ASIC芯片概念、分类与市场前景如何？

目前英伟达在 AI 加速卡领域仍然占据主要供应商的地位，但云商自研 ASIC 的比例正在逐步提升。

一、ASIC 芯片概念

AI 芯片主要包括 GPU、FPGA 和 ASIC。AIASIC 是一种专为人工智能应用设计的定制集成电路，具有 高性能、低功耗、定制化、低成本等特点。主要原因是，ASIC 去除了冗余设计，适合执行特定任务， 能耗表现优异；同时，ASIC 在适配任务中运算延迟低、峰值运算能力强，在 AI 边缘推理、深度学习训 练等领域表现卓越，远超 CPU 在执行同类任务时的表现。正是因为这些优势，Google、寒武纪等企业 纷纷布局 ASIC 的研究。 当然，ASIC 也有其局限性。例如定制化程度高，开发周期漫长且灵活性差，算法升级或任务变更时难 以复用。

ASIC 还可进一步细分有 TPU、NPU、DPU 及其他 ASIC 芯片。TPU 即为谷歌发明的 AI 处理器，主 要支持张量计算，DPU 则是用于数据中心内部的加速计算，NPU 则是对应了上一轮 AI 热潮中的 CNN 神经卷积算法，后来被大量 SoC 进了边缘设备的处理芯片中。

ASIC 芯片也分为全定制 ASIC 芯片、半定制 ASIC 芯片及可编程 ASIC 芯片。 （1）全定制 ASIC 芯片：全定制 ASIC 芯片是定制程度最高的芯片之一，研发人员基于不同电路结构设 计针对不同功能的逻辑单元，于芯片板搭建模拟电路、存储单元、机械结构。全定制化 ASIC 芯片在性 能、功耗等方面表现优异。全定制化 ASIC 芯片平均算力输出约为半定制化 ASIC 芯片平均算力输出的 8 倍，采用 24 纳米制程的全定制化 ASIC 芯片在性能上优于采用 5 纳米制程的半定制化 ASIC 芯片。 （2）半定制 ASIC 芯片：构成半定制 ASIC 芯片的逻辑单元大部分取自标准逻辑单元库，部分根据特 定需求做自定义设计。1）门阵列芯片：门阵列 ASIC 芯片包括有信道门阵列、无信道门阵列和结构化门 阵列。门阵列 ASIC 芯片结构中硅晶片上预定晶体管位置不可改变，设计人员多通过改变芯片底端金属 层等方式调整逻辑单元互连结构；2）标准单元：该类 ASIC 芯片由选自标准单元库的逻辑单元构成。设 计人员可按算法需求自行布置标准单元。 （3）可编程 ASIC 芯片：PLD 亦称可编程逻辑器件，在结构上包括基础逻辑单元矩阵、触发器、锁存 器等，其互连部分作为单个模块存在。设计人员通过对 PLD 进行编程以满足部分定制应用程序需求。

二、市场前景

1、云商自研 ASIC 成 AI 芯片增量关键

目前英伟达在 AI 加速卡领域仍然占据主要供应商的地位，但云商自研 ASIC 的比例正在逐步提升。AI 加速卡的竞争格局中主要有三类“玩家”：1）全球龙头英伟达；2）其他商业 AI 加速卡公司，如 AMD、 Intel、昇腾等；3）云厂商自研 ASIC。据 Trendforce 统计，2022 年全球 AI 芯片市占率来看，英伟达 独占 67.6%，2024 年英伟达市占率将有所下降，而 AMD 以及其他云商自研 ASIC 比例有望提升。 云厂商自研 ASIC 将成为未来 AI 芯片增量最核心的来源。一方面，云商自研加速卡在成本方面显著优 于向英伟达等商业公司外采，4Q24 英伟达毛利率已达到 73.0%，采用自研加速卡的方式，将帮助云商 在有限的资本开支下获得更多的 AI 算力。另一方面，云商自研 ASIC 更加灵活，云厂商可以根据自身的 模型训练和推理需求，进行 AI 芯片和服务器架构的设计，从而实现更好的训练和推理效果。伴随着云 厂商自研 ASIC 产品的逐步成熟，未来云商在 AI 算力的布局中自研的比例有望逐步提升。

2、ASIC 可适应不同的业务场景和商业模式的需求

大型云端服务供应商的业务模型、应用场景等很多通过自身的云来承载，每个云承载了独特的应用和商 业模型，包括内部应用（比如搜索引擎、社交媒体等）、SaaS 服务（比如 AI 聊天机器人、Copilot 等）、 IaaS 服务等。ASIC 可以适应不同的业务场景和商业模式的需求。 ASIC 可以满足多种多样客户的需求，实现内部工作负载的架构优化，实现更低的功耗，更低的成本以 及为 AI 工作负载定制的内存和 I/O 架构。

3、推理端算力需求将带动 ASIC 市场空间

随着推理成本的降低，推理端算力需求有望持续扩大。AIGC 模型在处理输入和输出时，其计算资源消 耗与输入输出的数据量成正比，费用计算基于输入输出的 Token 数量。以 OpenAI 为例，2023 年 GPT4 的 API 推理成本为每百万 Token36 美元，而 2024 年 GPT-4o 推理成本为每百万 Token4 美元，降幅 达 89%。

Deepseek 加速大模型平价化，大幅降低了大模型开发成本，拉动了 AI 应用测需求爆发，推理场景的需 求日益增加，推动算力需求由训练端向推理端转移。IDC 预测，国内推理的服务器工作负载占比预计由 2024 年的 65%逐年增加至 2028 年的 73%，推理算力占比总体呈现增加趋势。

推理芯片更加关注功耗、时延、成本，且对精度要求相对较低。ASIC 芯片在推理领域具有明显优势。 根据 CSET 数据，ASIC 芯片在推理领域优势明显，其效率和速度约为 CPU 的 100-1000 倍，相较于 GPU 和 FPGA 具备显著竞争力。随着未来推理需求高增长，预计未来市场空间将快速增长。