ASIC（专用集成电路）是为特定用途而定制的芯片，在进入人工智能领域之前，已在网络交换芯片等场景中广泛应用。受研发成本与研发壁垒限制，ASIC在AI行业的渗透率长期较低。随着大模型逐步成熟、下游应用持续落地，上游芯片研发成本有望被不断优化，凭借高性能与低能耗特性，ASIC有望成为人工智能技术的首选，其产业地位正从边缘补充走向核心选项。

拐点一：从通用场景到AI专用

ASIC并非为AI而生。在网络交换芯片等对功能高度确定的领域，ASIC早已是成熟方案。这类芯片专用化程度最高，性能与能效表现突出，但一旦流片便难以修改，因此过去更多被用于需求稳定、迭代缓慢的场景。AI行业早期算法与模型架构变动频繁，通用性更强的GPU因而占据主导，ASIC在AI领域的渗透率一直不高。

拐点二：训练与推理分工明确

机器学习分为训练与推断两个步骤，对芯片的要求截然不同。训练计算量庞大，更注重绝对计算能力，目前应用最多的仍是GPU；推断计算量相对较小，更侧重能耗、时延与成本等综合指标。在云端推断环节，CPU、GPU、FPGA与ASIC均可参与运算。由于大部分大模型仍处于开发阶段，训练芯片需求更大，而随着各类大模型成熟并在生产生活中逐步应用，推断类AI芯片的占比可能逐步提升——这正是ASIC最契合的战场。

拐点三：市场格局未定，国产厂商有机会

不同于CPU、GPU和FPGA，全球ASIC市场尚未形成明显的头部厂商，主要竞争者包括英伟达、谷歌和英特尔；国内主流厂商则包括海思、寒武纪等。据贝哲斯咨询预测，到2027年全球ASIC市场规模预计将达到1677.49亿元，2021—2027年年均复合增长率为8.9%。AI专用ASIC将为ASIC市场整体注入新的活力。

常见问题

ASIC和GPU在AI场景中是什么关系？

两者并非简单替代。训练环节计算规模庞大、任务多样，GPU凭借通用性占据主要份额；ASIC则根据特定需求定制，在性能、能效、成本方面表现突出，更适合推断场景。随着大模型从开发走向应用，两者的分工可能进一步清晰。

为什么说ASIC在AI领域的渗透率此前较低？

主要受研发成本与研发壁垒限制。ASIC需要针对特定用途定制，前期投入大、周期长，而AI行业早期模型迭代快、需求不确定，因此厂商更倾向选择通用性强的方案。随着行业成熟与下游应用繁荣，这一约束有望被逐步优化。

国产ASIC厂商处于什么位置？

全球ASIC市场尚无明确头部厂商，国产厂商集中采用7nm工艺制程，与国外厂商相同。据中泰证券研究所整理的产品对比，海思昇腾910在BF16浮点算力和INT8定点算力方面已超越谷歌最新一代产品TPUv4，燧原科技和寒武纪的产品在整体性能上也能与谷歌比肩。