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，
