DeepSeek掀起算力革命，英伟达挑战加剧，ASIC芯片悄然崛起

今天小编分享的科技经验：DeepSeek掀起算力革命，英伟达挑战加剧，ASIC芯片悄然崛起，欢迎阅读。

文 | 锦缎，作者 | 由我、苏扬，编辑 | 郑可君

DeepSeek 带动推理需求爆发，英伟达的 " 算力霸权 " 被撕开一道口子，一个新世界的大门逐渐打开——由 ASIC 芯片主导的算力革命，正从静默走向喧嚣。

日前，芯流智库援引知情人士的消息，称 DeepSeek 正在筹备 AI 芯片自研。相比这个后起之秀，国内大厂如阿里、百度、字节们更早就跨过了 " 自研 " 的大门。

大洋彼岸，OpenAI 自研芯片的新进展也在年初释出，外媒披露博通为其定制的首款芯片几个月内将在台积电流片。

此前更是一度传出 Sam Altman 计划筹集 70000 亿美元打造 " 芯片帝国 "，设计与制造通吃。此外，谷歌、亚马逊、微软、Meta 也都先后加入了这场 " 自研热潮 "。

一个明显的信号是——无论 DeepSeek、OpenAI，还是中国公司和硅谷大厂，谁都不希望在算力时代掉队。而 ASIC 芯片，可能会成为他们跨越新世界大门的入场券。

这会不会 " 杀死 " 英伟达？或者，会不会 " 再造 " 第二个英伟达？现在还没有答案。

不过可以明确的是，这场轰轰烈烈的 " 自研浪潮 "，其上游的产业链企业已经 " 春江水暖鸭先知 "，例如给各家大厂提供设计定制服务的博通，业绩已经 " 起飞 "：2024 年 AI 业务收入同比 240%，达到 37 亿美元；2025Q1AI 业务营收 41 亿美元，同比增 77%；其中 80% 来自 ASIC 芯片设计。

在博通的眼里，ASIC 芯片这块蛋糕，价值超过 900 亿美元。

01 从 GPU 到 ASIC，算力经济学走向分水岭

低成本是 AI 推理爆发的必要条件，与之相对的是——通用 GPU 芯片成了 AI 爆发的黄金枷锁。

英伟达的 H100 和 A100 是大模型训练的绝对王者，甚至连 B200、H200 也让科技巨头们趋之若鹜。金融时报此前援引 Omdia 的数据，2024 年，英伟达 Hopper 架构芯片的主要客户包括微软、Meta、Tesla/xAI 等，其中微软的订单量达到 50 万张。

但是，作为通用 GPU 的绝对统治者，英伟达产品方案其" 硬币的另一面 " 已逐渐显现：高昂的成本与冗余的能耗。

成本方面，单个 H100 售价超 3 万美元，训练千亿参数模型需上万张 GPU，再加上网络硬體、存储和安全等后续的投入，总计超 5 亿美元。根据汇丰的数据，最新一代的 GB200 NVL72 方案，单机柜超过 300 万美元，NVL36 也在 180 万美元左右。

可以说，基于通用 GPU 的模型训练太贵了，只不过是算力不受限制的硅谷，仍然偏向于 " 力大砖飞 " 的叙事，资本支出并未就此减速。就在日前，马斯克旗下 xAI，不久之前公布的 Grok-3，训练的伺服器规模，已经达到了 20 万张 GPU 的规模。

腾讯科技联合硅兔赛跑推出的《两万字详解最全 2025 AI 关键洞察》一文提到，超大规模数据中心运营商预计 2024 年资本支出（CapEx）超过 2000 亿美元，到 2025 年这一数字预计将接近 2500 亿美元，且主要资源都将倾斜给人工智能。

能耗方面，根据 SemiAnalysis 的测算，10 万卡 H100 集群，总功耗为 150MW，每年耗费 1.59TWh 的电量，按 0.078 美元 / 千瓦时计算，每年电费高达 1.239 亿美元。

对照 OpenAI 公布的数据，推理阶段 GPU 的算力利用率仅 30%-50%，" 边算边等 " 现象显著，如此低效的性能利用率，在推理时代，确实是大材小用，浪费过于严重。

谷歌此前公布的 TPU V4 与 A100 针对不同架构模型的训练速度

性能领先、价格昂贵，效率不佳，外加生态壁垒，过去一年业内都在喊 " 天下苦英伟达久矣 " ——云厂商逐渐丧失硬體自主权，叠加供应链风险，再加上 AMD 暂时还 " 扶不起来 "，诸多因素倒逼巨头开始自研 ASIC 专用芯片。

自此，AI 芯片战场，从技术竞赛转向经济性博弈。

正如西南证券的研究结论，" 当模型架构进入收敛期，算力投入的每一美元都必须产出可量化的经济收益。"

从北美云厂商最近反馈的进展看，ASIC 已体现出一定的替代优势：

● 谷歌：博通为谷歌定制的 TPU v5 芯片在 Llama-3 推理场景中，部門算力成本较 H100 降低 70%。

● 亚马逊：3nm 制程的 AWS Trainium 3，同等算力下能耗仅为通用 GPU 的 1/3，年节省电费超千万美元；据了解，亚马逊 Trainium 芯片 2024 年出货量已超 50 万片。

● 微软：根据 IDC 数据，微软 Azure 自研 ASIC 后，硬體采购成本占比从 75% 降至 58%，摆脱长期被动的议价困境。

作为北美 ASIC 链的最大受益者，博通这一趋势在数据中愈发显著。

博通 2024 年 AI 业务收入 37 亿美元，同比增 240%，其中 80% 来自 ASIC 设计服务。2025Q1，其 AI 业务营收 41 亿美元，同比增 77%，同时预计第二季度 AI 营收 44 亿美元，同比增 44%。

早在年报期间，博通指引 2027 年 ASIC 收入将大爆发，给市场画了 3 年之后 ASIC 芯片将有望达到 900 亿美元的市场规模这个大饼。Q1 电话会期间，公司再次重申了这一点。

凭借这个大的产业趋势，博通也成为全球继英伟达、台积电之后，第三家市值破 1 万亿美元的半导体公司，同时也带动了海外对于 Marvell、AIchip 等公司的关注。

图：市面主流 GPU 与 ASIC 算力成本对比资料来源：西南证券

不过，有一点需要强调——"ASIC 虽好，但也不会杀死 GPU"。

微软、谷歌、Meta 都在下场自研，但同时又都在抢英伟达 B200 的首发，这其实说明了双方之间不是直接的竞争关系。

更客观的结论应该是，GPU 仍将主导高性能的训练市场，推理场景中由于 GPU 的通用性仍将是最主要的芯片，但在未来接近 4000 亿美元的 AI 芯片蓝海市场中，ASIC 的渗透路径已清晰可见。

IDC 预测，2024-2026 年推理场景中，ASIC 占比从 15% 提升至 40%，即最高 1600 亿美元。

这场变革的终局或许是：ASIC 接管 80% 的推理市场，GPU 退守训练和图形领網域。真正的赢家将是那些既懂硅片、又懂场景的 " 双栖玩家 "，英伟达显然是其中一员，看好 ASIC 断然不是唱空英伟达。

而新世界的指南，是去寻找除英伟达之外的双栖玩家，如何掘金 ASIC 新纪元。

02 ASIC 的 " 手术刀 "：非核心模块，通通砍掉

锦缎在《DeepSeek 的隐喻：GPU 失其鹿，ASIC、SoC 们共逐之》一文中详解过 SoC，而 CPU、GPU 用户早已耳熟能详，FPGA 应用市场小众，最为陌生的当属 ASIC。

图：算力芯片对比资料来源：中泰证券

那么，都说 ASIC 利好 AI 推理，究竟它是一个什么样的芯片？

从架构上来说，GPU 这样的通用芯片，其局限在于 " 以一敌百 " 的设计——需要兼顾图形渲染、科学计算、不同的模型架构等多元需求，导致大量晶体管资源浪费在非核心功能模块。

英伟达 GPU 最大的特点，就是有众多 " 小核 "，这些 " 小核 " 可以类比成猎鹰火箭多台发动机，开发者可以凭借 CUDA 多年积累的算子库，平稳、高效且灵活地调用这些小核用于并行计算。

但如果下游模型相对确定，计算任务就是相对确定的，不需要那么多小核来保持灵活性，ASIC 最底层的原理正是如此，所以也被称为全定制化高算力芯片。

通过 " 手术刀式 " 精准裁剪，仅保留与目标场景强相关的硬體单元，释放出惊人的效率，这在谷歌、亚马逊都已经在产品上得到了验证。

谷歌 TPU v5e AI 加速器实拍

对于 GPU 来说，调用它们最好的工具是英伟达的 CUDA，而对于 ASIC 芯片，调用它们的是云厂商自研的算法，这对于軟體起家的大厂来说，并不是什么难事：

● 谷歌 TPU v4 中，95% 的晶体管资源用于矩阵乘法单元和向量处理单元，专为神经网络计算优化，而 GPU 中类似单元的占比不足 60%。

● 不同于传统冯 · 诺依曼架构的 " 计算 - 存储 " 分离模式，ASIC 可围绕算法特征定制数据流。例如在博通为 Meta 定制的推荐系统芯片中，计算单元直接嵌入存储控制器周围，数据移动距离缩短 70%，延迟降低至 GPU 的 1/8。

● 针对 AI 模型中 50%-90% 的权重稀疏特性，亚马逊 Trainium2 芯片嵌入稀疏计算引擎，可跳过零值计算环节，理论性能提升 300%。

当算法趋于固定，对于确定性的垂直场景，ASIC 就是具有天然的优势，ASIC 设计的终极目标是让芯片本身成为算法的 " 物理化身 "。

在过去的历史和正在发生的现实中，我们都能够找到 ASIC 成功的力证，比如矿机芯片。

早期，行业都是用英伟达的 GPU 挖矿，后期随着挖矿难度提升，电力消耗超过挖矿收益（非常类似现在的推理需求），挖矿专用 ASIC 芯片爆发。虽然通用性远不如 GPU，但矿机 ASIC 将并行度极致化。

例如，比特大陆的比特币矿机 ASIC，同时部署数万个 SHA-256 哈希计算单元，实现单一算法下的超线性加速，算力密度达到 GPU 的 1000 倍以上。不仅专用能力大幅提升，而且能耗实现了系统级节省。

此外，使用 ASIC 可精简外围电路（如不再需要 PCIe 接口的复杂協定栈），主機板面积减少 40%，整机成本下降 25%。

低成本、高效率，支持硬體与场景深度咬合，这些 ASIC 技术内核，天然适配 AI 产业从 " 暴力堆算力 " 到 " 精细化效率革命 " 的转型需求。

随着推理时代的到来，ASIC 成本优势将重演矿机的历史，实现规模效应下的 " 死亡交叉 " ——尽管初期研发成本高昂（单芯片设计费用约 5000 万美元），但其边际成本下降曲线远陡于通用 GPU。

以谷歌 TPU v4 为例，当出货量从 10 万片增至 100 万片时，单颗成本从 3800 美元骤降至 1200 美元，降幅接近 70%，而 GPU 的成本降幅通常不超过 30%。根据产业链最新信息，谷歌 TPU v6 预计 2025 年出货 160 万片，单片算力较前代提升 3 倍，ASIC 的性价比，还在快速提升。

这又引申出一个新的话题，是否所有人都可以涌入自研 ASIC 大潮中去？这取决于自研成本与需求量。

按照 7nm 工艺的 ASIC 推理加速卡来计算，涉及 IP 授权费用、人力成本、设计工具、掩模板在内的一次流片费用等，量级可能就在亿元的级别，还不包括后期的量产成本。在这方面，大厂更具有资金优势。

目前，像谷歌、亚马逊这样的云厂商，因为有成熟的客户体系，能够形成研发、销售闭环，自研上拥有先天的优势。

Meta 这种企业，自研的逻辑则在于内部本身就有天量级的算力需求。今年初，扎克伯格就曾透露，计划在 2025 年上线约 1GW 的计算能力，并在年底前拥有超过 130 万张 GPU。

03 " 新地图 " 价值远不止 1000 亿美元

仅仅是挖矿需求就带来了近 100 亿美元的市场，所以当博通 2024 年底喊出 AI ASIC 市场空间 700-900 亿美元的时候，我们并不意外，甚至认为可能这个数字都保守了。

现在，ASIC 芯片的产业趋势不应当再被质疑，重点应该是如何掌握 " 新地图 " 的博弈法则。

近千亿美元的 AI ASIC 市场中，已经形成清晰的三大梯队—— " 制定规则的 ASIC 芯片设计者和制造者 " 、" 产业链配套 "、" 垂直场景下的 Fabless"。

第一梯队，是制定规则的 ASIC 芯片设计者和制造者，他们可以制造单价超过 1 万美元的 ASIC 芯片，并与下游的云厂商合作商用，代表玩家有博通、Marvell、AIchip，以及不管是什么先进芯片都会受益的代工王者——台积电。

第二梯队，产业链配套，已经被市场关注到的配套逻辑包括先进封装与更下游的产业链。

● 先进封装：台积电 CoWoS 产能的 35% 已转向 ASIC 客户，国产对应的中芯国际、长电科技、通富微电等。

● 云厂商英伟达硬體方案解耦带来的新硬體机会：如 AEC 铜缆，亚马逊自研单颗 ASIC 需配 3 根 AEC，若 2027 年 ASIC 出货 700 万颗，对应市场超 50 亿美元，其他还包括伺服器、PCB 均是受益于相似逻辑。

第三梯队，是正在酝酿的垂直场景的 Fabless。ASIC 的本质是需求驱动型市场，谁能最先捕捉到场景痛点，谁就掌握定价权。ASIC 的基因就是定制化，与垂直场景天然适配。以智驾芯片为例，作为典型的 ASIC 芯片，随着比亚迪等 All in 智驾，这类产品开始进入爆发期。

映射全球 ASIC 产业链三大梯队对应的机会，可以看作是国产的 " 三把秘钥 "。

受制于禁令的限制，国产 GPU 与英伟达的差距仍然巨大，生态建设也是一个漫长的路程，但是对于 ASIC，我们甚至与海外在同一起跑线上，再结合垂直场景，中国不少 Fabless 能够做出更有能效比的产品，前面提及的矿机 ASIC、智驾 ASIC 以及阿里平头哥的含光、百度的昆仑芯这些 AI ASIC。

与之配套的芯片制造，主要依赖中芯国际，中兴旗下的中兴微等则是新入场的 " 玩家 "，不排除未来他们将与国内厂商合作，上演一场 " 谁将是中国博通 " 的戏码。