ASIC疯狂，2028年出货量将超过GPU

公众号记得加星标⭐️，第一时间推送不会错过。

过去几年，人工智能产业的发展几乎与GPU的崛起同步。无论是大语言模型训练，还是生成式AI应用爆发，英伟达GPU凭借强大的并行计算能力和成熟的软件生态，成为AI基础设施的核心组成部分。尤其是CUDA生态的建立，让GPU不仅是一颗计算芯片，更形成了一套围绕开发工具、软件框架和应用生态构建起来的完整体系，这也是英伟达能够在AI时代快速建立优势的重要原因。

但随着AI产业进入新的发展阶段，GPU一家独大的格局正在发生变化。AI模型规模不断扩大，训练成本持续提升，同时，大量AI应用开始进入商业化部署阶段，推理任务正在快速增加。对于云计算企业而言，真正的挑战已经不仅是如何获得更高峰值算力，而是如何以更低功耗、更低成本运行大规模AI服务。在这一背景下，定制化AI芯片ASIC开始受到越来越多关注。

Omdia预计，2028年全球AI ASIC出货量将达到1050万颗，而GPU出货量约为1010万颗。虽然从收入规模来看，GPU仍将在2032年前保持领先，但出货量变化已经释放出一个重要信号，AI计算正在从通用GPU平台逐渐转向更加定制化的方向。

来源：Omdia

这种变化背后，是半导体产业长期存在的“牧本波”（Makimoto’s Wave）。1991年，索尼首席技术官牧本次生提出，半导体产业会在标准化和定制化之间不断循环。当技术和应用仍处于快速探索阶段时，通用芯片能够凭借灵活性获得优势，但当工作负载逐渐成熟、需求更加明确时，针对特定任务优化的芯片往往能够实现更高效率。

如今的AI产业正在经历类似转变。GPU之所以能够成为AI训练时代的核心，是因为它提供了高度通用的计算能力，可以适应不断变化的算法和模型结构。但随着AI应用规模扩大，越来越多计算任务开始趋于固定，例如搜索推荐、广告排序、智能助手以及企业内部AI应用等，这些场景并不一定需要GPU提供完整的通用计算能力，而更加关注单位功耗下能够完成多少计算任务。

这正是ASIC的优势所在。相比GPU强调通用性，ASIC可以围绕特定算法、模型和应用场景进行硬件优化，通过减少不必要的计算资源，提高性能和能效比。当AI服务需要每天处理数亿甚至更多请求时，ASIC带来的效率提升会被进一步放大。因此，随着AI工作负载不断趋于成熟，定制ASIC有望逐渐成为重要的AI计算平台。

AI ASIC浪潮的推动者，并不是传统芯片厂商，而是全球最大的云计算和人工智能企业。过去，微软、谷歌、亚马逊等公司主要依靠英伟达GPU搭建AI基础设施，但随着AI应用规模扩大，仅依赖通用GPU已经难以同时满足成本、供应和效率需求。因此，越来越多企业开始尝试设计自己的AI加速器。

谷歌是AI ASIC领域最早布局的企业之一。其Tensor Processing Unit（TPU）已经发展多年，并逐渐从内部使用扩展到云服务市场。相比通用GPU，TPU针对机器学习任务进行了专门优化，可以更高效地支持谷歌自身的大规模AI应用。如今，谷歌正在进一步扩大TPU商业化范围，希望将其打造为谷歌云区别于其他云服务商的重要竞争优势。

与此同时，亚马逊推出Trainium系列芯片，希望降低AI模型训练成本，Meta也开发MTIA，针对自身推荐系统和AI推理业务优化硬件架构。微软、OpenAI、字节跳动、阿里巴巴等企业也正在推进定制AI芯片项目。这些大型项目正在推动AI ASIC从实验性产品走向规模化部署阶段。

对于这些企业而言，自研芯片并不意味着完全放弃GPU，而是希望掌握更多基础设施主动权。过去，企业需要围绕英伟达GPU调整自己的AI系统；未来，大型云厂商希望根据自身模型、应用和数据中心特点，反向定义芯片架构。

这也是AI产业竞争逻辑正在变化的重要体现。过去，芯片厂商决定企业能够使用什么样的算力，未来，拥有大量AI业务的企业可能会参与定义下一代算力平台。

AI ASIC的发展，也正在重塑半导体产业链格局。过去几年，AI芯片竞争的焦点主要集中在GPU设计领域，但随着定制芯片需求增长，芯片设计服务、先进制造、先进封装以及高速互连等环节正在迎来新的机会。

其中，博通成为AI ASIC浪潮中的重要参与者。与英伟达主要销售标准化GPU产品不同，博通更多参与大型客户的定制芯片开发，为云厂商提供ASIC设计、高速互连和网络解决方案。随着越来越多企业希望打造自己的AI加速器，ASIC设计能力正在成为AI基础设施的重要组成部分。

与此同时，更多传统芯片设计企业也开始进入AI ASIC供应链。联发科近年来积极拓展数据中心市场，并获得谷歌面向推理任务优化的TPU项目订单。对于联发科而言，这一合作意义重大，因为数据中心AI芯片对于芯片设计能力、先进封装以及高性能互连都有更高要求。进入超大规模云厂商的AI芯片供应链，意味着联发科正在从智能手机SoC领域向更广泛的AI计算市场延伸。

除了芯片设计企业，先进制造和封装厂商也正在成为AI ASIC发展的关键支撑。台积电等先进制造企业将在这一趋势中发挥重要作用。AI ASIC并不是简单的一颗计算芯片，而是需要先进制程、HBM高带宽内存以及先进封装技术共同支撑。随着AI模型规模不断扩大，单颗芯片已经越来越难满足算力需求，因此Chiplet、小芯片架构以及2.5D封装技术正在成为AI芯片的重要发展方向。

未来，AI芯片竞争将不再只是芯片架构之间的竞争，而是整个系统能力的竞争。从逻辑芯片设计，到晶圆制造，再到HBM供应和先进封装，每一个环节都会影响最终AI系统的性能和成本。

这也是为什么AI ASIC的发展不仅影响芯片设计公司，也会改变整个半导体产业链格局。

尽管ASIC增长速度迅速，但GPU并不会消失。尤其是在大模型训练阶段，算法和模型结构仍然快速变化，企业需要高度灵活的计算平台，而GPU多年积累的软件生态依然具有明显优势。

但从更长周期来看，AI计算正在经历一次架构转变。GPU帮助人工智能完成了从实验室研究到商业化应用的突破，而ASIC则可能成为支撑AI规模化运行的重要基础设施。

未来GPU可能更多承担通用训练和复杂计算任务，而ASIC则将在大规模推理、特定模型部署以及云端AI服务中发挥越来越重要的作用。两者并不是简单替代关系，但AI产业的重心正在逐渐向更加专用化、高效率的方向移动。

2028年AI ASIC出货量超过GPU，或许只是这一趋势中的一个重要节点。它代表的不只是芯片销量变化，而是AI计算模式正在发生根本转向，从过去依赖通用GPU提供算力，走向根据不同AI任务打造专用计算平台。

在下一阶段的AI竞争中，决定胜负的不仅是谁拥有更强的芯片，而是谁能够以最低成本、最高效率，为不断增长的AI应用提供持续算力。