内容摘要：最近这段时间，美国股票市场的动静比较大。有两个科技股概念，突然变得很火，引起了市场的高度关注，涨幅惊人。这两个概念，分别是ASIC和量子计算。今天这篇文章，我们主要说说ASIC。按资本市场的说法，AS

最近这段时间，美国股票市场的动静比较大 。有两个科技股概念 ，突然变得很火 ，引起了市场的高度关注，涨幅惊人。这两个概念 ，分别是ASIC和量子计算。

今天这篇文章，我们主要说说ASIC。

按资本市场的说法，ASIC正在加速崛起，威胁GPU在AI计算中的模板下载统治地位  。而博通
，作为ASIC最重要的概念股 ，股价一路猛涨 
，一度从180飙到了250 ，市值也突破了万亿美元 。相比之下，英伟达反而成了昨日黄花
，股价一路下跌 ，甚至不到130美元。

博通股价（昨天跌了）

那么，ASIC时代真的到来了吗
？博通真的会取代英伟达，成为新的香港云服务器AI之王 ？

ASIC和GPU是什么

ASIC和GPU ，都是用于计算功能的半导体芯片 。因为都可以用于AI计算，所以也被称为“AI芯片”。

准确来说 ，除了它俩
，计算芯片还包括大家更熟悉的CPU，以及FPGA 。

行业里，通常会把半导体芯片分为数字芯片和模拟芯片 。其中 ，数字芯片的建站模板市场规模占比较大 ，达到70%左右。

数字芯片，还可以进一步细分 ，分为：逻辑芯片、存储芯片以及微控制单元（MCU） 。CPU、GPU、FPGA 、ASIC，全部都属于逻辑芯片
。

芯片的分类

逻辑芯片，就是计算芯片
。它包含了各种逻辑门电路，源码库可以实现运算与逻辑判断功能。

四个芯片里，CPU和GPU是通用芯片，可以完成多种任务。尤其是CPU ，是全能型选手，单核主频高，啥都能干 ，所以经常被拿来做主处理器 。

而GPU，本来是用来做图形处理（显卡）的 。高防服务器它的内核数量特别多（大几千个），适合做并行计算，也就是擅长同时做大量的简单计算任务。（图形处理，就是同时处理大量的像素计算
。）

AI计算和图形计算一样
，也是典型的并行计算型任务 。

AI计算中包括大量并行的矩阵相乘
、免费模板卷积 、循环层 、梯度运算等任务 ，所以，特别适合GPU去完成。CPU不适合AI计算，这也是英特尔股价跌到20美元以下的原因之一。

2023年以来，AI浪潮爆发 ，大部分企业的AI训练 ，采用的是英伟达的GPU集群 。如果进行合理优化 ，一块GPU卡，可以提供相当于数十其至上百台CPU服务器的算力 。这直接导致了英伟达的股价猛涨了几十倍，而且还买不到 。

NVIDIA HGX A100 8 GPU 组件

再来看看ASIC和FPGA 。

ASIC（Application Specific Integrated Circuit，专用集成电路），是一种专用于特定任务的芯片。ASIC的官方定义，是指 ：应特定用户的要求，或特定电子系统的需要 ，专门设计 、制造的集成电路 。

Google公司大名鼎鼎的TPU（Tensor Processing Unit，张量处理单元），还有前几年很火的比特币矿机，英特尔的Gaudi 2 ASIC芯片，IBM的AIU ，AWS的Trainium，都属于ASIC芯片。

这几年非常火的DPU（Data Processing Unit，数据处理单元）和NPU（Neural Processing Unit，神经网络处理单元），也是ASIC芯片
。

FPGA（Field Programmable Gate Array，现场可编程门阵列），是半定制芯片  ，也被人称为“万能芯片” 。FPGA可以根据用户的需要 ，在制造后，进行无限次数的重复编程
，以实现想要的数字逻辑功能。

ASIC和FPGA的区别在于，AISC是全定制芯片，功能写死 ，没办法改。而FPGA是半定制芯片 ，功能灵活 ，可玩性强 。FPGA不需要流片（很烧钱的一个工序），但因为可编辑，冗余功能比较多
，一旦用于单一目的，就会存在浪费。大规模生产的情况下 ，FPGA的成本比ASIC高，且极致能效不如ASIC。

所以，FPGA现在多用于产品原型的开发 、设计迭代，以及一些低产量的特定应用 ，或者用于培训和教学 。它适合那些开发周期必须短的产品，也经常用于ASIC的验证。

反正
，大家记住，大规模出货用于AI计算，一般不考虑FPGA。

所以 ，AI芯片
，也就是GPU和ASIC之争
。

GPU和ASIC
，到底谁厉害 ？

ASIC作为专用定制芯片，基于芯片所面向的专项任务。它的计算能力和计算效率都是严格匹配于任务算法的 。芯片的核心数量，逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构，也是精确定制的
。

所以，ASIC可以实现极致的体积、功耗。这类芯片的可靠性 、保密性、算力、能效，都会比通用芯片（GPU）更强
。

例如，在同等预算下，AWS的Trainium 2（ASIC芯片）可以比英伟达的H100 GPU更快速完成推理任务，且性价比提高了30-40%。明年计划推出的Trainium3，计算性能更是提高了2倍，能效提高40%。

但是，为什么这两年一直火的都是GPU呢？

主要是因为英伟达太猛 。

英伟达在AI上也是歪打正着。当年AI大佬辛顿（就是那个新晋诺贝尔奖得主）带着徒弟使用GPU做AI训练，获得巨大突破，才让英伟达发现自己竟然还有这样的泼天富贵 。

然后 ，英伟达就开始在AI发力，拼命做更厉害的GPU（当然
，也有游戏的带动）。

在英伟达的持续努力下，GPU的核心数和工作频率一直在提升 ，芯片面积也越来越大。算力越强 ，有利于缩短训练时间，加快产品发布
，这也是重要优势 。

当然，算力变强  ，功耗也水涨船高
。但是，靠工艺制程、水冷等被动散热 ，勉强也能兜得住
，反正不会烧掉 。

除了硬件之外，英伟达在软件和生态方面也很会布局 
。

他们捣鼓出来的CUDA（AI开发的软件套件） ，是GPU的一个核心竞争力。基于CUDA，初学者都可以很快上手 。所以，英伟达的GPU方案，被全球用户广泛接受，形成了牢固的生态。

相比之下，FPGA和ASIC的开发还是太过复杂，不适合普及 。

ASIC之所以在AI上干不过GPU，和它的高昂成本  、超长开发周期、巨大开发风险有很大关系 。现在AI算法变化很快，ASIC这种开发周期 ，很要命 。

综合上述原因，GPU才有了现在的大好局面。

值得一提的是，前面说了，AI计算分为训练和推理两种。训练任务，需要更强大的算力，所以在AI训练上 ，厂商们主要以GPU为主。

推理任务的话，算力要求要低一点 ，也不需要什么并行，所以GPU的算力优势没那么明显。很多企业 ，就会开始采用更便宜、更省电的FPGA或ASIC，进行计算。

这个情况 ，一直持续到了现在 。AI芯片 ，GPU的占比能达到70%以上。

如今，因为大家实在是“苦英伟达久矣” ，不想总被英伟达“卡脖子”，所以非常希望算力多元化。再有，大模型现在从“训练热”走向了“推理热”
。推理类的AI计算需求增加 ，给了ASIC机会。

所以 ，扶持ASIC产业链，提升ASIC芯片在AI领域的占有率，成为了大家的共识 。这才有了博通和Marvell股价的猛涨
。（据说，博通正与三个大型客户开发AI芯片，预计2025年AI芯片业务收入达到150亿-200亿美元。）

那么，取代就真的那么容易吗？ASIC会很快淘汰掉GPU吗？

显然不是的 。

凭借前面提到的性能、生态
 、集成能力等方面的优势 ，英伟达的GPU仍然会是中短期内的AI芯片首选
。英伟达的软硬件网络整套方案都很成熟，技术和资金实力太强 ，GPU的存量和出货量依然很大，市场地位难以撼动。

ASIC的崛起速度虽然很快，但仍需要一定的时间走向成熟 。AI ASIC芯片的研发 ，也具有很高的风险。即使研发成功，也需要时间被用户所接受。

这就意味着 ，在很长的一段时间内 ，GPU和ASIC都将处于共存状态。基于不同的场景，用户会选择最适合自己的芯片 。发展自研ASIC ，更多是有利于厂商们和英伟达进行谈判砍价 。

未来的情况还是比较难预测的 。量子计算是不是会对计算领域造成颠覆式影响，现在也是讨论的热点
 。