请输入图说
一年前，我们在《DeepSeek 掀起算力革命，英伟达挑战加剧，ASIC 芯片悄然崛起》一文中，更多的是看好 ASIC 带来类似博通和晶圆代工的产业机会。
一年后的今天，ASIC 的发展速度远超预期。尤其近半年以来，ASIC 甚至逐渐成为 AI 竞争的胜负手：国内外大厂开年以来股价表现最好的分别是百度、谷歌和阿里。
谷歌 TPU+ 自研模型 + 云 + 内部应用的王炸，已经让其立于不败之地；国内互联网大厂，近期被重估的只有自研 ASIC 芯片拆分独立 IPO 的百度（计划拆分昆仑芯 IPO）和阿里（计划拆分平头哥 IPO）。
如今，ASIC 早已不只是单纯的产业趋势，更成为 AI 巨头必炼的内功。
01 ASIC 趋势比预期还要猛
1.AI 投资规划越大，ASIC 优势就越明显
ASIC（Application Specific Integrated Circuit，专用集成电路）与 GPU 的核心差异，在于 ASIC 是针对特定算法和应用的 " 定制化优化 "，而 GPU 则是适配多场景的 " 通用型选手 "。
每个大厂都有自己独特的应用、模型、云和 SaaS，ASIC 能精准匹配这些专属需求，同时具备更低的成本与功耗优势——这也是我们去年看好其在推理时代爆发的核心原因。
当前 AI 军备竞赛愈演愈烈，10 万美元 / 颗的 GPU 已让大厂不堪重负（英伟达 FY2025 年整体毛利率达 75.5%，净利率 57%，单颗 GPU 成本不足 3 万美元）。头部厂商的 AI 资本开支已逼近千亿美元，甚至需要通过融资、租赁外部算力等方式填补缺口。
性价比更高的 ASIC 因此变得更为重要性：在 AI 算力向推理端倾斜、数据中心成本控制诉求升级的背景下，ASIC 芯片凭借显著经济性，正逐步打破 GPU 垄断格局。
谷歌自研芯片的成功，无疑更是行业的一针强心剂。所以近期，超大规模云服务商都开始尝试摆脱对英伟达的依赖，加速构建自己的芯片护城河，以追求极致的 TCO（总拥有成本）和供应链安全。
2.AI 专用芯片迈过 10 亿美元经济生死线
理论上，所有领域的芯片都该走向专用化——专用芯片的适配性与效率最优，但能否落地，关键在于下游市场能否支撑高昂的自研成本。
当前 2nm 芯片流片成本已达 7 亿美元，加上团队搭建费用 3 亿美元，自研门槛高达 10 亿美元，这需要超 100 亿美元的下游市场规模才能覆盖成本。
●成功的代表是手机，每年全球近 5000 亿美元的市场，自研主控 SoC 做的最好的是苹果和华为，不仅降低了成本，更重要的是提升了手机性能，支撑溢价。
●但在比如汽车智驾领域，，由于市场空间并不够大，主机厂自研并不具备经济性，最终仍是英伟达、地平线这样的企业占据主流。
数据中心市场 AI 芯片单颗价值非常高，只需要有数百万颗出货量即可突破经济生死线；显然 2025 年开始，一个大厂内部采购的 AI 芯片数量就轻松超过 100 万颗，容量已经完全能满足流片和高昂的招聘费用。
仍以谷歌为例，Techinsight 数据显示，其 2023 年自用 TPU 就超 200 万颗，按年 20 亿美金研发成本计算，单颗分摊成本仅几千美金。
经济性的释放，直接驱动数据中心 ASIC 出货量持续攀升。据芯智讯援引 DIGITIMES 数据，ASIC 出货量将进入加速通道，2027 年将突破 1000 万颗，接近同期 GPU 1200 万颗的水平。
出货量激增将同步带动市场规模扩容，AI 用 ASIC 有望快速成长为千亿美金赛道（对应单颗价值 1 万美元左右，仅为英伟达 GPU 的 1/5-1/10）。作为大厂 ASIC 核心合作方，博通给出更乐观预期：2027 年大客户 ASIC 可服务市场将达 600-900 亿美元；Marvell 也预测，2028 年定制芯片将占数据中心加速计算市场 25% 的份额。
02 GPU 和 ASIC 之争继续，结论是英伟达难垄断
先说结论：在高速增长、供不应求的算力需求这一大背景下，英伟达 GPU 作为基石的作用仍不可替代，但其份额将逐渐被 ASIC 蚕食。
我们将在长期看到长期二者共存态势：小型模型主导场景更利好 GPU 的灵活性，超大型模型持续增长则为 TPU 提供增长空间。
具体原因下面展开。
1. 英伟达的领先，现在靠生态、产业链优先供应
英伟达 GPU 是当前最昂贵的计算加速器，适配各类 AI 场景，客户粘性强，因为有两大优势。
英伟达明面上最大的优势在于算法生态：CUDA 生态与开发者习惯形成强壁垒、同时英伟达 NVLink 和 InfiniBand 长期主导 GPU 互联。
所以中小模型与研发场景长期仍将以 GPU 为主；在大模型训推中，CUDA 生态仍领先其他方案至少一年半的时间。
2. 另外一个在暗处的优势是产业链优先支持英伟达。
就像即使设计水平一样，苹果的芯片也至少领先其他手机厂商一年，因为台积电最先进的芯片产能，苹果是包圆的。
同样，英伟达由于出货量最大，是产业链优先支持的芯片厂，如：
● 代工产能优先：英伟达是台积电 3nm 产能的优先合作伙伴，而谷歌等其他厂商在 CoWoS 封装、3nm 芯片产能上面临竞争劣势。
● HBM 优先锁定：全球仅 3 家 HBM 供应商（三星、海力士、美光），2026 年产能已售罄，2027 年仍可能供不应求，美光已明确表示不会因需求增加额外扩产，导致非英伟达客户产能得不到保障。
我们最新了解到谷歌 TPU 在 2026 年上半年有超过 50% 的产能缺口导致难大规模交付、微软 Maia 200 也难产，都是由于产业链产能限制。
3. 但以上问题，都可以靠时间得到解决。
生态上：
●谷歌 TPU 在 AI 计算年支出超 10 亿美元超大型模型部署场景中已经有成本优势了，所以将持续渗透大厂内部市场；
●此外，UALink、Ultra Ethernet 等开放标准正在崛起，有望打破英伟达对互联的垄断。据测算，在 10 万节点集群中，Ethernet 架构相较英伟达 InfiniBand，总拥有成本 TCO 最高可节省 20%。
另外随着扩产，预计上游产能在 2027 年逐步放量，供应链瓶颈开始缓解。同时 2027 年训练与推理芯片资本开支占比将趋近 50:50，给 ASIC 更大施展自己的舞台。
4. 更大的变局是谷歌 TPU 撕开英伟达垄断的裂缝
如果说去年初我们对 ASIC 到底是否能分得一杯羹还存在犹豫的话，谷歌技术和商业闭环上的成功，已经彻底打消了我们的疑虑。
谷歌 TPU 的核心竞争力，首先源于技术层面的差异化优势。
自 2016 年首款 TPU V1 发布并用于数据中心推理以来持续进行迭代，其最新的 TPU v7 搭载 Inter-Chip Interconnect 技术，可支持最多 9000 个节点的超大规模集群，信号损耗低。
硬件配置上，TPU 采用 HBM3E 内存，虽在容量和单系统算力上不及英伟达产品，但功耗与以太网成本更具优势，FP4 精度下每 PFLOPS 每小时成本仅 0.40 美元，性价比突出。
5. 实战表现是最好的验证。
谷歌 Nano Banana 等模型 100% 基于 TPU 完成训练与推理，也支撑其内部语音搜索、图片搜索等核心功能，成本低于 GPU，谷歌内部性能表现优异，在部分场景优于 GPU。
同时成功走向外部市场，尤其是最新的 V7 版本：
● Meta，计划 2026 年租用 TPU，并从 2027 年开始购买超 100 万颗、价值数十亿美元的 TPU，用于 Llama 模型部署，通过以太网与功耗优化实现 15%-20% TCO 节省；
● OpenAI 达成合作协议，将部分推理工作负载从英伟达芯片迁移至 TPU ；
● Anthropic 已承诺在 GCP 集群中使用 TPU 训练模型，2025 年 10 月签署 100 万 TPU 订单；
● Apple 2024 年就采购 TPU 用其进行 LLM 训练；
●潜在客户：部分新兴云厂商（如 Fluidstack、TeraWulf）因 GCP 提供付款担保而尝试采用 TPU。
英伟达的真正挑战者，并非 AMD、英特尔等同行，而是谷歌这样的跨界玩家。
我们调研了解到，单颗 TPU 芯片售价预计 1 — 1.5 万美元，定价瞄准 AMD，意图通过低价挤压竞争对手，倒逼英伟达降价。仅 Meta 一家就可能为谷歌带来 10 亿美元以上的收入。
乐观测算，到 2027 年，TPU 可能抢占英伟达 15% 的训练市场份额：现有英伟达用户迁移虽需时间，但新增工作负载更易转向 TPU。Semianalysis 更是预测 2027 年谷歌 TPU（v6-v8）合计出货量达到 600 万颗。
这一预测并不激进 —— 2027 年推理场景占比将达 50%，ASIC 将承担其中 50% 的工作负载，对应 ASIC 在算力芯片中的渗透率超 20%，而谷歌 TPU 拿下其中一半份额（当前份额 75%）难度不大。
6. 来自 EDA 的产业链验证
上述趋势，得到了芯片行业最上游 EDA 领域的双重验证。
作为整个芯片行业最上游的 EDA 行业，Synopsys 和 Cadence 最新的指引为：未来 EDA 行业增长核心来自苹果、谷歌、特斯拉等 " 系统公司 "，而不是第三方芯片设计厂；具体来说，这类系统性客户占当前 EDA 营收的 45% 左右，未来 2-3 年将超 50%。
这意味着，大厂自研芯片，并通过外售摊薄成本（如谷歌、百度、阿里）的模式，将从今年起加速推进。
03 谷歌示范效应下，大厂纷纷豪赌自研 ASIC
1. 成本集约、降低功耗符合第一性原理
在《马斯克说 " 中国将最终赢得 AI 竞争 "，有什么深意？》一文中，我们提到，当前 AI 用电还只占美国用电的 5% 左右，到 2030 年 AI 耗电占到 10%，到 2035 年占比接近 20%，未来更加缺电。
除了增加发电容量外，降低单芯片功耗也同样关键。ASIC 对于大厂而言，不仅仅是降低成本，还能降低宝贵的额功耗。
GPU 作为通用计算芯片存在 30-40% 功能冗余，必定导致功耗浪费，而 ASIC 可针对特定工作负载优化，降低成本与功耗，成为大厂的必选。
主流 ASIC 在算力性能上已基本对齐英伟达 H 系列 GPU，但能效比优势突出，同代际芯片具体指标对比：
●算力方面，英伟达 H100 FP16 算力为 990 TFLOPS，谷歌 TPU V6e 为 918 TFLOPS，AWS Trainium2 为 667 TFLOPS；
●功耗上，H100 达 700W，TPU V6e 仅 383W，Trainium2 为 500W；
●互联带宽上，H100 以 900GB/s 领先，TPU V6e 为 448GB/s，Trainium2 为 512GB/s。
2. 北美大厂近两年加速
为搭上 ASIC 这班高速列车，海外云厂 CSP 纷纷加码自研 ASIC，并依托外部芯片设计合作伙伴简化落地难度，核心合作厂商包括 Marvell、Broadcom、Alchip 等。
这是由于大厂仅具备部分自研能力，例如谷歌、亚马逊可完成前端设计（代码编写、综合），但物理层技术（如 SerDes、交换机、相干光模块）存在高壁垒，需依赖外部成熟产品与 IP，后端验证、流片等体力活也需外部支持。
谷歌已深耕 TPU 十年，前文已有详细讨论；其他北美大厂则是近两年加速跟上，动作开始变大。
亚马逊：Trainium2 于 2023 年发布，由 16 颗 Trainium2 芯片支持的 EC2 Trn2 实例，性价比相较 GPU-based 实例高出 30-40%，目前已服务超 200 位客户，覆盖运营商、航空、零售等领域，2024 年出货量年增率突破 200%，2025 年预计增长 70% 以上，但项目有些延迟，未来将重点聚焦 Trainium3芯片，投入公有云基础设施及电商平台 AI 应用。
Meta：MTIA 系列专为推荐推理任务设计。2024 年 MTIA v2 采用台积电 5nm 工艺，TDP 仅 90W 显著降低功耗，可高效处理社交媒体内容推荐、广告优化等内部任务；2025 年推出 MTIA v3，将搭载 HBM 内存，2026 年有望实现放量。
微软：2024 年公布 Maia 100，采用台积电 5nm 工艺与 CoWoS-S 技术，当前承载内部 10%-20% 工作载荷，聚焦大规模 AI 工作负载的成本与效率优化；随着 Maia 300 量产与 workload 适配深化，目标定制 ASIC 相较英伟达件成本节省 80%，能耗成本降低 50%，长期 TCO 优化达 80%；
OpenAI：2024 年曝光首颗芯片，将采用台积电 A16 工艺，专为 Sora 视频应用打造，且与博通达成 100 亿美元合作，联合开发专属推理芯片，目标 12 个月内交付。
特斯拉：计划 2025 年底推出下一代 Dojo 2 芯片，性能有望媲美英伟达 B200，核心服务于 Dojo 训练计算机项目。xAI 则是正式启动 x1 芯片自研，计划今年量产。
3. 国内大厂：芯片项目重要程度跳升
国内头部大厂自研 ASIC 的时间早于北美同行，但此前多为小打小闹。在谷歌 TPU 验证可行性、英伟达芯片受限的双重驱动下，ASIC 已上升为核心战略，并已取得阶段性成果。
百度昆仑芯：
昆仑芯拥有 15 年技术积累，一直锚定 AI 训练与推理加速的核心场景，兼容 CUDA 生态，目前已迭代至第三代。
昆仑芯 2024 年出货量 6.9 万片、营收 20 亿，2025 年预计出货 13 万片、营收冲 35 亿。对外客户，实现万卡集群部署并中标中国移动 10 亿订单，实际上外部客户是 2026 年高增的主要来源，已进入中国移动、南方电网、比亚迪、招商银行、地方智算中心等供应链。
阿里平头哥 :
核心产品线包括倚天、含光、PPU 三类，其中 PPU 作为大算力芯片是市场焦点，又分为两款主力产品：高端款单颗算力超 300T、显存 96G，采用先进制程，仅以整机形式销售，2024-2025 年合计出货估计 30 万张，低端款采用中芯国际 12nm（N+1）工艺，由灿芯负责后道 IP 及接口设计，单价不超 2-3 万元，2026 年 Q1 启动流片量产，预计出货 50 万颗。
销售模式以内部消化为主，对外销售需搭配阿里云方案，无独立适配场景，2026 年 PPU 整体出货预计 80 万颗。
字节跳动：字节布局 CPU 与 ASIC 两类芯片，自研进程落后于平头哥、昆仑芯，当前采取 " 外采低端芯片 + 推进海外研发 + 国内先进制程排队 " 策略，2026 年将完成海内外先进工艺设计，等待产能流片，计划 2026 年前实现量产。
腾讯：后发追赶，自研紧迫性较强，终止对燧原投资并重启 " 紫霄 " 自研项目，以数倍薪酬挖角顶尖人才，需求集中在游戏、AIGC、数字孪生等领域。
但相对海外巨头，国内大厂面临更大的挑战，体现在几个方面：
●主业挣钱不如海外大厂，股东对于内部芯片业务亏损不满，所以阿里百度都开始分拆上市平衡短期亏损与长期战略投入；
●先进产能资源更加稀缺，国内由于美国的封锁，中芯国际等先进制程产能供不应求；
●配套 AI 芯片服务厂类似博通、Marvell，由于制裁原因也很难为国内企业提供定制服务，国内相关的芯原股份、翱捷科技等在技术积累、IP 沉淀、经验上都有比较明显的差距。
04 结语：AI 竞争锚点之变
AI 产业的竞争，已从模型算法的比拼，延伸到算力底层的硬核博弈。ASIC 芯片凭借极致的能效比与成本优势，正在重塑全球 AI 格局，成为巨头们构筑竞争壁垒的核心抓手。
没有自研 ASIC 芯片，在这场更烧钱、更考验综合实力的 AI 竞赛中，终将失去话语权。芯片已经内化成生态的一环了，我们将在此后的文章中进一步展开。
对于国内企业而言，这既是顺应产业趋势的必然选择，也是直面挑战的艰难征程。尽管在盈利能力、先进产能、产业链配套等方面面临着比海外企业更严峻的考验，但自研 ASIC 已是无法回避的战略方向。
百度昆仑芯的稳步起量到阿里平头哥的分拆提速，都宣告 2026 是国内大厂加速转向之年。对此我们是偏乐观的，在技术攻坚与生态构建的持续投入下，国内企业终将在全球 ASIC 赛道占据一席之地。
本文系基于公开资料撰写，仅作为信息交流之用，不构成任何投资建议。
