专用集成电路（ASIC）正从算力的“配角”走向“主角”。西南证券深度报告指出，随着AI推理需求爆发和云厂商降本诉求增强，数据中心ASIC市场2028年预计达429亿美元，2023-2028年CAGR达45%，远超通用加速芯片的32%。北美四大云厂商2024年前三季度Capex同比大增56%，谷歌TPU v6算力达926 TFLOPS（H100的93%），博通ASIC业务2024财年收入超100亿美元。ASIC时代已至。
ASIC行业概述：从通用走向定制的算力革命
ASIC（Application Specific Integrated Circuit）是为专门目的或算法而定制设计的芯片，架构并不固定，从简单的网卡芯片到顶尖AI芯片（如谷歌TPU、华为昇腾910B）均属此范畴。ASIC并不代表简单，而是面向特定需求的设计思路。
随着芯片制造工艺达极限，性能提升速度放缓，散热问题日趋严峻。ASIC相较于通用芯片，卸载了不必要的逻辑单元，根据特定应用需求进行优化，减小芯片面积，实现数据处理速度、能耗、计算效率的平衡。全定制ASIC芯片平均算力输出约为半定制ASIC的8倍，采用24纳米制程的全定制ASIC在性能上优于5纳米的半定制ASIC。
ASIC可分为三类：全定制（基于不同电路结构设计逻辑单元，性能功耗最优）、半定制（逻辑单元取自标准库，部分自定义）、可编程（PLD可编程逻辑器件）。当下主流AI ASIC主要分为TPU（张量计算）、DPU（数据中心加速）和NPU（神经网络计算）三大类型。
市场前景：2028年429亿美元，推理集群驱动高增长
ASIC市场正迎来爆发式增长。据Marvell预测，2023年定制芯片仅占数据中心加速计算芯片的16%（约66亿美元），预计2028年占比提升至25%，市场规模达429亿美元，2023-2028年CAGR达45%。通用加速计算芯片2028年预计达1716亿美元，CAGR为32%。
核心驱动力来自云厂商资本开支的持续扩张。2024年前三季度，北美四大云服务商Capex达1708亿美元，同比增长56%，增速逐季加快（Q1-Q3 yoy分别为34.7%、64.6%、68%）。微软530亿美元（+78.5%）、亚马逊551.7亿美元（+44.6%）、谷歌382.6亿美元（+79%）、Meta243.9亿美元（+20.7%）。资本支出大幅提升背后是AI赛道竞赛、算力稀缺、AI云赋能和生态拓展等多重驱动。
推理集群是ASIC成长的核心战场。训练阶段对加速计算芯片的需求已提升到万卡级别，未来10万卡级别可期；推理阶段单个集群需求低于训练集群，但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。
ASIC vs GPU：成本、功耗、生态的三维对比
ASIC在特定任务上具有显著优势。硬件性能方面，ASIC针对特定算法和应用优化设计，具有较高能效比；GPU具有强大并行计算能力，但在特定任务上效率可能不如ASIC。ASIC在绝对算力和片间互联方面普遍低于AI GPU，但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。
单位算力成本方面，ASIC硬件结构为特定任务定制，减少了很多不必要的硬件设计。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可显著降低。
软件生态方面，云厂商普遍具备较强研发能力，为ASIC研发了配套的全栈软件生态。谷歌TPU、亚马逊Neuron SDK、微软Maia SDK均与PyTorch等主流框架深度集成。ASIC更适用于推理场景（对计算精度要求较低、对速度和成本要求较高），GPU更适用于训练场景（需处理大量数据和复杂计算、频繁调试迭代）。ASIC放量与对应的算力降本，是大模型走向更大产业的必经之路。
云厂商自研：谷歌、亚马逊、微软、Meta、特斯拉全梳理
谷歌TPU已迭代6代产品。TPU v6 Trillium FP16/BF16算力达926 TFLOPS，约为H100的93%、B100的53%，能效比v5e高出67%。TPU v4在BERT上比A100快1.15倍，在ResNet上快1.67倍，平均功耗比A100高1.3-1.9倍。TPU v5p单个Pod可达8960颗芯片，借助Multislice训练技术可实现5万卡线性加速。
亚马逊Trainium 2 FP16/BF16算力430 TFLOPS，HBM容量96GB、带宽4TB/s，性能较第一代提高4倍、能效提高1倍，训练成本节省高达50%。Inferentia 2吞吐量较第一代提高4倍，延迟低至1/10。AWS Neuron SDK与PyTorch和TensorFlow原生集成。
微软Maia 100采用台积电5nm和CoWoS-S封装，BF16算力800 TFLOPS（A100的28%+，H100的40%），64GB HBM2E。每个Ares机架搭载32颗Maia 100，功率40kW。Meta MTIA v2采用5nm，INT8稠密算力354 TFLOPS（上一代3.5倍），每个机架系统72颗芯片。特斯拉Dojo D1采用7nm，25颗D1组成训练板（15kW），6个训练板组成1 Exaflop训练矩阵。
