ASIC芯片优势与厂商布局分析

ASIC 芯片具备多种优势，市场空间广阔。

AI 芯片指专门用于运行人工智能算法且做了优化设计的芯片，为满足不同场景下的人工智能应用需求，AI 芯片逐渐表现出专用性、多样性的特点。根据设计需求，AI 芯片主要分为中央处理器（CPU）、图形处理器（GPU）、现场可编程逻辑门阵列（FPGA）、专用集成电路（ASIC）等，相比于其他AI 芯片，ASIC 具有性能高、体积小、功率低等特点。2016 年，Google 发布 TPU 芯片（ASIC 类），ASIC克服了 GPU 价格昂贵、功耗高的缺点，开始逐步应用于AI 领域，成为AI 芯片的重要分支。

相比较 GPU 等其他 AI 芯片，ASIC 芯片具有以下优势，使其在AI 发展中重要性快速提升： 1）成本优势：由于 GPU 芯片的通用性、灵活性，其设计及流片成本较高，进而导致 GPU 的平均单价较高。从历史趋势来看，根据 IDC 统计数据，2022-2024年受AI 大模型驱动，GPU 性能需求快速提升，导致 GPU 产品的平均单价快速提升（对应 CAGR 为 53.1%）。从短期来看，2024 年 GPU 平均单价为8001 美元，根据爱集微披露数据，英伟达 B200 单卡售价约 3-4 万美金，AI ASIC 平均单价为5236美元，具备价格优势。从长期来看，IDC 预测 GPU 平均单价自2025 年后稳中有升，ASIC 平均单价基本维稳；

2）能耗优势：由于 AISC 芯片偏定制化设计，专为特定任务优化，因此其在执行特定任务时功率较低。据 IDC 统计数据，在同等算力水平下，ASIC 的功率更低，能耗优势明显；

3）推理优势：大厂对 ASIC 产品细分，处理训练、推理任务更加灵活。以谷歌TPU产品为例，自第五代 TPU 产品开始，产品进一步细分为“e”系列和“p”系列两个版本，TPU v5e 强调成本效益“cost-efficient”和可拓展性，TPU v5p专注于超大基础模型训练，AI 模型训练速度、性价比表现出色。目前，TPU v5e 和TPUv5p已经基本覆盖全部 AI 任务，TPU v5e 在推理侧具备优势，已覆盖低成本推理、主流模型推理、大模型推理等任务。

全球 AI 芯片市场超 4000 亿，ASIC 芯片快速增长。从市场规模来看，根据IDC披露数据，2024 年 GPU、AI ASIC 芯片市场规模分别为701、148 亿美金，预计2030年分别增长至 3263、838 亿美金，对应 2024-2030 年CAGR 分别为29.2%、33.5%。从出货量来看，2024 年 GPU、AI ASIC 芯片出货量分别为876、283 万颗，预计2030年增长至 2982、1431 万颗，对应 2024-2030 年 CAGR 分别为22.6%、31.0%，ASIC芯片占比稳步提升。

大模型 token 处理量快速提升，推理算力需求加速。1）从龙头应用来看：据谷歌 2025 年 4 月 I/O 大会披露数据，当月 Gemini 大模型每月token 处理量达480万亿，同比提升了约 50 倍；此外，根据谷歌 2025 年7 月财报电话会议披露数据，Gemini 大模型每月处理的 token 量从 4 月至 7 月翻了一倍，达到接近960万亿token/月；据 Intelligence by Intent 预测内容，预计2025 年8 月Gemini大模型每月处理的 token 量将达到 1250 万亿。2）从第三方平台来看：选取AI模型API 聚合平台 OpenRouter 为例，平台集成 Grok Code Fast1、Claude Sonnet4、Deepseek v3.1 等优秀模型，2025 年 9 月 2 日-9 月8 日该平台周度token处理量为 4.9T，周度环比+6.5%，随着模型 token 使用量的快速增长，推理算力需求加速。

随着生成式 AI 和大模型进入推理时代，全球主要云计算厂商纷纷布局自研芯片，ASIC 已成为云厂商在高强度推理场景下降低成本、优化性能、增强生态主导力的重要方向： 1）谷歌：全球 ASIC 领导者，第七代 AI ASIC 芯片有望2026 年放量。谷歌2015年发布第一代 AI ASIC 芯片 TPUv1，分别于 2018、2020、2022、2023、2024年发布 TPUv2、TPUv3、TPUv4、TPUv5（包括 v5e 和 v5p）、TPUv6；2025 年谷歌发布全新一代 AI ASIC 芯片 Ironwood（TPU v7），单芯片峰值Flops 达4614TFLOPS，约为 TPU v5p 的 10 倍，峰值能效是上一代 Trillium 的2 倍，是TPU v2的29.3倍，有望 2026 年大规模放量； 2）Meta：第二代 AI ASIC 芯片有望 2025 年底量产。2023 年Meta 发布第一代AI推理加速卡 MTIA v1，其从 2020 年开始设计，采用台积电7nm 制程工艺，运行频率 800MHz，TDP 仅 25W，FP16 下 51.2 TFLOPS 算力；2024 年Meta 发布下一代MTIA芯片 MTIA v2，采用台积电 5nm 工艺，运行频率 1.35GHz，TDP 为90W，FP16下提供 354TFLOPS 算力，有望 2025 年底大规模量产； 3）亚马逊：第三代 AI ASIC 芯片有望 2025 年底量产，更高比例资本开支用于自研芯片。2022 年亚马逊发布第一代自研 AI 芯片 Trainium 1，提供一定并行计算的能力，但由于其互联网络性能有限（仅 4 个 Neuronlink-v2 互联端口），并未大规模使用；2023 年亚马逊发布第二代 AI 芯片 Trainium 2，每颗芯片包含8个NeuronCore-v3 和 4 个 HBM3 堆栈，且通过 Neuronlink-v3 网络实现芯片间高速通信，FP16 下提供 667 TFLOPS 算力，相较于 Trainium 1 提升3.4 倍，目前已经量产。2024 年亚马逊发布第三代 AI 芯片 Trainium 3，采用3nm 制程生产工艺，相较于上一代 AI 芯片，计算能力提升 2 倍，能源效率提升40%，有望2025年底大规模量产。根据亚马逊 FY2025Q2 财报电话会披露信息，目前Trainium 2已经大规模用于 Anthropic 的 Claude 大模型的训练，相比于GPU 芯片，性价比提升30%-40%，且亚马逊会将提升用于自研 ASIC 的资本开支比例；

谷歌授权自研芯片托管，扩大 TPU 使用范围。据 The Information 报道，谷歌已经开始将其自研的 AI 芯片 TPU 部署在较小型云服务商运营的数据中心中。当前谷歌已接触包括 CoreWeave 和 Crusoe 在内的多家公司，商讨托管TPU 的事宜。目前，谷歌已与总部位于伦敦的 Fluidstack 达成协议，后者将在纽约新建的数据中心中安装谷歌的芯片。在此之前，TPU 仅用于谷歌自家的服务（例如Gemini AI模型），或通过 Google Cloud 有选择性地提供给一些公司（如Apple 和图像生成器Midjourney）。通过允许第三方服务商托管 TPU，谷歌正在扩大其芯片的使用范围，并降低对英伟达的依赖。