百芯大战

锦缎·2026年02月02日 09:31

AI专用芯片迈过10亿美元经济生死线，英伟达算力霸权瓦解倒计时

一年前，我们在《DeepSeek掀起算力革命，英伟达挑战加剧，ASIC芯片悄然崛起》一文中，更多的是看好ASIC带来类似博通和晶圆代工的产业机会。

一年后的今天，ASIC 的发展速度远超预期。尤其近半年以来，ASIC甚至逐渐成为AI竞争的胜负手：国内外大厂开年以来股价表现最好的分别是百度、谷歌和阿里。

谷歌TPU+自研模型+云+内部应用的王炸，已经让其立于不败之地；国内互联网大厂，近期被重估的只有自研ASIC芯片拆分独立IPO的百度（计划拆分昆仑芯IPO）和阿里（计划拆分平头哥IPO）。

如今，ASIC 早已不只是单纯的产业趋势，更成为AI巨头必炼的内功。

01 ASIC趋势比预期还要猛

1.AI投资规划越大，ASIC优势就越明显

ASIC（Application Specific Integrated Circuit，专用集成电路）与 GPU 的核心差异，在于 ASIC 是针对特定算法和应用的 “定制化优化”，而 GPU 则是适配多场景的 “通用型选手”。

每个大厂都有自己独特的应用、模型、云和SaaS，ASIC 能精准匹配这些专属需求，同时具备更低的成本与功耗优势——这也是我们去年看好其在推理时代爆发的核心原因。

当前 AI 军备竞赛愈演愈烈，10 万美元/颗的 GPU 已让大厂不堪重负（英伟达 FY2025 年整体毛利率达 75.5%，净利率 57%，单颗 GPU 成本不足 3 万美元）。头部厂商的 AI 资本开支已逼近千亿美元，甚至需要通过融资、租赁外部算力等方式填补缺口。

性价比更高的ASIC因此变得更为重要性：在AI算力向推理端倾斜、数据中心成本控制诉求升级的背景下，ASIC芯片凭借显著经济性，正逐步打破GPU垄断格局。

谷歌自研芯片的成功，无疑更是行业的一针强心剂。所以近期，超大规模云服务商都开始尝试摆脱对英伟达的依赖，加速构建自己的芯片护城河，以追求极致的 TCO（总拥有成本）和供应链安全。

图：GPU与ASIC比较资料来源：西南证券

2.AI专用芯片迈过10亿美元经济生死线

理论上，所有领域的芯片都该走向专用化——专用芯片的适配性与效率最优，但能否落地，关键在于下游市场能否支撑高昂的自研成本。

当前 2nm 芯片流片成本已达 7 亿美元，加上团队搭建费用 3 亿美元，自研门槛高达 10 亿美元，这需要超 100 亿美元的下游市场规模才能覆盖成本。

●成功的代表是手机，每年全球近5000亿美元的市场，自研主控SoC做的最好的是苹果和华为，不仅降低了成本，更重要的是提升了手机性能，支撑溢价。

●但在比如汽车智驾领域，，由于市场空间并不够大，主机厂自研并不具备经济性，最终仍是英伟达、地平线这样的企业占据主流。

数据中心市场AI芯片单颗价值非常高，只需要有数百万颗出货量即可突破经济生死线；显然2025年开始，一个大厂内部采购的AI芯片数量就轻松超过100万颗，容量已经完全能满足流片和高昂的招聘费用。

仍以谷歌为例，Techinsight数据显示，其2023年自用TPU就超200万颗，按年20亿美金研发成本计算，单颗分摊成本仅几千美金。

经济性的释放，直接驱动数据中心 ASIC 出货量持续攀升。据芯智讯援引 DIGITIMES 数据，ASIC 出货量将进入加速通道，2027 年将突破 1000 万颗，接近同期 GPU 1200 万颗的水平。

出货量激增将同步带动市场规模扩容，AI 用 ASIC 有望快速成长为千亿美金赛道（对应单颗价值 1 万美元左右，仅为英伟达 GPU 的 1/5-1/10）。作为大厂 ASIC 核心合作方，博通给出更乐观预期：2027 年大客户 ASIC 可服务市场将达 600-900 亿美元；Marvell 也预测，2028 年定制芯片将占数据中心加速计算市场 25% 的份额。

图：可服务AISC市场规模估算资料来源：Marvell

02 GPU和ASIC之争继续，结论是英伟达难垄断

先说结论：在高速增长、供不应求的算力需求这一大背景下，英伟达GPU作为基石的作用仍不可替代，但其份额将逐渐被ASIC蚕食。

我们将在长期看到长期二者共存态势：小型模型主导场景更利好 GPU 的灵活性，超大型模型持续增长则为 TPU 提供增长空间。

具体原因下面展开。

1.英伟达的领先，现在靠生态、产业链优先供应

英伟达GPU是当前最昂贵的计算加速器，适配各类 AI 场景，客户粘性强，因为有两大优势。

英伟达明面上最大的优势在于算法生态：CUDA 生态与开发者习惯形成强壁垒、同时英伟达 NVLink和InfiniBand长期主导 GPU 互联。

所以中小模型与研发场景长期仍将以 GPU 为主；在大模型训推中，CUDA 生态仍领先其他方案至少一年半的时间。

2.另外一个在暗处的优势是产业链优先支持英伟达

就像即使设计水平一样，苹果的芯片也至少领先其他手机厂商一年，因为台积电最先进的芯片产能，苹果是包圆的。

同样，英伟达由于出货量最大，是产业链优先支持的芯片厂，如：

● 代工产能优先：英伟达是台积电3nm 产能的优先合作伙伴，而谷歌等其他厂商在CoWoS 封装、3nm 芯片产能上面临竞争劣势。

●HBM优先锁定：全球仅 3 家 HBM 供应商（三星、海力士、美光），2026 年产能已售罄，2027 年仍可能供不应求，美光已明确表示不会因需求增加额外扩产，导致非英伟达客户产能得不到保障。

我们最新了解到谷歌TPU 在 2026 年上半年有超过50%的产能缺口导致难大规模交付、微软Maia 200也难产，都是由于产业链产能限制。

3.但以上问题，都可以靠时间得到解决

生态上：

●谷歌 TPU 在AI 计算年支出超10 亿美元超大型模型部署场景中已经有成本优势了，所以将持续渗透大厂内部市场；

●此外，UALink、Ultra Ethernet 等开放标准正在崛起，有望打破英伟达对互联的垄断。据测算，在10万节点集群中，Ethernet架构相较英伟达InfiniBand，总拥有成本TCO最高可节省20%。

另外随着扩产，预计上游产能在2027 年逐步放量，供应链瓶颈开始缓解。同时2027年训练与推理芯片资本开支占比将趋近 50:50，给ASIC更大施展自己的舞台。

图：未来互联技术选择变多资料来源：锦缎研究院总结

4.更大的变局是谷歌TPU撕开英伟达垄断的裂缝

如果说去年初我们对ASIC到底是否能分得一杯羹还存在犹豫的话，谷歌技术和商业闭环上的成功，已经彻底打消了我们的疑虑。

谷歌 TPU 的核心竞争力，首先源于技术层面的差异化优势。

自 2016 年首款 TPU V1 发布并用于数据中心推理以来持续进行迭代，其最新的 TPU v7 搭载 Inter-Chip Interconnect技术，可支持最多 9000 个节点的超大规模集群，信号损耗低。

硬件配置上，TPU 采用 HBM3E 内存，虽在容量和单系统算力上不及英伟达产品，但功耗与以太网成本更具优势，FP4 精度下每 PFLOPS 每小时成本仅 0.40 美元，性价比突出。

5.实战表现是最好的验证

谷歌Nano Banana 等模型 100% 基于 TPU 完成训练与推理，也支撑其内部语音搜索、图片搜索等核心功能，成本低于 GPU，谷歌内部性能表现优异，在部分场景优于 GPU。

同时成功走向外部市场，尤其是最新的V7版本：

●Meta，计划2026年租用 TPU，并从 2027 年开始购买超100万颗、价值数十亿美元的 TPU，用于 Llama 模型部署，通过以太网与功耗优化实现15%-20% TCO 节省；

●OpenAI 达成合作协议，将部分推理工作负载从英伟达芯片迁移至 TPU ；

●Anthropic 已承诺在 GCP 集群中使用 TPU 训练模型，2025年10月签署 100 万 TPU订单；

●Apple 2024年就采购TPU用其进行 LLM 训练；

●潜在客户：部分新兴云厂商（如 Fluidstack、TeraWulf）因 GCP 提供付款担保而尝试采用 TPU。

图：谷歌TPU有清晰的路线图资料来源：浙商证券

英伟达的真正挑战者，并非 AMD、英特尔等同行，而是谷歌这样的跨界玩家。

我们调研了解到，单颗 TPU 芯片售价预计1—1.5 万美元，定价瞄准 AMD，意图通过低价挤压竞争对手，倒逼英伟达降价。仅 Meta 一家就可能为谷歌带来 10 亿美元以上的收入。

乐观测算，到 2027 年，TPU 可能抢占英伟达15% 的训练市场份额：现有英伟达用户迁移虽需时间，但新增工作负载更易转向 TPU。Semianalysis更是预测2027年谷歌TPU（v6-v8）合计出货量达到600万颗。

这一预测并不激进 ——2027 年推理场景占比将达 50%，ASIC 将承担其中 50% 的工作负载，对应 ASIC 在算力芯片中的渗透率超 20%，而谷歌 TPU 拿下其中一半份额（当前份额 75%）难度不大。

6.来自EDA的产业链验证

上述趋势，得到了芯片行业最上游 EDA 领域的双重验证。

作为整个芯片行业最上游的EDA行业，Synopsys和Cadence最新的指引为：未来EDA 行业增长核心来自苹果、谷歌、特斯拉等 “系统公司”，而不是第三方芯片设计厂；具体来说，这类系统性客户占当前 EDA 营收的 45%左右，未来 2-3 年将超 50%。

这意味着，大厂自研芯片，并通过外售摊薄成本（如谷歌、百度、阿里）的模式，将从今年起加速推进。

03 谷歌示范效应下，大厂纷纷豪赌自研ASIC

1.成本集约、降低功耗符合第一性原理

在《马斯克说“中国将最终赢得AI竞争”，有什么深意？》一文中，我们提到，当前AI用电还只占美国用电的5%左右，到2030年AI耗电占到10%，到2035年占比接近20%，未来更加缺电。

除了增加发电容量外，降低单芯片功耗也同样关键。ASIC对于大厂而言，不仅仅是降低成本，还能降低宝贵的额功耗。

GPU 作为通用计算芯片存在 30-40% 功能冗余，必定导致功耗浪费，而 ASIC可针对特定工作负载优化，降低成本与功耗，成为大厂的必选。

主流ASIC在算力性能上已基本对齐英伟达H系列GPU，但能效比优势突出，同代际芯片具体指标对比：

●算力方面，英伟达H100 FP16算力为990 TFLOPS，谷歌TPU V6e为918 TFLOPS，AWS Trainium2为667 TFLOPS；

●功耗上，H100达700W，TPU V6e仅383W，Trainium2为500W；

●互联带宽上，H100以900GB/s领先，TPU V6e为448GB/s，Trainium2为512GB/s。

2.北美大厂近两年加速

为搭上ASIC这班高速列车，海外云厂CSP纷纷加码自研ASIC，并依托外部芯片设计合作伙伴简化落地难度，核心合作厂商包括Marvell、Broadcom、Alchip等。

这是由于大厂仅具备部分自研能力，例如谷歌、亚马逊可完成前端设计（代码编写、综合），但物理层技术（如SerDes、交换机、相干光模块）存在高壁垒，需依赖外部成熟产品与IP，后端验证、流片等体力活也需外部支持。

图：合作的ASIC厂商优劣势对比资料来源：锦缎研究院总结

谷歌已深耕 TPU 十年，前文已有详细讨论；其他北美大厂则是近两年加速跟上，动作开始变大。

亚马逊：Trainium2于2023年发布，由16颗Trainium2芯片支持的EC2 Trn2实例，性价比相较GPU-based实例高出30-40%，目前已服务超200位客户，覆盖运营商、航空、零售等领域，2024年出货量年增率突破200%，2025年预计增长70%以上，但项目有些延迟，未来将重点聚焦Trainium3芯片，投入公有云基础设施及电商平台AI应用。

Meta：MTIA系列专为推荐推理任务设计。2024年MTIA v2采用台积电5nm工艺，TDP仅90W显著降低功耗，可高效处理社交媒体内容推荐、广告优化等内部任务；2025年推出MTIA v3，将搭载HBM内存，2026年有望实现放量。

微软：2024年公布Maia 100，采用台积电5nm工艺与CoWoS-S技术，当前承载内部10%-20%工作载荷，聚焦大规模AI工作负载的成本与效率优化；随着 Maia 300 量产与 workload 适配深化，目标定制 ASIC 相较英伟达件成本节省80%，能耗成本降低 50%，长期 TCO 优化达 80%；

OpenAI：2024年曝光首颗芯片，将采用台积电A16工艺，专为Sora视频应用打造，且与博通达成100亿美元合作，联合开发专属推理芯片，目标12个月内交付。

特斯拉：计划2025年底推出下一代Dojo 2芯片，性能有望媲美英伟达B200，核心服务于Dojo训练计算机项目。xAI则是正式启动x1芯片自研，计划今年量产。

图：海外CSP巨头自研ASIC时间表资料来源：申万宏源

图：北美厂商ASIC芯片及合作伙伴梳理资料来源：东吴证券

3.国内大厂：芯片项目重要程度跳升

国内头部大厂自研 ASIC 的时间早于北美同行，但此前多为小打小闹。在谷歌 TPU 验证可行性、英伟达芯片受限的双重驱动下，ASIC 已上升为核心战略，并已取得阶段性成果。

百度昆仑芯：

昆仑芯拥有 15 年技术积累，一直锚定AI训练与推理加速的核心场景，兼容CUDA生态，目前已迭代至第三代。

昆仑芯2024年出货量6.9万片、营收20亿，2025年预计出货13万片、营收冲35亿。对外客户，实现万卡集群部署并中标中国移动10亿订单，实际上外部客户是2026年高增的主要来源，已进入中国移动、南方电网、比亚迪、招商银行、地方智算中心等供应链。

阿里平头哥:

核心产品线包括倚天、含光、PPU三类，其中PPU作为大算力芯片是市场焦点，又分为两款主力产品：高端款单颗算力超300T、显存96G，采用先进制程，仅以整机形式销售，2024-2025年合计出货估计30万张，低端款采用中芯国际12nm（N+1）工艺，由灿芯负责后道IP及接口设计，单价不超2-3万元，2026年Q1启动流片量产，预计出货50万颗。

销售模式以内部消化为主，对外销售需搭配阿里云方案，无独立适配场景，2026年PPU整体出货预计80万颗。

字节跳动：字节布局CPU与ASIC两类芯片，自研进程落后于平头哥、昆仑芯，当前采取“外采低端芯片+推进海外研发+国内先进制程排队”策略，2026年将完成海内外先进工艺设计，等待产能流片，计划2026年前实现量产。

腾讯：后发追赶，自研紧迫性较强，终止对燧原投资并重启“紫霄”自研项目，以数倍薪酬挖角顶尖人才，需求集中在游戏、AIGC、数字孪生等领域。

但相对海外巨头，国内大厂面临更大的挑战，体现在几个方面：

●主业挣钱不如海外大厂，股东对于内部芯片业务亏损不满，所以阿里百度都开始分拆上市平衡短期亏损与长期战略投入；

●先进产能资源更加稀缺，国内由于美国的封锁，中芯国际等先进制程产能供不应求；

●配套AI芯片服务厂类似博通、Marvell，由于制裁原因也很难为国内企业提供定制服务，国内相关的芯原股份、翱捷科技等在技术积累、IP沉淀、经验上都有比较明显的差距。