ASIC会不会取代GPU？

最近这段时间，美国股票市场的动静比较大 。有两个科技股概念 ，突然变得很火，引起了市场的高度关注，涨幅惊人
。这两个概念
，分别是ASIC和量子计算 。

今天这篇文章，我们主要说说ASIC。

按资本市场的说法，ASIC正在加速崛起
，威胁GPU在AI计算中的香港云服务器统治地位。而博通，作为ASIC最重要的概念股 ，股价一路猛涨 ，一度从180飙到了250，市值也突破了万亿美元
。相比之下 ，英伟达反而成了昨日黄花，股价一路下跌，甚至不到130美元。

博通股价（昨天跌了）

那么，ASIC时代真的到来了吗 ？博通真的会取代英伟达 ，成为新的建站模板AI之王？

ASIC和GPU是什么

ASIC和GPU，都是用于计算功能的半导体芯片
。因为都可以用于AI计算
，所以也被称为“AI芯片”。

准确来说 ，除了它俩，计算芯片还包括大家更熟悉的CPU，以及FPGA。

行业里，通常会把半导体芯片分为数字芯片和模拟芯片。其中
，数字芯片的源码下载市场规模占比较大 ，达到70%左右。

数字芯片 ，还可以进一步细分，分为 ：逻辑芯片 、存储芯片以及微控制单元（MCU）。CPU、GPU、FPGA、ASIC
，全部都属于逻辑芯片。

芯片的分类

逻辑芯片，就是计算芯片。它包含了各种逻辑门电路，亿华云可以实现运算与逻辑判断功能
 。

四个芯片里 ，CPU和GPU是通用芯片，可以完成多种任务。尤其是CPU，是全能型选手 ，单核主频高，啥都能干 ，所以经常被拿来做主处理器。

而GPU ，本来是用来做图形处理（显卡）的
。服务器租用它的内核数量特别多（大几千个），适合做并行计算  ，也就是擅长同时做大量的简单计算任务。（图形处理 ，就是同时处理大量的像素计算
。）

AI计算和图形计算一样，也是典型的并行计算型任务 。

AI计算中包括大量并行的矩阵相乘、源码库卷积、循环层
、梯度运算等任务，所以，特别适合GPU去完成。CPU不适合AI计算 ，这也是英特尔股价跌到20美元以下的原因之一 。

2023年以来，AI浪潮爆发，大部分企业的AI训练，采用的是英伟达的GPU集群 。如果进行合理优化 ，一块GPU卡 ，可以提供相当于数十其至上百台CPU服务器的算力 
。这直接导致了英伟达的股价猛涨了几十倍，而且还买不到
。

NVIDIA HGX A100 8 GPU 组件

再来看看ASIC和FPGA。

ASIC（Application Specific Integrated Circuit，专用集成电路），是一种专用于特定任务的芯片。ASIC的官方定义
，是指：应特定用户的要求，或特定电子系统的需要
，专门设计
、制造的集成电路。

Google公司大名鼎鼎的TPU（Tensor Processing Unit，张量处理单元），还有前几年很火的比特币矿机，英特尔的Gaudi 2 ASIC芯片，IBM的AIU
，AWS的Trainium ，都属于ASIC芯片  。

这几年非常火的DPU（Data Processing Unit，数据处理单元）和NPU（Neural Processing Unit，神经网络处理单元） 
，也是ASIC芯片
。

FPGA（Field Programmable Gate Array
，现场可编程门阵列）  ，是半定制芯片，也被人称为“万能芯片”。FPGA可以根据用户的需要，在制造后
，进行无限次数的重复编程，以实现想要的数字逻辑功能。

ASIC和FPGA的区别在于
，AISC是全定制芯片，功能写死 ，没办法改。而FPGA是半定制芯片，功能灵活 ，可玩性强 
。FPGA不需要流片（很烧钱的一个工序） ，但因为可编辑 ，冗余功能比较多 ，一旦用于单一目的 ，就会存在浪费  。大规模生产的情况下 ，FPGA的成本比ASIC高
，且极致能效不如ASIC 。

所以，FPGA现在多用于产品原型的开发
、设计迭代
 ，以及一些低产量的特定应用，或者用于培训和教学 。它适合那些开发周期必须短的产品，也经常用于ASIC的验证。

反正，大家记住 ，大规模出货用于AI计算 ，一般不考虑FPGA。

所以 ，AI芯片 ，也就是GPU和ASIC之争
 。

GPU和ASIC，到底谁厉害？

ASIC作为专用定制芯片 
，基于芯片所面向的专项任务。它的计算能力和计算效率都是严格匹配于任务算法的。芯片的核心数量，逻辑计算单元和控制单元比例
，以及缓存等
，整个芯片架构，也是精确定制的。

所以
，ASIC可以实现极致的体积 、功耗。这类芯片的可靠性  、保密性、算力 、能效
，都会比通用芯片（GPU）更强。

例如，在同等预算下，AWS的Trainium 2（ASIC芯片）可以比英伟达的H100 GPU更快速完成推理任务，且性价比提高了30-40% 。明年计划推出的Trainium3，计算性能更是提高了2倍 ，能效提高40%。

但是，为什么这两年一直火的都是GPU呢？

主要是因为英伟达太猛 。

英伟达在AI上也是歪打正着。当年AI大佬辛顿（就是那个新晋诺贝尔奖得主）带着徒弟使用GPU做AI训练 ，获得巨大突破 
，才让英伟达发现自己竟然还有这样的泼天富贵
。

然后，英伟达就开始在AI发力，拼命做更厉害的GPU（当然，也有游戏的带动）。

在英伟达的持续努力下 ，GPU的核心数和工作频率一直在提升，芯片面积也越来越大  。算力越强，有利于缩短训练时间，加快产品发布，这也是重要优势。

当然 ，算力变强  ，功耗也水涨船高。但是 ，靠工艺制程 、水冷等被动散热，勉强也能兜得住 ，反正不会烧掉。

除了硬件之外 ，英伟达在软件和生态方面也很会布局。

他们捣鼓出来的CUDA（AI开发的软件套件），是GPU的一个核心竞争力 
。基于CUDA，初学者都可以很快上手 。所以 ，英伟达的GPU方案 ，被全球用户广泛接受 ，形成了牢固的生态。

相比之下 ，FPGA和ASIC的开发还是太过复杂 ，不适合普及。

ASIC之所以在AI上干不过GPU ，和它的高昂成本、超长开发周期 、巨大开发风险有很大关系。现在AI算法变化很快，ASIC这种开发周期，很要命。

综合上述原因 ，GPU才有了现在的大好局面  。

值得一提的是 ，前面说了，AI计算分为训练和推理两种。训练任务，需要更强大的算力
，所以在AI训练上
，厂商们主要以GPU为主 。

推理任务的话，算力要求要低一点 ，也不需要什么并行，所以GPU的算力优势没那么明显 。很多企业 ，就会开始采用更便宜 、更省电的FPGA或ASIC ，进行计算。

这个情况
，一直持续到了现在。AI芯片，GPU的占比能达到70%以上
。

如今 ，因为大家实在是“苦英伟达久矣” ，不想总被英伟达“卡脖子” ，所以非常希望算力多元化
。再有 ，大模型现在从“训练热”走向了“推理热”  。推理类的AI计算需求增加 ，给了ASIC机会。

所以
，扶持ASIC产业链，提升ASIC芯片在AI领域的占有率，成为了大家的共识。这才有了博通和Marvell股价的猛涨 。（据说，博通正与三个大型客户开发AI芯片，预计2025年AI芯片业务收入达到150亿-200亿美元。）

那么，取代就真的那么容易吗？ASIC会很快淘汰掉GPU吗？

显然不是的。

凭借前面提到的性能、生态 、集成能力等方面的优势 ，英伟达的GPU仍然会是中短期内的AI芯片首选。英伟达的软硬件网络整套方案都很成熟 ，技术和资金实力太强
，GPU的存量和出货量依然很大 ，市场地位难以撼动。

ASIC的崛起速度虽然很快 ，但仍需要一定的时间走向成熟。AI ASIC芯片的研发 ，也具有很高的风险。即使研发成功，也需要时间被用户所接受。

这就意味着 ，在很长的一段时间内 
，GPU和ASIC都将处于共存状态 。基于不同的场景，用户会选择最适合自己的芯片 。发展自研ASIC ，更多是有利于厂商们和英伟达进行谈判砍价 。

未来的情况还是比较难预测的。量子计算是不是会对计算领域造成颠覆式影响  ，现在也是讨论的热点 。