AIASIC，算力芯片的下一篇章.pptx

ASIC可以适应不同的业务场景和商业模式的需求，可以满足大型CSP客户的诸多需求：1）内部工作负载的架构优化；2）更低的功耗，更低的成本；3）为AI工作负载定制的内存和I/O架构。随着AI应用的发展和生态逐步完善，AI算力集群特别是推理集群对加速计算芯片需求巨大，驱动ASIC快速成长。预计2028年数据中心ASIC市场规模将提升至429亿美元，CAGR为45.4%。

ASIC针对特定算法和应用进行优化设计，在特定任务上的计算能力强大，通常具有较高的能效比。目前ASIC以推理场景应用为主，并开始切入到部分训练环节。对照北美四大CSP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TPUv6；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CSP的业务模型、应用场景等多通过自身云来承载，每个云承载了独特的应用和商业模型，包括内部应用（比如搜索引擎

、社交媒体等）、SaaS服务（比如AI聊天机器人、Copilot等）、IaaS服务等，自研ASIC可适应自身不同的业务场景和商业模式的需求。

相关标的：1）博通：全球AIASIC龙头，目前已向多家头部CSP客户批量供应ASIC产品，其在计算，存储，网络IO，封装等领域广泛的IP储备可为其XPU产品线赋能。2）Marvell：全球一线ASIC厂商，其定制计算产品包括AI加速芯片，针对安全、NIC/DPU、ARM计算、存储、视频和CXL功能的ASIC等，客户包括北美头部云厂商。

风险提示：AI产业发展不及预期的风险；大型科技企业资本支出不及预期的风险；GPU竞争的风险。;目 录

1 ASIC芯片市场前景;3;4;5;6;目 录;2.1 ASIC硬件性能：针对特定算法和应用优化设计，具有较高能效比;ASIC的单位算力成本更低，满足一定的降本需求。ASIC因其硬件结构是为特定任务定制的，减少了很多针对通用加速计算的不必要的硬件设计，其单位算力成本相比GPU或更低。谷歌TPUv5、亚马逊Trainium2的单位算力成本分别为英伟达H100的70%、60%;ASIC在软件生态上的优势：云厂商普遍具备较强的研发能力，为ASIC研发了配套的全栈软件生态，开发了一系列编译器、底层中间件等，提升ASIC在特定场景下的计算效率??部分第三方芯片厂商推出了开源平台，未来ASIC的软件生态将会愈发成熟和开放。

ASIC在软件生态上的劣势：软件生态相对较为单一，主要针对特定的应用场景和算法进行优化。与GPU相比，ASIC的编程难度较大，需要专业的知识和技能，开发工具和软件库相对较少。这使得开发者在使用ASIC时需要花费更多时间和精力进行开发调试。

GPU软件生态的优势：软件生态丰富成熟，拥有广泛的开发工具、编程语言和软件库支持，如英伟达的CUDA和AMD的ROCm等

。开发者可使用熟悉的编程语言如C、C++、Python等进行开发，且有大量的开源项目和社区支持，方便开发者学习和交流。这使得GPU在各种应用场景中都能快速地进行开发和部署。

GPU软件生态的劣势：软件生态在特定任务上的优化程度可能不如ASIC。在一些对性能和功耗要求极高的特定场景中，需要进行大量的优化工作才能发挥出GPU的最佳性能。;ASIC在执行特定AI算法时的高性能和高能效的优势，对于大规模数据中心等对能耗敏感的场景非常重要。由于ASIC不需要集成通用的功能模块，从而减少不必要的硬件资源浪费，如果AI应用场景明确且需求量大，ASIC在大规模生产后其单位成本可显著降低。但ASIC也有开发周期长且灵活性差的劣势，由于ASIC的设计和制造是针对特定算法和应用场景进行的，一旦设计完成其功能就固化下来，难以对芯片的功能和性能进行修改和升级，如果AI算法发生较大变化，ASIC可能无法快速适应这种变化。此外，ASIC的生态系统还不够完善，开发者在使用ASIC时可能需要花费更多时间和精力去搭建开发环境、编写底层代码等，开发难度较大。

ASIC更适用于推理：在推理阶段，AI模型已训练完成，需要对输入的数据进行快速的预测和分类。此时对芯片的计算精度要求相对较低，但对计算速度、能效和成本等要求较高。ASIC正好满足这些需求，其高度定制化的设计能针对推理任务进行优化，以较低的功耗实现快速的推理计算。且在大规模部署的场景下，ASIC的成本优势更加明显，可以降低企业的运营成本。

GPU更适用于训练：AI训练过程需要处理大量的数据和复杂的计算，对芯片的计算能力、内存带宽和并行处理能力要求非常高。GPU拥有众多的计算核心