训练与推理需求的分化，正在重塑AI芯片市场的定价逻辑：GPU因供应高度集中且是当前唯一量产可用的训练芯片，厂商议价能力最强；FPGA凭借可配置性和开发周期短的优势，在推理市场拥有灵活的定价空间；ASIC则因高度定制化，价格传导机制更多取决于下游应用的规模效应。三类芯片在供需结构、技术壁垒和成本构成上的差异，决定了各自迥异的价格传导路径。

供需格局决定议价能力差异

AI芯片需求正随应用普及快速扩张。根据IDC预测，未来几年AI芯片的复合增速有望达到50%左右。在训练端，由于大模型大多仍处于开发阶段，对训练芯片的需求更为迫切。GPU是目前唯一可用于AI训练且已量产的芯片，其通用性强、适合大规模并行计算，加之设计及制造工艺较成熟，占据了AI芯片市场的主要份额。

这种“唯一量产训练芯片”的地位，叠加训练需求旺盛的行业背景，使得GPU供应商在价格谈判中处于强势地位。训练芯片侧重绝对计算能力，客户对性能的优先级高于价格敏感度，进一步强化了GPU厂商的议价筹码。相比之下，FPGA和ASIC主要面向推理场景，市场竞争更为多元，单一厂商的定价主导权相对有限。

FPGA：灵活性带来的定价弹性

FPGA（现场可编程门阵列）是一种硬件可重构的芯片，用户可通过软件重新配置内部资源实现不同功能。其开发周期短、可配置性强的特点，使其在推理市场具备独特的定价灵活性。在云端数据中心业务中，FPGA可以处理用户实时计算请求以及小计量大批次的计算，这种场景适配能力让厂商能够根据具体应用方案进行差异化定价。

FPGA的灵活性也体现在市场格局上。全球FPGA市场主要由海外巨头占据，赛灵思和Altera的市占率分别约为52%和35%。国产厂商如紫光国微、复旦微电和安路科技已开始崭露头角，2021年合计市占率超过15%，但先进制程仍集中在28nm，落后于国际16nm水平。技术代差使得国产FPGA更多依靠性价比策略参与竞争，定价空间与头部厂商存在差异。

ASIC：定制化改变成本传导机制

ASIC是为特定用途定制的集成电路，专用化程度最高，具有高性能、低能耗的特点。其定制化特性使研发成本高昂，但量产后的边际成本可控，价格传导更多依赖下游应用规模的扩大。受研发成本与研发壁垒限制，目前ASIC在AI行业的渗透率依然较低，但随着下游应用不断成熟，蓬勃发展的需求将优化上游芯片研发成本。

与GPU和FPGA不同，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。国内主流厂商包括海思、寒武纪等，集中采用7nm工艺制程，与国外厂商处于同一水平。竞争格局的相对分散，意味着ASIC的价格形成机制更依赖具体项目的定制化程度和订单规模，而非单一供应商的垄断定价。

常见问题

为什么GPU厂商的议价能力最强？

GPU是当前唯一可用于AI训练且已量产的芯片，训练需求旺盛而供给高度集中，这种供需失衡赋予GPU供应商较强的定价权。训练场景对绝对计算能力的要求优先于成本考量，进一步支撑了GPU的价格水平。

FPGA的定价灵活性体现在哪里？

FPGA的可配置性和开发周期短使其能够适配多样化的推理场景，厂商可根据具体应用方案进行差异化定价。同时，国产厂商与海外巨头在技术制程上存在差距，也形成了不同梯队的定价分层。

ASIC的价格传导机制有何特殊性？

ASIC的定制化特性决定了其研发成本高、量产成本可控的特点，价格传导更多取决于下游应用的规模效应。随着AI行业成熟、应用规模扩大，ASIC的研发成本有望被摊薄，其高性能和低功耗优势将逐步释放。