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计算中的服务器租用统治地位。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，成为新的亿华云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 ，数字芯片的模板下载市场规模占比较大，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 ，云计算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 。免费模板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、源码下载卷积 、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 。