01

既专又精，ASIC优势凸显

自从AI大模型开始变“小”，进入手机端、PC端乃至自动驾驶的汽车中，硬件设备能不能正常处理这些数据模型就成了新问题，也就是硬件怎么跟上软件的发展？NPU（神经网络处理器）这个原先有点鸡肋的芯片，在AI应用的快速发展中地位陡升。

熟悉3C产品的读者应该知道，手机正常运行是离不开SoC（System-on-Chip，系统级芯片)的，它是一种将多个电子组件集成到单个芯片上的集成电路设计。SoC虽然只有指甲盖那么大，但是“五脏俱全”，集成于此的各个模块支撑着手机所有功能的正常运作，比如负责手机应用流畅切换的CPU、支持游戏画面快速加载的GPU，以及专门负责实现AI运算和Al应用运行的NPU。

CPU是计算机的通用“大脑”，可处理各种任务，但是不专也不精；GPU功能多样、能力强大，不仅擅长图像处理，还因为出众的并行运算能力，成为AI时代各家必争之物。而NPU（Neural Processing Unit，神经网络处理器）之所以可以直接影响3C产品AI能力的强弱，是因为它模仿人的神经网络，专门为执行机器学习算法而生，这种专业化的出身，使其能够为AI工作任务提供比GPU更高的性能。

这就是ASIC（Application Specific Integrated Circuit，独特应用芯片）技术的魅力。为特定用途而定制的集成电路芯片即为ASIC芯片，这种芯片的特点就是电路逻辑不可编程，在被设计、制作出来后只能跑一种算法、干一种活，最典型的例子就是矿机芯片。

高确定性换来的是高效率以及性能的优化：由于是为特定应用程序设计的，其电路也可以高度优化，因此最大程度地减少功耗。在AI应用领域，AI加速芯片可以分为GPU、FPGA、ASIC三种技术路线，同时芯片算力水平也依次递增。

博通ASIC芯片设计制造能力从一次次收购中而来

回到现实，在当下的AI浪潮中，英伟达已经凭借高端GPU稳坐“卖铲人”第一把交椅，但它并不是唯一一个受益者。之前的文章中我们曾提及，半导体领域的老牌龙头博通能够“挑战”英伟达，是因为通过收购押中了AI软件这一未来技术风向标，其实更重要的还是其在算力硬件层的设计能力，这一点吸引了诸多想要打破英伟达垄断的大客户。

02

被“抬”到前台的设计厂商

虽然英伟达GPU占尽了风头，但国内外诸多AI科技企业都没有放弃过自研芯片。

亚马逊AWS团队对自研芯片的评价，或许可以代表部分AI企业的心声：由于AI深度学习使用量增加，开发团队受到固定运算限制，连带影响其模型、应用程式开发，“通过投入自制芯片，能降低训练成本”。

头部科技企业的AI自研芯片

亚马逊AWS第一代自制AI训练芯片Trainium相较于同等级的其他芯片，不仅能节省50%的训练成本，效能也显著提升。去年年末发布的训练芯片Trainium 2相较于第一代，速度提升至4倍，并且能够部署在多达10万个芯片的计算集群中，大幅降低了训练模型的时间，同时提高至2倍的能效表现。

当这些大公司纷纷开始自研芯片的时候，最大的受益者就是ASIC服务商，博通是个典型但并非唯一。

博通虽然会因为看重云端集成软件解决方案，而斥资690亿美元收购全球虚拟化和云计算基础架构的头部企业VMware，但AI软件服务只能算是有预见性的未来投注，并不是让博通一跃成为仅此于英伟达的AI芯片厂商的契机——真正的机会来自于其擅长的ASIC设计服务。

通过ASIC技术自研AI训练芯片是最节省成本的方式，这在上一波由Alpha GO掀起的AI浪潮中就已经被证明，谷歌的TPU（张量处理单元）也是最典型的代表。2016年，谷歌为深度学习专门打造了TPU，专门为其机器学习框架TensorFlow设计，曾应用于AlphaGo，现在已经更迭至第四代，大部分部署于谷歌云平台，还有一部分Tensor芯片今年搭载到了谷歌旗下的Pixel 9系列手机上，直接在本地设备上处理AI计算任务。

而谷歌的TPU芯片设计正是由博通来做的。据业内人士透露，博通作为通信巨头拥有提升信号传输效率的关键工具——SerDes(串行器/解串器) 通信技术。值得一提的是，这个技术也是通过收购获得的。2013年，博通以66亿美元的价格收购了LSI旗下的SerDes部门。

简单介绍一下年轻读者比较陌生的LSI。成立于1981年的LSI logic，在上世纪90年代已经是当时最大的ASIC企业，也是ASIC行业的先驱之一。基于丰富的IP核心技术，它拥有强大的ASIC设计和制造能力，可以为客户提供高性能、低功耗且完整的ASIC解决方案以及产品。当时的商业模式和现在也差不多，就是给那些自己没有能力设计ASIC芯片的公司，提供设计服务；设计方案通过后，这些公司再下单采购ASIC芯片。

SerDes通信技术对于ASIC芯片的帮助在于能解决一个关键问题，即芯片之间的通信，这让谷歌很是心动。

有海外硬科技投资人士曾在去年表示，谷歌做大规模集群的能力很突出，“英伟达的NVLink技术最多支持256张GPU进行芯片级互联，而谷歌可以连4096块TPU芯片，是英伟达的16倍”。早期的测试中，初代TPU的性能和功耗都远超英伟达同期的GPU，所以当大模型混战开启后，各家都在攀比算力水平之时，谷歌也大举增加TPU订单，一下子把博通推向前台，也给博通拉来了Meta、微软两个大客户。

博通自己给出的数据是，其2024财年的AI相关收入将从38亿美元增加至75亿美元；但据综合几家市场机构预测，光是谷歌TPU订单就会给博通带来30亿美元以上的收入，AI芯片整体的营收将会超过80亿美元。有摩根大通的分析师认为，对于超大规模的科技企业来说，AI定制芯片方案是未来的必然选择，“但博通不一定是唯一”。

03

国内芯片厂商的突破口

之所以深挖ASIC，也是因为在美国“精准”的限芯阻击下，我国不仅难进口尖端芯片，也难获得最新的芯片生产工具，包括设计软件。但是考虑到高端GPU的追赶难度，ASIC或许是我国AI企业的好机会。

在ASIC设计服务市场中参与厂商众多，除了博通，还有Marvell、联发科、智原科技（Faraday）、创意电子（GUC）、世芯电子（alchip）等等。不过在全球市场中，ASIC并没有绝对的龙头，国内芯片厂商寒武纪、地平线、澜起科技、壁仞等都有参与的优势和机会。

据阿里数据，含光800的落地性能要比GPU高4到11倍

其实以阿里和百度为例，无一不是一边大量采购英伟达GPU，一边自研AI训练芯片，比如阿里的含光芯片、百度的昆仑芯片。这也印证了业内人士的判断：在短期内，互联网大厂为了追赶OpenAI，会使用英伟达现有产品，但随着大模型应用场景越来越多，将本增效会成为一个必然的商业考量，整个AI芯片行业都会受益。

而在国产替代的迫切需求下，国内厂商的深度神经网络加速ASIC芯片肯定也会迎来利好。2017年，华为发布的首款旗舰手机芯片“麒麟970”，就搭载了寒武纪的NPU模块；2018年，华为推出“麒麟980芯片”，同样也搭载了寒武纪的NPU。

但是整体性能的达标不是唯一。通用性、易用性和高性能是业内衡量AI专用芯片的三个维度，由于没有类似于英伟达CUDA这样强大的软件生态，适应各类AI算法就成了一个技术难点，国内芯片厂商很难在易用性上和英伟达抗衡。建立自己配套的AI软件生态，恐怕是国内厂商不得不面临的关卡。

来源：壹零社