百芯大戰

一年前，我們在《DeepSeek掀起算力革命，輝達挑戰加劇，ASIC晶片悄然崛起》一文中，更多的是看好ASIC帶來類似博通和晶圓代工的產業機會。

一年後的今天，ASIC 的發展速度遠超預期。尤其近半年以來，ASIC甚至逐漸成為AI競爭的勝負手：國內外大廠開年以來股價表現最好的分別是百度、Google和阿里。

GoogleTPU+自研模型+雲+內部應用的王炸，已經讓其立於不敗之地；國內網際網路大廠，近期被重估的只有自研ASIC晶片拆分獨立IPO的百度（計畫拆分崑崙芯IPO）和阿里（計畫拆分平頭哥IPO）。

如今，ASIC 早已不只是單純的產業趨勢，更成為AI巨頭必煉的內功。

01. ASIC趨勢比預期還要猛

1. AI投資規劃越大，ASIC優勢就越明顯

ASIC（Application Specific Integrated Circuit，專用積體電路）與 GPU 的核心差異，在於 ASIC 是針對特定演算法和應用的 “定製化最佳化”，而 GPU 則是適配多場景的 “通用型選手”。

每個大廠都有自己獨特的應用、模型、雲和SaaS，ASIC 能精準匹配這些專屬需求，同時具備更低的成本與功耗優勢——這也是我們去年看好其在推理時代爆發的核心原因。

當前 AI 軍備競賽愈演愈烈，10 萬美元/顆的 GPU 已讓大廠不堪重負（輝達 FY2025 年整體毛利率達 75.5%，淨利率 57%，單顆 GPU 成本不足 3 萬美元）。頭部廠商的 AI 資本開支已逼近千億美元，甚至需要通過融資、租賃外部算力等方式填補缺口。

性價比更高的ASIC因此變得更為重要性：在AI算力向推理端傾斜、資料中心成本控制訴求升級的背景下，ASIC晶片憑藉顯著經濟性，正逐步打破GPU壟斷格局。

Google自研晶片的成功，無疑更是行業的一針強心劑。所以近期，超大規模雲服務商都開始嘗試擺脫對輝達的依賴，加速建構自己的晶片護城河，以追求極致的 TCO（總擁有成本）和供應鏈安全。

2. AI專用晶片邁過10億美元經濟生死線

理論上，所有領域的晶片都該走向專用化——專用晶片的適配性與效率最優，但能否落地，關鍵在於下游市場能否支撐高昂的自研成本。

當前 2nm 晶片流片成本已達 7 億美元，加上團隊搭建費用 3 億美元，自研門檻高達 10 億美元，這需要超 100 億美元的下游市場規模才能覆蓋成本。

• 成功的代表是手機，每年全球近5000億美元的市場，自研主控SoC做的最好的是蘋果和華為，不僅降低了成本，更重要的是提升了手機性能，支撐溢價。
• 但在比如汽車智駕領域，，由於市場空間並不夠大，主機廠自研並不具備經濟性，最終仍是輝達、地平線這樣的企業佔據主流。

資料中心市場AI晶片單顆價值非常高，只需要有數百萬顆出貨量即可突破經濟生死線；顯然2025年開始，一個大廠內部採購的AI晶片數量就輕鬆超過100萬顆，容量已經完全能滿足流片和高昂的招聘費用。

仍以Google為例，Techinsight資料顯示，其2023年自用TPU就超200萬顆，按年20億美金研發成本計算，單顆分攤成本僅幾千美金。

經濟性的釋放，直接驅動資料中心 ASIC 出貨量持續攀升。據芯智訊援引 DIGITIMES 資料，ASIC 出貨量將進入加速通道，2027 年將突破 1000 萬顆，接近同期 GPU 1200 萬顆的水平。

出貨量激增將同步帶動市場規模擴容，AI 用 ASIC 有望快速成長為千億美金賽道（對應單顆價值 1 萬美元左右，僅為輝達 GPU 的 1/5-1/10）。作為大廠 ASIC 核心合作方，博通給出更樂觀預期：2027 年大客戶 ASIC 可服務市場將達 600-900 億美元；Marvell 也預測，2028 年定製晶片將佔資料中心加速計算市場 25% 的份額。

02. GPU和ASIC之爭繼續，結論是輝達難壟斷

先說結論：在高速增長、供不應求的算力需求這一大背景下，輝達GPU作為基石的作用仍不可替代，但其份額將逐漸被ASIC蠶食。

我們將在長期看到長期二者共存態勢：小型模型主導場景更利多 GPU 的靈活性，超大型模型持續增長則為 TPU 提供增長空間。

具體原因下面展開。

1. 輝達的領先，現在靠生態、產業鏈優先供應

輝達GPU是當前最昂貴的計算加速器，適配各類 AI 場景，客戶粘性強，因為有兩大優勢。

輝達明面上最大的優勢在於演算法生態：CUDA 生態與開發者習慣形成強壁壘、同時輝達 NVLink和InfiniBand長期主導 GPU 互聯。

所以中小模型與研發場景長期仍將以 GPU 為主；在大模型訓推中，CUDA 生態仍領先其他方案至少一年半的時間。

2. 另外一個在暗處的優勢是產業鏈優先支援輝達。

就像即使設計水平一樣，蘋果的晶片也至少領先其他手機廠商一年，因為台積電最先進的晶片產能，蘋果是包圓的。

同樣，輝達由於出貨量最大，是產業鏈優先支援的晶片廠，如：

• 代工產能優先：輝達是台積電3nm 產能的優先合作夥伴，而Google等其他廠商在CoWoS 封裝、3nm 晶片產能上面臨競爭劣勢。
• HBM優先鎖定：全球僅 3 家 HBM 供應商（三星、海力士、美光），2026 年產能已售罄，2027 年仍可能供不應求，美光已明確表示不會因需求增加額外擴產，導致非輝達客戶產能得不到保障。

我們最新瞭解到GoogleTPU 在 2026 年上半年有超過50%的產能缺口導致難大規模交付、微軟Maia 200也難產，都是由於產業鏈產能限制。

3. 但以上問題，都可以靠時間得到解決。

生態上：

• Google TPU 在AI 計算年支出超10 億美元超大型模型部署場景中已經有成本優勢了，所以將持續滲透大廠內部市場；
• 此外，UALink、Ultra Ethernet 等開放標準正在崛起，有望打破輝達對互聯的壟斷。據測算，在10萬節點叢集中，Ethernet架構相較輝達InfiniBand，總擁有成本TCO最高可節省20%。

另外隨著擴產，預計上游產能在2027 年逐步放量，供應鏈瓶頸開始緩解。同時2027年訓練與推理晶片資本開支佔比將趨近 50:50，給ASIC更大施展自己的舞台。

4. 更大的變局是GoogleTPU撕開輝達壟斷的裂縫

如果說去年初我們對ASIC到底是否能分得一杯羹還存在猶豫的話，Google技術和商業閉環上的成功，已經徹底打消了我們的疑慮。

Google TPU 的核心競爭力，首先源於技術層面的差異化優勢。

自 2016 年首款 TPU V1 發佈並用於資料中心推理以來持續進行迭代，其最新的 TPU v7 搭載 Inter-Chip Interconnect技術，可支援最多 9000 個節點的超大規模叢集，訊號損耗低。

硬體配置上，TPU 採用 HBM3E 記憶體，雖在容量和單系統算力上不及輝達產品，但功耗與乙太網路成本更具優勢，FP4 精度下每 PFLOPS 每小時成本僅 0.40 美元，性價比突出。

5. 實戰表現是最好的驗證。

GoogleNano Banana 等模型 100% 基於 TPU 完成訓練與推理，也支撐其內部語音搜尋、圖片搜尋等核心功能，成本低於 GPU，Google內部性能表現優異，在部分場景優於 GPU。

同時成功走向外部市場，尤其是最新的V7版本：

• Meta，計畫2026年租用 TPU，並從 2027 年開始購買超100萬顆、價值數十億美元的 TPU，用於 Llama 模型部署，通過乙太網路與功耗最佳化實現15%-20% TCO 節省；
• OpenAI 達成合作協議，將部分推理工作負載從輝達晶片遷移至 TPU ；
• Anthropic 已承諾在 GCP 叢集中使用 TPU 訓練模型，2025年10月簽署 100 萬 TPU訂單；
• Apple 2024年就採購TPU用其進行 LLM 訓練；
• 潛在客戶：部分新興雲廠商（如 Fluidstack、TeraWulf）因 GCP 提供付款擔保而嘗試採用 TPU。

輝達的真正挑戰者，並非 AMD、英特爾等同行，而是Google這樣的跨界玩家。

我們調研瞭解到，單顆 TPU 晶片售價預計1—1.5 萬美元，定價瞄準 AMD，意圖通過低價擠壓競爭對手，倒逼輝達降價。僅 Meta 一家就可能為Google帶來 10 億美元以上的收入。

樂觀測算，到 2027 年，TPU 可能搶佔輝達15% 的訓練市場份額：現有輝達使用者遷移雖需時間，但新增工作負載更易轉向 TPU。Semianalysis更是預測2027年GoogleTPU（v6-v8）合計出貨量達到600萬顆。

這一預測並不激進 ——2027 年推理場景佔比將達 50%，ASIC 將承擔其中 50% 的工作負載，對應 ASIC 在算力晶片中的滲透率超 20%，而Google TPU 拿下其中一半份額（當前份額 75%）難度不大。

6. 來自EDA的產業鏈驗證

上述趨勢，得到了晶片行業最上游 EDA 領域的雙重驗證。

作為整個晶片行業最上游的EDA行業，Synopsys和Cadence最新的指引為：未來EDA 行業增長核心來自蘋果、Google、特斯拉等 “系統公司”，而不是第三方晶片設計廠；具體來說，這類系統性客戶佔當前 EDA 營收的 45%左右，未來 2-3 年將超 50%。

這意味著，大廠自研晶片，並通過外售攤薄成本（如Google、百度、阿里）的模式，將從今年起加速推進。

03. Google示範效應下，大廠紛紛豪賭自研ASIC

1. 成本集約、降低功耗符闔第一性原理

在《馬斯克說“中國將最終贏得AI競爭”，有什麼深意？》一文中，我們提到，當前AI用電還只佔美國用電的5%左右，到2030年AI耗電佔到10%，到2035年佔比接近20%，未來更加缺電。

除了增加發電容量外，降低單晶片功耗也同樣關鍵。ASIC對於大廠而言，不僅僅是降低成本，還能降低寶貴的額功耗。

GPU 作為通用計算晶片存在 30-40% 功能冗餘，必定導致功耗浪費，而 ASIC可針對特定工作負載最佳化，降低成本與功耗，成為大廠的必選。

主流ASIC在算力性能上已基本對齊輝達H系列GPU，但能效比優勢突出，同代際晶片具體指標對比：

• 算力方面，輝達H100 FP16算力為990 TFLOPS，GoogleTPU V6e為918 TFLOPS，AWS Trainium2為667 TFLOPS；
• 功耗上，H100達700W，TPU V6e僅383W，Trainium2為500W；
• 互聯頻寬上，H100以900GB/s領先，TPU V6e為448GB/s，Trainium2為512GB/s。

2. 北美大廠近兩年加速

為搭上ASIC這班高速列車，海外雲廠CSP紛紛加碼自研ASIC，並依託外部晶片設計合作夥伴簡化落地難度，核心合作廠商包括Marvell、Broadcom、Alchip等。

這是由於大廠僅具備部分自研能力，例如Google、亞馬遜可完成前端設計（程式碼編寫、綜合），但物理層技術（如SerDes、交換機、相干光模組）存在高壁壘，需依賴外部成熟產品與IP，後端驗證、流片等體力活也需外部支援。

Google已深耕 TPU 十年，前文已有詳細討論；其他北美大廠則是近兩年加速跟上，動作開始變大。

亞馬遜：Trainium2於2023年發佈，由16顆Trainium2晶片支援的EC2 Trn2實例，性價比相較GPU-based實例高出30-40%，目前已服務超200位客戶，覆蓋營運商、航空、零售等領域，2024年出貨量年增率突破200%，2025年預計增長70%以上，但項目有些延遲，未來將重點聚焦Trainium3晶片，投入公有雲基礎設施及電商平台AI應用。

Meta：MTIA系列專為推薦推理任務設計。2024年MTIA v2採用台積電5nm工藝，TDP僅90W顯著降低功耗，可高效處理社交媒體內容推薦、廣告最佳化等內部任務；2025年推出MTIA v3，將搭載HBM記憶體，2026年有望實現放量。

微軟：2024年公佈Maia 100，採用台積電5nm工藝與CoWoS-S技術，當前承載內部10%-20%工作載荷，聚焦大規模AI工作負載的成本與效率最佳化；隨著 Maia 300 量產與 workload 適配深化，目標定製 ASIC 相較輝達件成本節省80%，能耗成本降低 50%，長期 TCO 最佳化達 80%；

OpenAI：2024年曝光首顆晶片，將採用台積電A16工藝，專為Sora視訊應用打造，且與博通達成100億美元合作，聯合開發專屬推理晶片，目標12個月內交付。

特斯拉：計畫2025年底推出下一代Dojo 2晶片，性能有望媲美輝達B200，核心服務於Dojo訓練電腦項目。xAI則是正式啟動x1晶片自研，計畫今年量產。

3. 中國大廠：晶片項目重要程度跳升

中國頭部大廠自研 ASIC 的時間早於北美同行，但此前多為小打小鬧。在Google TPU 驗證可行性、輝達晶片受限的雙重驅動下，ASIC 已上升為核心戰略，並已取得階段性成果。

百度崑崙芯：

崑崙芯擁有 15 年技術積累，一直錨定AI訓練與推理加速的核心場景，相容CUDA生態，目前已迭代至第三代。

崑崙芯2024年出貨量6.9萬片、營收20億，2025年預計出貨13萬片、營收沖35億。對外客戶，實現萬卡叢集部署並中標中國移動10億訂單，實際上外部客戶是2026年高增的主要來源，已進入中國移動、南方電網、比亞迪、招商銀行、地方智算中心等供應鏈。

阿里平頭哥:

核心產品線包括倚天、含光、PPU三類，其中PPU作為大算力晶片是市場焦點，又分為兩款主力產品：高端款單顆算力超300T、視訊記憶體96G，採用先進製程，僅以整機形式銷售，2024-2025年合計出貨估計30萬張，低端款採用中芯國際12nm（N+1）工藝，由燦芯負責後道IP及介面設計，單價不超2-3萬元，2026年Q1啟動流片量產，預計出貨50萬顆。

銷售模式以內部消化為主，對外銷售需搭配阿里雲方案，無獨立適配場景，2026年PPU整體出貨預計80萬顆。

字節跳動：字節佈局CPU與ASIC兩類晶片，自研處理程序落後於平頭哥、崑崙芯，當前採取“外采低端晶片+推進海外研發+國內先進製程排隊”策略，2026年將完成海內外先進工藝設計，等待產能流片，計畫2026年前實現量產。

騰訊：後發追趕，自研緊迫性較強，終止對燧原投資並重啟“紫霄”自研項目，以數倍薪酬挖角頂尖人才，需求集中在遊戲、AIGC、數字孿生等領域。

但相對海外巨頭，中國大廠面臨更大的挑戰，體現在幾個方面：

• 主業掙錢不如海外大廠，股東對於內部晶片業務虧損不滿，所以阿里百度都開始分拆上市平衡短期虧損與長期戰略投入；
• 先進產能資源更加稀缺，中國由於美國的封鎖，中芯國際等先進製程產能供不應求；
• 配套AI晶片服務廠類似博通、Marvell，由於制裁原因也很難為國內企業提供定製服務，國內相關的芯原股份、翱捷科技等在技術積累、IP沉澱、經驗上都有比較明顯的差距。

04. 結語：AI競爭錨點之變

AI 產業的競爭，已從模型演算法的比拚，延伸到算力底層的硬核博弈。ASIC 晶片憑藉極致的能效比與成本優勢，正在重塑全球 AI格局，成為巨頭們構築競爭壁壘的核心抓手。

沒有自研 ASIC 晶片，在這場更燒錢、更考驗綜合實力的 AI 競賽中，終將失去話語權。晶片已經內化成生態的一環了，我們將在此後的文章中進一步展開。

對於中國企業而言，這既是順應產業趨勢的必然選擇，也是直面挑戰的艱難征程。儘管在盈利能力、先進產能、產業鏈配套等方面面臨著比海外企業更嚴峻的考驗，但自研 ASIC 已是無法迴避的戰略方向。

百度崑崙芯的穩步起量到阿里平頭哥的分拆提速，都宣告2026是中國大廠加速轉向之年。對此我們是偏樂觀的，在技術攻堅與生態建構的持續投入下，中國企業終將在全球 ASIC 賽道佔據一席之地。 (錦緞)