我之前写过很多文章介绍CPU（通用处理器），GPU（通用图形处理器），ASIC（应用专用集成电路），量子计算机的背景，诸位可以去我的主页找来看看。

诸位可以回顾一下，在比特币（BTC）的挖矿发展过程中，从CPU到GPU再到ASIC走的出奇地顺畅：

1，比特币于2009年诞生，其挖矿算法采用的是SHA-256哈希函数，设计之初的目标是让普通人利用家用电脑的CPU挖矿，CPU本身以其灵活的通用计算能力为最大优点。早期区块难度很低，单个CPU能够完成大量挖矿任务。但随着比特币网络的哈希难度（Difficulty）不断增加，单台CPU无法满足需求，挖矿速度大幅下降。

2，2010年开始，矿工们发现，GPU（尤其是AMD/ATI显卡）的并行处理架构对于计算SHA-256哈希值更高效，使得GPU逐步取代CPU成为主流挖矿工具。开发者也开始利用CUDA和OpenCL编写高性能挖矿程序，加速了GPU矿池形成。当然，与CPU相比，功耗上升明显，但性价比大幅提高。当然，随着参与者增多，比特币挖矿难度继续快速提高。

3，从2013年开始，专门用于比特币挖矿的ASIC开始逐渐取代GPU，标志着挖矿进入一个高效、集约的时代。这些ASIC专为SHA-256算法优化，能够以极高效率完成哈希运算。因为专款专用的缘故，ASIC上没有过多的冗余电路，所以单个ASIC矿机的算力显著高于顶级GPU，同时单位功耗更低。从此，矿机制造商（如比特大陆，嘉楠耘智，比特微，亿邦国际，现在还有比特小鹿）开始引领硬件和芯片开发，将挖矿产业集中化了。

同样的事情到深度学习和AI训练的领域会不会复现呢？我们今天来简单地看一看。随着生成式AI应用的迅猛发展，GPU飞速发展迅猛，NVidia作为最大的赢家，2024年的前三个季度的收如达到了惊人的911.6亿美金，纯利润约507.8亿美金。其中第三季度，NVidia在数据中心这块的业务收入达到了308亿美金。毫不夸张地说，这业务相当于开足马力的一个印钞机。

那么，按照现在的剧本，AI ASIC能否成为英伟达GPU可⾏的替代品？

我们首先看看，ASIC相对于GPU，能够提供什么独特的优势。
* ASIC为特定任务（如 AI 推理）高度优化，规模化下成本有显著优势。同时能够在固定计算需求下实现超高性能和极低延迟。
* 功耗显著低于 GPU，单位计算能效比（Performance-per-Watt）高。
* 效率更高：例如，Google TPU 在执行大规模矩阵运算和模型推理时的效率远高于GPU。

和比特币的ASIC类似，AI ASIC专款专用，不包含多余的硬件功能，减少了晶体管数量，降低了功耗和芯片生产成本。在部署量足够大时，规模效应带来的成本优势显著。在这里，我多提一嘴，GPU翻倍增加的功耗（H100 700瓦到GB200 1100瓦的热设计）给设计实现和配套的设施带来了极大的挑战，甚至因为GPU过热，客户甚至需要大幅度采用非技术手段缩减其他部件的热设计功耗，比如说大规模使用SSD替换传统的硬盘。

当然，AI ASIC的缺点在于，开发生态通常为闭源设计（如 Google TPU），针对性强，但灵活性差，较难达到 GPU那样的广泛适配性。GPU 可以在模型训练、推理和通用计算任务之间灵活切换，支持各种 AI 框架（如 TensorFlow、PyTorch），而GPU的开发生态（如 CUDA、TensorRT）高度成熟，开发者非常多。

目前的情况是，推理和边缘场景下，ASIC已经具备替代 GPU的很多优势，具有非常大的前景。对照北美四大云计算厂商（CSP：Cloud Service Providor）的自研产品路线：Google的TPU出货目前以v5产品为主，2025年将量产TPU v6；亚马逊的ASIC产品包括Trainium和Inferentia，分别用于训练和推理环节；微软和Meta也推出了各自的ASIC产品Maia100和MTIA。由于大型云计算厂商的业务模型、应用场景等多通过自身云来承载，相关软件绝大部分自行研发，所以，自研ASIC在这一块基本不存在瓶颈，完全可适应自家的不同业务场景需求。

而在训练场景下，因为任务本身具有复杂性和多样性，所以对硬件的灵活性需求更高，GPU 的通用性在这里会更具优势。

但是，我们也要看到技术的变化是动态的，正如前OpenAI联合创始人Ilya Sutskever在2024年NeurIPS大会上表示：预训练时代即将终结（Pre-training as we know it will end）。“将数据比作AI发展的燃料，由于我们只有一个互联网，数据增长已经触顶，AI即将进入‘后石油时代’，而这，意味着依赖于海量数据的预训练模型将难以为继，AI发展将有新的突破。”Ilya认为，未来AI发展将聚焦于智能体、合成数据和推理时计算（Agents、Synthetic data和Inference-time compute）。这些确定性较高的任务可能也会适合ASIC的方式。

而摩根士丹利于2024年12月15日发布研报《AI ASIC 2.0：潜在赢家》。在研究报告里面得出类似的结论。大摩报告预计，基本情境下，到2027年，云端AI半导体市场规模将达到2380亿美元，而在乐观情境下甚至可能达到4050亿美元。在这一领域，预计ASIC凭借针对性优化和成本优势，有望逐步从英伟达GPU手中争取更多机会。

摩根士丹利明确预计，AI ASIC市场规模将从2024年的120亿美元增长至2027年的300亿美元，年复合增长率达到34%。尽管英伟达的AI GPU性能卓越，但摩根士丹利认为，云服务提供商（CSP）如谷歌、亚马逊和微软，仍在积极推动ASIC设计。这背后的驱动力主要有两个。

1，是优化内部工作负载。通过开发自定义芯片，云服务提供商（CSP）可以更高效地满足其内部AI推理和训练需求。

2，是更好的性价比。报告指出，虽然英伟达的GPU具备强大的计算性能，但其硬件价格高昂，特别是在AI训练过程中。相比之下，ASIC的单位成本更低，尤其是在大规模使用后。例如，亚马逊的Trainium芯片在推理任务中比英伟达的H100 GPU便宜约30%至40%。谷歌也在不断优化其TPU系列，最新的TPU v6在能效上比上一代提升67%。

要做AI ASIC的生意，需要比较深的技术积累，尤其是在半导体IP方面的积累，包括但不限于网络，存储和其他各种类型的控制器IP，以及对先进工艺设计的知识。这里有两个核心公司值得关注，最近股市最火的两个Ticker，

1，博通，之前合并了安华高（Avago），Avago在2014年收购ASIC大厂的LSI Logic，一举奠定了ASIC领域的基础；

2，Marvell，Marvell之前在网络和存储市场有大量积累，同样以并购拓展ASIC研发，在2019年收购格芯（GlobalFoundries）旗下负责ASIC业务的Avera Semi，当时客户就包含目前的ASIC大客户亚马逊和微软。

谷歌自2013年开始自研芯片起，就和博通开始了深度合作，截至目前，两家共同设计了迄今为止已公布的所有TPU芯片，同时博通已经获得了谷歌下一代AI芯片TPU v7的设计合同，这一长期合作关系使博通能够显著受益于谷歌在AI技术方面的持续投资。

Meta最新的自研AI芯片都将选择博通作为自研芯片技术的核心合作伙伴，Meta此前与博通共同设计了Meta的第一代和第二代AI训练加速处理器，预计博通将在2025年加快研发Meta下一代AI芯片MTIA 3。

OpenAI给了博通两代ASIC项目，将在2026年启动，会采用3nm和2nm工艺，以及3D封装。苹果现在使用的是谷歌TPU，但是也在积极定制自己的算力芯片。

Marvell这边，微软下一代项目给了Marvell，且承诺给的量相当大，且在12月份Marvell宣布与Amazon Web Services（AWS）扩展战略合作关系，达成了一项为期五年的多代协议。

其他的大客户比较敏感，不多谈了。至少目前在AI ASIC领域，这两家走得最早最远。

博通最新的业绩报告显示，博通的AI相关营收（数据中心以太网芯片+AI ASIC）全财年累计达到122亿美元。更重磅的是，博通首席执行官陈福阳（Hock Tan）在业绩电话会议上表示，人工智能产品营收将在2025财年第一季度同比增长65%，远快于该公司约10%的整体半导体业务增速，并且预计到2027财年，其为全球数据中心运营商们所打造的AI组件（以太网芯片+AI ASIC）潜在市场规模将高达900亿美元。陈福阳在电话会议上强调“未来三年，AI芯片的相关机遇无比广阔大。”

另外，根据Marvell在AI Day上的预测，AI ASIC的业务规模将在2027年达到400亿美元规模。 Marvell设定的目标是占据该400亿美元市场的20%份额，即80亿美元。

所有这些都显示，AI ASIC正是朝阳时代。当然，据传，英伟达和AMD也不想落下，均设立了定制芯片业务部门，专注为云计算公司设计定制芯片（ASIC）。

所以，AI ASIC的竞争还将会更激烈。将来是不是也会演变成比特币矿机那样的百花齐放呢？

点击图片查看原图

点击图片查看原图

点击图片查看原图