DeepSeek掀起算力革命，英偉達挑戰加劇，ASIC芯片悄然崛起

今天小編分享的科技經驗：DeepSeek掀起算力革命，英偉達挑戰加劇，ASIC芯片悄然崛起，歡迎閲讀。

文 | 錦緞，作者 | 由我、蘇揚，編輯 | 鄭可君

DeepSeek 帶動推理需求爆發，英偉達的 " 算力霸權 " 被撕開一道口子，一個新世界的大門逐漸打開——由 ASIC 芯片主導的算力革命，正從靜默走向喧嚣。

日前，芯流智庫援引知情人士的消息，稱 DeepSeek 正在籌備 AI 芯片自研。相比這個後起之秀，國内大廠如阿裏、百度、字節們更早就跨過了 " 自研 " 的大門。

大洋彼岸，OpenAI 自研芯片的新進展也在年初釋出，外媒披露博通為其定制的首款芯片幾個月内将在台積電流片。

此前更是一度傳出 Sam Altman 計劃籌集 70000 億美元打造 " 芯片帝國 "，設計與制造通吃。此外，谷歌、亞馬遜、微軟、Meta 也都先後加入了這場 " 自研熱潮 "。

一個明顯的信号是——無論 DeepSeek、OpenAI，還是中國公司和硅谷大廠，誰都不希望在算力時代掉隊。而 ASIC 芯片，可能會成為他們跨越新世界大門的入場券。

這會不會 " 殺死 " 英偉達？或者，會不會 " 再造 " 第二個英偉達？現在還沒有答案。

不過可以明确的是，這場轟轟烈烈的 " 自研浪潮 "，其上遊的產業鏈企業已經 " 春江水暖鴨先知 "，例如給各家大廠提供設計定制服務的博通，業績已經 " 起飛 "：2024 年 AI 業務收入同比 240%，達到 37 億美元；2025Q1AI 業務營收 41 億美元，同比增 77%；其中 80% 來自 ASIC 芯片設計。

在博通的眼裏，ASIC 芯片這塊蛋糕，價值超過 900 億美元。

01 從 GPU 到 ASIC，算力經濟學走向分水嶺

低成本是 AI 推理爆發的必要條件，與之相對的是——通用 GPU 芯片成了 AI 爆發的黃金枷鎖。

英偉達的 H100 和 A100 是大模型訓練的絕對王者，甚至連 B200、H200 也讓科技巨頭們趨之若鹜。金融時報此前援引 Omdia 的數據，2024 年，英偉達 Hopper 架構芯片的主要客户包括微軟、Meta、Tesla/xAI 等，其中微軟的訂單量達到 50 萬張。

但是，作為通用 GPU 的絕對統治者，英偉達產品方案其" 硬币的另一面 " 已逐漸顯現：高昂的成本與冗餘的能耗。

成本方面，單個 H100 售價超 3 萬美元，訓練千億參數模型需上萬張 GPU，再加上網絡硬體、存儲和安全等後續的投入，總計超 5 億美元。根據匯豐的數據，最新一代的 GB200 NVL72 方案，單機櫃超過 300 萬美元，NVL36 也在 180 萬美元左右。

可以説，基于通用 GPU 的模型訓練太貴了，只不過是算力不受限制的硅谷，仍然偏向于 " 力大磚飛 " 的叙事，資本支出并未就此減速。就在日前，馬斯克旗下 xAI，不久之前公布的 Grok-3，訓練的伺服器規模，已經達到了 20 萬張 GPU 的規模。

騰訊科技聯合硅兔賽跑推出的《兩萬字詳解最全 2025 AI 關鍵洞察》一文提到，超大規模數據中心運營商預計 2024 年資本支出（CapEx）超過 2000 億美元，到 2025 年這一數字預計将接近 2500 億美元，且主要資源都将傾斜給人工智能。

能耗方面，根據 SemiAnalysis 的測算，10 萬卡 H100 集群，總功耗為 150MW，每年耗費 1.59TWh 的電量，按 0.078 美元 / 千瓦時計算，每年電費高達 1.239 億美元。

對照 OpenAI 公布的數據，推理階段 GPU 的算力利用率僅 30%-50%，" 邊算邊等 " 現象顯著，如此低效的性能利用率，在推理時代，确實是大材小用，浪費過于嚴重。

谷歌此前公布的 TPU V4 與 A100 針對不同架構模型的訓練速度

性能領先、價格昂貴，效率不佳，外加生态壁壘，過去一年業内都在喊 " 天下苦英偉達久矣 " ——雲廠商逐漸喪失硬體自主權，疊加供應鏈風險，再加上 AMD 暫時還 " 扶不起來 "，諸多因素倒逼巨頭開始自研 ASIC 專用芯片。

自此，AI 芯片戰場，從技術競賽轉向經濟性博弈。

正如西南證券的研究結論，" 當模型架構進入收斂期，算力投入的每一美元都必須產出可量化的經濟收益。"

從北美雲廠商最近反饋的進展看，ASIC 已體現出一定的替代優勢：

● 谷歌：博通為谷歌定制的 TPU v5 芯片在 Llama-3 推理場景中，部門算力成本較 H100 降低 70%。

● 亞馬遜：3nm 制程的 AWS Trainium 3，同等算力下能耗僅為通用 GPU 的 1/3，年節省電費超千萬美元；據了解，亞馬遜 Trainium 芯片 2024 年出貨量已超 50 萬片。

● 微軟：根據 IDC 數據，微軟 Azure 自研 ASIC 後，硬體采購成本占比從 75% 降至 58%，擺脱長期被動的議價困境。

作為北美 ASIC 鏈的最大受益者，博通這一趨勢在數據中愈發顯著。

博通 2024 年 AI 業務收入 37 億美元，同比增 240%，其中 80% 來自 ASIC 設計服務。2025Q1，其 AI 業務營收 41 億美元，同比增 77%，同時預計第二季度 AI 營收 44 億美元，同比增 44%。

早在年報期間，博通指引 2027 年 ASIC 收入将大爆發，給市場畫了 3 年之後 ASIC 芯片将有望達到 900 億美元的市場規模這個大餅。Q1 電話會期間，公司再次重申了這一點。

憑借這個大的產業趨勢，博通也成為全球繼英偉達、台積電之後，第三家市值破 1 萬億美元的半導體公司，同時也帶動了海外對于 Marvell、AIchip 等公司的關注。

圖：市面主流 GPU 與 ASIC 算力成本對比資料來源：西南證券

不過，有一點需要強調——"ASIC 雖好，但也不會殺死 GPU"。

微軟、谷歌、Meta 都在下場自研，但同時又都在搶英偉達 B200 的首發，這其實説明了雙方之間不是直接的競争關系。

更客觀的結論應該是，GPU 仍将主導高性能的訓練市場，推理場景中由于 GPU 的通用性仍将是最主要的芯片，但在未來接近 4000 億美元的 AI 芯片藍海市場中，ASIC 的滲透路徑已清晰可見。

IDC 預測，2024-2026 年推理場景中，ASIC 占比從 15% 提升至 40%，即最高 1600 億美元。

這場變革的終局或許是：ASIC 接管 80% 的推理市場，GPU 退守訓練和圖形領網域。真正的赢家将是那些既懂硅片、又懂場景的 " 雙栖玩家 "，英偉達顯然是其中一員，看好 ASIC 斷然不是唱空英偉達。

而新世界的指南，是去尋找除英偉達之外的雙栖玩家，如何掘金 ASIC 新紀元。

02 ASIC 的 " 手術刀 "：非核心模塊，通通砍掉

錦緞在《DeepSeek 的隐喻：GPU 失其鹿，ASIC、SoC 們共逐之》一文中詳解過 SoC，而 CPU、GPU 用户早已耳熟能詳，FPGA 應用市場小眾，最為陌生的當屬 ASIC。

圖：算力芯片對比資料來源：中泰證券

那麼，都説 ASIC 利好 AI 推理，究竟它是一個什麼樣的芯片？

從架構上來説，GPU 這樣的通用芯片，其局限在于 " 以一敵百 " 的設計——需要兼顧圖形渲染、科學計算、不同的模型架構等多元需求，導致大量晶體管資源浪費在非核心功能模塊。

英偉達 GPU 最大的特點，就是有眾多 " 小核 "，這些 " 小核 " 可以類比成獵鷹火箭多台發動機，開發者可以憑借 CUDA 多年積累的算子庫，平穩、高效且靈活地調用這些小核用于并行計算。

但如果下遊模型相對确定，計算任務就是相對确定的，不需要那麼多小核來保持靈活性，ASIC 最底層的原理正是如此，所以也被稱為全定制化高算力芯片。

通過 " 手術刀式 " 精準裁剪，僅保留與目标場景強相關的硬體單元，釋放出驚人的效率，這在谷歌、亞馬遜都已經在產品上得到了驗證。

谷歌 TPU v5e AI 加速器實拍

對于 GPU 來説，調用它們最好的工具是英偉達的 CUDA，而對于 ASIC 芯片，調用它們的是雲廠商自研的算法，這對于軟體起家的大廠來説，并不是什麼難事：

● 谷歌 TPU v4 中，95% 的晶體管資源用于矩陣乘法單元和向量處理單元，專為神經網絡計算優化，而 GPU 中類似單元的占比不足 60%。

● 不同于傳統馮 · 諾依曼架構的 " 計算 - 存儲 " 分離模式，ASIC 可圍繞算法特征定制數據流。例如在博通為 Meta 定制的推薦系統芯片中，計算單元直接嵌入存儲控制器周圍，數據移動距離縮短 70%，延遲降低至 GPU 的 1/8。

● 針對 AI 模型中 50%-90% 的權重稀疏特性，亞馬遜 Trainium2 芯片嵌入稀疏計算引擎，可跳過零值計算環節，理論性能提升 300%。

當算法趨于固定，對于确定性的垂直場景，ASIC 就是具有天然的優勢，ASIC 設計的終極目标是讓芯片本身成為算法的 " 物理化身 "。

在過去的歷史和正在發生的現實中，我們都能夠找到 ASIC 成功的力證，比如礦機芯片。

早期，行業都是用英偉達的 GPU 挖礦，後期随着挖礦難度提升，電力消耗超過挖礦收益（非常類似現在的推理需求），挖礦專用 ASIC 芯片爆發。雖然通用性遠不如 GPU，但礦機 ASIC 将并行度極致化。

例如，比特大陸的比特币礦機 ASIC，同時部署數萬個 SHA-256 哈希計算單元，實現單一算法下的超線性加速，算力密度達到 GPU 的 1000 倍以上。不僅專用能力大幅提升，而且能耗實現了系統級節省。

此外，使用 ASIC 可精簡外圍電路（如不再需要 PCIe 接口的復雜協定棧），主機板面積減少 40%，整機成本下降 25%。

低成本、高效率，支持硬體與場景深度咬合，這些 ASIC 技術内核，天然适配 AI 產業從 " 暴力堆算力 " 到 " 精細化效率革命 " 的轉型需求。

随着推理時代的到來，ASIC 成本優勢将重演礦機的歷史，實現規模效應下的 " 死亡交叉 " ——盡管初期研發成本高昂（單芯片設計費用約 5000 萬美元），但其邊際成本下降曲線遠陡于通用 GPU。

以谷歌 TPU v4 為例，當出貨量從 10 萬片增至 100 萬片時，單顆成本從 3800 美元驟降至 1200 美元，降幅接近 70%，而 GPU 的成本降幅通常不超過 30%。根據產業鏈最新信息，谷歌 TPU v6 預計 2025 年出貨 160 萬片，單片算力較前代提升 3 倍，ASIC 的性價比，還在快速提升。

這又引申出一個新的話題，是否所有人都可以湧入自研 ASIC 大潮中去？這取決于自研成本與需求量。

按照 7nm 工藝的 ASIC 推理加速卡來計算，涉及 IP 授權費用、人力成本、設計工具、掩模板在内的一次流片費用等，量級可能就在億元的級别，還不包括後期的量產成本。在這方面，大廠更具有資金優勢。

目前，像谷歌、亞馬遜這樣的雲廠商，因為有成熟的客户體系，能夠形成研發、銷售閉環，自研上擁有先天的優勢。

Meta 這種企業，自研的邏輯則在于内部本身就有天量級的算力需求。今年初，扎克伯格就曾透露，計劃在 2025 年上線約 1GW 的計算能力，并在年底前擁有超過 130 萬張 GPU。

03 " 新地圖 " 價值遠不止 1000 億美元

僅僅是挖礦需求就帶來了近 100 億美元的市場，所以當博通 2024 年底喊出 AI ASIC 市場空間 700-900 億美元的時候，我們并不意外，甚至認為可能這個數字都保守了。

現在，ASIC 芯片的產業趨勢不應當再被質疑，重點應該是如何掌握 " 新地圖 " 的博弈法則。

近千億美元的 AI ASIC 市場中，已經形成清晰的三大梯隊—— " 制定規則的 ASIC 芯片設計者和制造者 " 、" 產業鏈配套 "、" 垂直場景下的 Fabless"。

第一梯隊，是制定規則的 ASIC 芯片設計者和制造者，他們可以制造單價超過 1 萬美元的 ASIC 芯片，并與下遊的雲廠商合作商用，代表玩家有博通、Marvell、AIchip，以及不管是什麼先進芯片都會受益的代工王者——台積電。

第二梯隊，產業鏈配套，已經被市場關注到的配套邏輯包括先進封裝與更下遊的產業鏈。

● 先進封裝：台積電 CoWoS 產能的 35% 已轉向 ASIC 客户，國產對應的中芯國際、長電科技、通富微電等。

● 雲廠商英偉達硬體方案解耦帶來的新硬體機會：如 AEC 銅纜，亞馬遜自研單顆 ASIC 需配 3 根 AEC，若 2027 年 ASIC 出貨 700 萬顆，對應市場超 50 億美元，其他還包括伺服器、PCB 均是受益于相似邏輯。

第三梯隊，是正在醖釀的垂直場景的 Fabless。ASIC 的本質是需求驅動型市場，誰能最先捕捉到場景痛點，誰就掌握定價權。ASIC 的基因就是定制化，與垂直場景天然适配。以智駕芯片為例，作為典型的 ASIC 芯片，随着比亞迪等 All in 智駕，這類產品開始進入爆發期。

映射全球 ASIC 產業鏈三大梯隊對應的機會，可以看作是國產的 " 三把秘鑰 "。

受制于禁令的限制，國產 GPU 與英偉達的差距仍然巨大，生态建設也是一個漫長的路程，但是對于 ASIC，我們甚至與海外在同一起跑線上，再結合垂直場景，中國不少 Fabless 能夠做出更有能效比的產品，前面提及的礦機 ASIC、智駕 ASIC 以及阿裏平頭哥的含光、百度的昆侖芯這些 AI ASIC。

與之配套的芯片制造，主要依賴中芯國際，中興旗下的中興微等則是新入場的 " 玩家 "，不排除未來他們将與國内廠商合作，上演一場 " 誰将是中國博通 " 的戲碼。