚马逊在AI芯片领域采取“训练+推理”双产品线策略。Trainium系列针对深度学习训练，Inferentia系列针对AI推理。
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2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的实例与同类实例相比可节省高达50%的训练成本，已针对自然语言处理、计算机视觉和推荐器模型进行优化。
Inferentia 2加速器吞吐量比第一代提高4倍，延迟低至上一代的1/10。支持190 TFLOPS的FP16性能，配置32GB HBM，内存带宽增加10倍。AWS Neuron SDK与PyTorch和TensorFlow原生集成，客户只要修改少量代码即可从GPU迁移到Trainium，降低训练成本的同时保持开发效率。
微软Maia 100与Meta MTIA v2：后来者的“弯道超车”
微软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，超过英伟达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。Maia SDK与PyTorch和ONNX Runtime集成，支持OpenAI的Triton编程语言，赋予开发者完全的可移植性和灵活性。
Meta MTIA v2采用台积电5nm制程，INT8稠密算力354 TFLOPS（接近上一代的3.5倍），稀疏算力708 TFLOPS（达到上一代的近7倍）。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。MTIA v2软件堆栈与PyTorch 2.0完全集成，已部署在16个数据中心，用于增强Meta的排名和广告推荐引擎——这是AI推理在推荐系统中大规模落地的典型案例。
表：北美四大CSP自研ASIC产品关键参数对比| 厂商 | 产品 | 制程 | BF16算力（TFLOPS） | 内存 | 应用场景 |
|---|
| 谷歌 | TPU v6 Trillium | 5nm | 926 | 96GB HBM | 训练+推理 |
| 亚马逊 | Trainium 2 | 5nm | 430 | 96GB HBM | 训练 |
| 微软 | Maia 100 | 5nm | 800 | 64GB HBM2E | 训练+推理 |
| Meta | MTIA v2 | 5nm | 177（稠密INT8） | 128GB LPDDR5 | 推理（推荐系统） |
CSP自研ASIC的共同路径：从软件到硬件的全栈掌控
四大CSP自研ASIC的路径惊人一致——从软件定义硬件，实现全栈优化。谷歌的TPU与TensorFlow/PyTorch深度集成，亚马逊Neuron SDK支持迁移学习，微软Maia SDK与Triton编程语言兼容，Meta MTIA v2软件堆栈与PyTorch 2.0完全集成。
ASIC的软件生态正在从“封闭”走向“开放”。第三方芯片厂商推出开源平台，Triton等编程语言抽象底层硬件细节，开发者可用PyTorch等熟悉的框架在ASIC上高效运行模型。随着软件生态的成熟和CSP自研ASIC的量产放量，ASIC将在AI推理场景中扮演越来越重要的角色，与GPU形成“训练用GPU、推理用ASIC”的分工格局。
