夜雨聆风
AI算力的增长，并不只意味着更多GPU。
一个更现实的问题正在变得清晰：
当大模型从训练走向高频调用，当云厂商开始计算每一次推理的成本，通用芯片的灵活性优势，正在被能耗、成本和供给约束重新审视。
ASIC由此进入更核心的位置。
它不是替代所有算力芯片的万能方案，而是在确定场景里，用更高定制化换取更高能效、更低单位成本和更强系统协同。
这也是为什么谷歌、亚马逊、微软、Meta等云厂商持续推进自研ASIC，博通、Marvell等半导体公司成为关键合作方，国内AI芯片、先进封装、光模块、PCB、液冷、交换机等环节同步受到关注。
Marvell预计，到2028年，全球AI ASIC市场规模将达到554亿美元。
这个数字背后，真正重要的不是单一芯片品类的扩张，而是AI算力基础设施正在从“买通用卡”走向“围绕业务负载重构系统”。
ASIC的机会，也正来自这里。
01.行业定义ASIC是什么
ASIC，即专用集成电路。
它是一类为特定应用、特定算法或特定任务定制设计的芯片。
如果把算力芯片放在一起看，常见形态主要包括CPU、GPU、FPGA和ASIC。
CPU偏向通用计算和任务调度，适合处理复杂逻辑。
GPU擅长并行计算，是过去几年AI训练和推理扩张的核心硬件。
FPGA具备可编程能力，适合算法变化较快、需要灵活调整的场景。
ASIC则走向另一端：
它牺牲一部分通用性，把电路、架构和数据流固定下来，专门服务某一类任务。
这种选择有明显代价。
ASIC前期设计投入高，研发周期长，一旦流片后再修改，成本很高。
面对快速变化的新算法和新模型，它的适应性不如GPU和FPGA。
但在确定场景中，ASIC的优势也很直接。
它可以在同等任务下实现更高算力密度、更低功耗和更小体积。
量产之后，单颗芯片成本也会明显下降。
这正是AI推理场景看重的地方。
训练更强调峰值算力和生态成熟度，推理则更关注单位请求成本、能耗、延迟和稳定供给。
随着AI从投资驱动逐渐转向应用拉动，推理需求正在成为云端和端侧AI的重要增长来源。
JPM预计，2026年开始，推理占比有望超过60%。
ASIC的产业价值，因此不只在芯片本身。
更关键的是，它能否把一个高频、稳定、规模化的AI任务，变成更便宜、更可控的基础设施能力。
02.行业分类从通用算力到专用算力
ASIC并不是一个单一形态。
按照算力芯片的结构和作业方式看，它处在“专用化”程度最高的一端。
CPU最通用，承担操作系统、控制逻辑和复杂任务调度。
GPU以大规模并行计算为核心，适合图形处理、AI训练和部分推理任务。
FPGA通过可编程逻辑阵列获得灵活性，适合通信、工业控制、低批量定制或算法频繁迭代的领域。
ASIC则将算法和硬件深度绑定，主要面向确定性强、规模足够大的场景。
从应用看，ASIC可大致分为几类。
第一类是AI云端训练与推理ASIC。
这类芯片通常面向大模型、推荐系统、搜索、广告、视频处理等高强度计算任务，强调高吞吐、低延迟和系统级互联能力。
第二类是互联网大厂自研定制ASIC。
云厂商和模型企业往往根据自身业务负载定义芯片规格，再与半导体公司或设计服务厂商合作完成设计、制造和封装。
谷歌TPU、AWS Trainium、微软Maia、Meta ASIC都属于这一方向。
第三类是车规级AI ASIC。
它服务于智能驾驶、座舱感知和车端推理，要求低功耗、高可靠性和较长生命周期。
地平线、黑芝麻智能等国内企业主要聚焦这一领域。
第四类是消费终端AI芯片。
这类芯片面向手机、IoT设备、智能音箱、摄像头等终端，重点不在极限算力，而在低功耗、本地推理和成本控制。
第五类是传统ASIC。
包括通信基带、物联网、工业控制等领域。
它们不一定被纳入AI叙事，但长期构成ASIC的重要应用基础。
因此，ASIC的本质不是“更先进的GPU”，而是另一套商业逻辑：
只有当任务足够确定、规模足够大、成本压力足够强时，专用芯片才有经济意义。
03.发展历程从专用电路到AI基础设施
ASIC并不是AI时代才出现的技术。
早期ASIC更多服务于通信、消费电子、工业控制等确定性较强的场景。
它的价值在于把固定功能固化到芯片上，用硬件效率替代软件灵活性。
后来，随着芯片设计复杂度提升，EDA工具、IP核复用、晶圆代工和封装测试逐渐成熟，ASIC设计从完全自研逐渐走向产业协同。
芯片公司不再从零开始搭建所有模块，而是大量使用成熟IP，包括处理器IP、接口IP、存储IP、网络I/O IP等。
这降低了开发门槛，也让定制芯片更接近一种系统工程。
AI时代改变了ASIC的需求结构。
过去几年，GPU在AI训练中确立主导地位。
它的生态、通用性和供应规模，使其成为大模型训练的核心硬件。
但当AI应用扩散，推理调用次数快速增加，云厂商开始面对另一组问题：
功耗、机柜密度、网络互联、单位token成本，以及对单一供应体系的依赖。
ASIC的吸引力由此增强。
谷歌较早通过TPU切入AI ASIC。
根据已有信息，TPUv5相较英伟达方案成本降低40%，自用率超过70%。
AWS推出Trainium2，微软推进Maia，Meta也在持续迭代自研ASIC。
这些动作说明，云厂商并不是简单追求芯片自研的象征意义，而是在用芯片重构自身算力成本曲线。
同时，AI网络也在推动ASIC增长。
ScaleUp、ScaleOut、ScaleAcross等不同层级的互联需求，使算力系统从单卡竞争走向集群效率竞争。
在这个阶段，ASIC不再只是芯片设计问题，而是与网络、封装、存储、散热和整机架构深度耦合。
这也是ASIC产业链开始外溢到光模块、CPO、高速铜缆、PCB、液冷、交换芯片等环节的原因。
04.产业链全景分析中游决定价值分配
ASIC产业链可以分为上游、中游和下游。
上游主要包括半导体材料和核心设备。
材料包括硅片、光刻胶、电子特气等；设备包括光刻机、刻蚀机、沉积设备等。
上游在产业链价值中约占20%至30%。
中游是ASIC产业链的核心。
它包括芯片设计、EDA工具、IP核、晶圆制造、先进封装和测试等环节，合计价值占比约50%至60%。
其中，设计价值占比约25%至40%，制造约40%至60%，封测不足20%。
下游则是应用场景。
包括AI推理、通信、汽车电子、工业控制、云计算、终端设备等，价值占比约10%至20%。
从结构看，ASIC产业链呈现出中游主导的特征。
原因并不复杂。
ASIC的核心壁垒不只是制造一颗芯片，而是从算法、架构、IP、设计、制造到封装的协同。
一个云厂商即使知道自己的业务负载，也不一定具备完整SoC设计能力。
一个芯片设计公司即使具备后端能力，也需要依赖EDA、IP、代工厂和先进封装体系。
一个代工厂即使拥有先进制程，也需要客户具备足够成熟的设计和系统定义能力。
因此，ASIC产业链的竞争不是单点竞争，而是系统协同能力的竞争。
博通和Marvell之所以成为全球ASIC供给侧的重要公司，正因为它们能提供存储、网络I/O、封装等完整IP方案，并与大型云服务商形成深度合作。
目前，全球两家最大的ASIC半导体公司是博通和Marvell，合计占据超过60%的份额。
其中，博通份额约55%至60%，Marvell约13%至15%。
这也解释了为什么谷歌TPU与博通合作开发，Marvell则与亚马逊展开合作。
云厂商提出需求，半导体公司提供工程化能力，代工厂完成制造，封装和网络体系承接系统性能。
这才是AI ASIC真正的产业链图景。
05.上游分析材料、设备和基础工具约束成本边界
ASIC上游并不总是最显眼，但决定了芯片能否进入先进工艺、能否稳定量产，以及能否控制风险。
第一类是半导体材料。
硅片、光刻胶、电子特气等材料构成晶圆制造基础。
ASIC如果采用先进制程，对材料纯度、稳定性和供应连续性要求更高。
材料环节的波动，会直接影响制造良率和交付周期。
第二类是核心设备。
光刻机、刻蚀机、沉积设备等决定晶圆厂的工艺能力。
先进AI ASIC通常追求更高集成度和更低功耗，因此对制程和制造设备依赖较强。
设备能力越强，芯片在性能、功耗和面积之间的选择空间越大。
第三类是EDA工具。
EDA决定ASIC设计效率和流片成功率。
在ASIC设计过程中，工程师需要通过EDA工具完成仿真、验证、布局布线、时序分析和签核验证。
如果EDA能力不足，设计周期会拉长，流片失败风险也会上升。
全球市场中，Synopsys、Cadence、西门子EDA占据80%以上份额，覆盖从前端仿真到后端布局布线、签核验证的完整流程。
国内替代主要沿点工具和部分流程突破展开。
华大九天在模拟、面板、存储、射频等方向布局较深。
概伦电子侧重存储器设计平台。
广立微则在良率分析与测试设备方面推进。
第四类是IP核。
IP核是经过验证、可复用的芯片设计模块。
它的价值在于降低开发成本、缩短研发周期，并提高设计可靠性。
复杂ASIC设计高度依赖IP复用。
在高性能计算、AI加速和通信基带等场景，IP核复用率可达70%以上。
全球竞争中，ARM在处理器IP领域具有重要地位，Synopsys在接口IP上占优，Cadence在存储IP等领域具备优势。
国内厂商中，芯原股份是综合型IP龙头，除处理器IP外，也布局接口和数通IP。
兆易创新、乐鑫等也在细分IP方向有所参与。
上游的核心问题是：
它不直接决定ASIC能卖给谁，却决定ASIC能否按预期被设计出来、制造出来，并以可接受成本稳定交付。
06.中游分析设计、制造与封装是ASIC的主战场
ASIC中游可以拆成几个关键环节：
底层算法设计、前端设计、后端设计、流片制造和先进封装测试。
第一是底层算法设计。
ASIC不是简单把GPU功能压缩到一颗芯片里，而是围绕特定算法和任务重新组织计算单元、存储层级和数据流。
底层算法设计直接影响能效比、计算密度和成本竞争力。
它遵循的是“算法、架构、硬件”协同优化原则。
在全球范围内，高通、ARM、谷歌TPU架构、英特尔Gaudi等都在不同方向上主导算法和架构演进。
国内寒武纪思元、平头哥含光、百度昆仑、燧原科技等，也都是面向AI训练或推理的专用ASIC架构代表。
第二是前端设计。
前端设计主要包括规格定义、架构设计、RTL设计、功能仿真和验证。
在云厂商自研ASIC模式下，互联网大厂通常提出需求，定义芯片规格，并参与算法和架构协同。
但纯前端RTL设计、仿真验证等工作，往往会外包或与专业ASIC设计公司联合完成。
只有少数头部大厂，如谷歌、阿里、百度等，搭建了相对完整的自有前端团队。
AI ASIC的核心IP模块一般包括计算IP、存储IP、网络I/O IP和接口IP。
第三是后端设计。
后端设计包括布局布线、物理验证、时序分析、版图集成和Sign-off，最终生成可交付晶圆厂的物理版图。
这一环节的复杂度很高。
先进制程下，功耗、面积、时序和信号完整性之间需要反复权衡。
云厂商虽然掌握业务场景和需求，但多数并不具备独立完成复杂SoC设计的能力，因此常常与博通、Marvell等半导体公司合作。
第四是流片制造。
流片是ASIC研发中成本最高、风险最大的节点之一。
当后端版图最终定稿后，设计文件会交付晶圆厂进入光刻制造。
先进工艺流片费用可达数千万美元级别。
这意味着ASIC从一开始就不是小规模试错友好的模式。
只有当下游需求足够确定、订单规模足够大，前期投入才具备商业合理性。
主要参与厂商包括台积电、中芯国际、华虹等晶圆制造企业。
第五是先进封装测试。
随着AI ASIC对带宽、功耗和互联提出更高要求，封装不再只是芯片制造后的配套环节。
HBM、高速I/O、Chiplet、先进封装等技术，正在影响ASIC系统性能。
尤其在数据中心场景中，封装能力会直接影响芯片与存储、网络和整机之间的协同效率。
未来在超节点产品设计制造中，服务器厂商和网络厂商可能更深度参与共同设计，产业链协同会进一步加强。
这意味着ASIC中游的竞争边界正在扩大。
它不只是芯片公司之间的竞争，也会牵动云厂商、代工厂、封装厂、服务器厂商和网络设备商之间的重新分工。
07.下游分析AI推理是最强变量
ASIC下游应用很多，但当前最重要的变量是AI推理。
训练阶段，模型企业更关注训练效率、生态兼容和大规模集群能力。
推理阶段，问题变得更商业化：
每一次调用的成本是多少，延迟能否稳定，能耗能否下降，供应能否保障。
这正是ASIC发挥作用的地方。
第一类下游是云端AI推理。
云厂商拥有海量业务负载，包括搜索、推荐、广告、办公软件、智能客服、视频生成、代码助手等。
这些场景调用频率高、任务形态相对稳定，非常适合通过ASIC降低长期成本。
谷歌TPU、AWS Trainium、微软Maia、Meta ASIC，都说明大型CSP正在把AI芯片变成自身基础设施的一部分。
第二类是云端训练和训推一体场景。
部分ASIC厂商并不只做推理，也覆盖训练任务。
国内壁仞科技、寒武纪、燧原科技、华为昇腾等，都将云端训练、推理或训推一体作为重要方向。
这类产品需要面对更高算力、更高带宽和更强系统互联要求。
第三类是汽车电子。
智能驾驶是ASIC的重要应用场景。
车端芯片强调稳定性、低功耗、安全性和长期供货能力。
地平线和黑芝麻智能是国内车规AI ASIC代表企业，分别面向车载感知、智能驾驶和高阶自动驾驶算力需求。
第四类是通信与数通。
通信基带、交换芯片、网络I/O等本身就是ASIC长期应用领域。
AI数据中心扩张后，网络互联的重要性进一步上升，交换芯片、光模块、CPO、高速铜缆等环节被同步带动。
第五类是工业控制和消费终端。
工控场景重视可靠性和稳定运行，消费终端则重视低功耗和成本。
端侧AI如果持续发展，本地推理也可能带来更多定制ASIC需求。
不过，下游需求并不天然等于ASIC机会。
ASIC成立的前提是任务足够清晰，规模足够大，算法变化不能过快。
如果应用仍在剧烈变化，或者出货规模不够，GPU和FPGA仍然具备更强适应性。
08.相关企业国内产业链正在补位
全球ASIC产业链中，博通和Marvell处在关键位置。
它们既不是单纯芯片设计公司，也不是简单代工服务商，而是为云厂商提供定制ASIC方案的重要平台型公司。
博通在ASIC市场份额约55%至60%，Marvell约13%至15%。
两家公司合计占据超过60%的市场份额，并在存储、网络I/O、封装等关键IP和系统方案上具备优势。
在云厂商侧，谷歌TPU最早打开AI ASIC市场。
TPUv5相较英伟达方案成本降低40%，自用率超过70%。
AWS推出Trainium2，微软推进Maia，Meta ASIC实现性能跃迁。
这些企业的共同点是：
它们拥有足够大的AI业务规模，因此有动力通过自研或联合定制芯片改善长期成本结构。
国内AI ASIC产业链也已形成较完整布局。
云端核心AI ASIC厂商中，壁仞科技聚焦云端AI算力，产品覆盖训练和推理，强调高算力密度与大模型适配能力。
寒武纪思元系列覆盖云端训练、云端推理和边缘推理。
燧原科技专注高端云端AI ASIC，侧重大模型训练和高性能推理。
华为昇腾系列AI芯片采用自研专用ASIC架构，兼顾训练与推理。
互联网大厂自研ASIC方面，阿里平头哥推出含光800云端推理芯片。
百度自研昆仑系列AI ASIC，覆盖云端训练和推理。
腾讯也在推进定制AI ASIC，聚焦自身云计算、视频处理和AI推理业务。
车规级AI ASIC方面，地平线是国内车规AI芯片代表企业，全系产品采用车载ASIC架构。
黑芝麻智能专注高阶智能驾驶ASIC芯片，面向高等级自动驾驶算力需求。
此外，全志科技、瑞芯微、翱捷科技、灿芯股份、国科微等，也在细分赛道或配套设计环节有所布局。
ASIC扩张还会带动相关产业链需求。
光模块方面，超大规模ASIC部署会推高网络架构层数，带动高速光模块用量增长。
800G光模块以及1.6T以太网光模块持续推进。
相关厂商包括旭创、新易盛、太辰光、源杰科技、仕佳光子、天孚通信、联特科技、华工科技、光迅科技、剑桥科技、腾景科技、汇绿生态等。
CPO方面，博通ASIC方案已储备相关技术。
新一代CPO方案通过集成光学引擎与交换硅片，降低功耗、延迟和链路波动，提高长期可靠性。
国内布局企业包括天孚通信、罗博特科、剑桥科技、太辰光，以及博创科技、仕佳光子、光库科技、源杰科技等上游光芯片和MPO相关厂商。
高速铜缆连接方面，ASIC数量增加以及光、铜、PCB等数通设备配比提高，会推动铜连接市场扩张。
根据Semianalysis，AWS方案中GPU与AEC用量配比为1:2，ASIC放量有望带动AEC需求。
国内参与厂商包括兆龙互联、博创科技、沃尔核材、瑞可达、神宇股份、立讯精密、鼎通科技、长芯博创等。
高速背板连接器相关厂商包括华丰科技、意华股份、庆虹电子、中航光电、陕西华达、神宇股份、鸿腾精密等。
液冷方面，谷歌、微软、亚马逊、Meta等自研ASIC持续迭代后，算力性能提升会推高单卡TDP，进而带来机架级散热需求。
国内厂商包括英维克、申菱环境、高澜股份、银轮股份、科创新源等。
PCB方面，ASIC在算力密度上通常低于GPU。
为弥补差距，需要更高层数PCB走线，以保证信号完整性和高速传输。
算力升级推动PCB制程升级趋势明确。
相关厂商包括胜宏科技、沪电股份、生益科技、景旺电子、深南电路、广合科技、南亚新材等。
交换机方面，它是算力基础设施网络互联的关键设备。
中国交换机市场前五厂商份额约89.7%，华为、新华三、锐捷网络、中兴通讯、思科构成高度集中格局。
博通已发布Tomahawk6 102.4T数据中心交换芯片，在前代基础上再次实现容量翻倍。
国内盛科通信在商用以太网交换芯片国内排名第一、全球第四，800G芯片小批量交付，51.2Tbps国产交换芯片打破垄断。
这些环节说明，ASIC产业机会并不只在“造一颗芯片”。
它更像一个系统级投资方向：
芯片、网络、封装、连接、散热和板级制造都会被重新定价。
09.重点总结ASIC的机会有边界
ASIC正在成为AI算力芯片的重要主线，但它不是对GPU的简单替代。
GPU的优势在于通用性、生态和训练能力。
ASIC的优势在于确定场景下的能效、成本和规模化部署。
当AI应用进入高频推理阶段，云厂商会更在意单位算力成本，也会更愿意为稳定负载定制芯片。
这给ASIC打开了空间。
但ASIC的门槛同样明确。
前期研发投入高，先进工艺流片费用可达数千万美元级别。
设计完成后修改困难。
算法变化过快时，专用芯片可能面临适配风险。
因此，ASIC最适合的不是所有AI任务，而是规模巨大、场景稳定、成本压力强、系统协同要求高的任务。
短期看，全球云厂商自研ASIC、AI推理需求增长、ScaleUp、ScaleOut、ScaleAcross网络扩张，会继续带动ASIC及相关产业链。
中长期看，决定竞争格局的不是谁最早发布芯片，而是谁能在算法、架构、IP、制造、封装、网络和下游应用之间形成闭环。
国产ASIC产业链的机会也在这里。
国内已在云端AI芯片、互联网大厂自研、车规AI芯片、EDA点工具、IP、先进封装、光模块、PCB、液冷和交换芯片等环节形成布局。
但要真正进入全球高端算力体系，还需要面对先进制程、EDA/IP生态、HBM和封装能力、软件生态以及大客户验证周期等长期约束。
ASIC的景气度正在上升。
更大的问题是：
当AI算力从单芯片竞争走向系统效率竞争，国产产业链能否从“环节补位”走向“体系协同”。
报告派查报告、看数据、解市场
www.baogaopai.com
