ASIC 是为特定用途定制的集成电路，专用化程度最高、具备高性能与低能耗特点，但受研发成本与研发壁垒限制，目前在 AI 行业的渗透率依然较低。 围绕它形成的产业链，与 GPU 通用路线存在明显分层：上游是 EDA 工具与 IP 授权，中游是芯片设计与晶圆制造，下游则集中在云端数据中心与专用推理场景。需要说明的是，ASIC 在训练环节尚未量产，当前主要适用于 AI 推断。
上游：EDA 工具与 IP 授权
ASIC 走的是定制化路线，芯片功能在流片前就要按特定需求确定，因此对上游设计工具与可复用 IP 的依赖远高于通用芯片。这一环节决定了定制芯片的设计效率与研发门槛，也是 ASIC 研发成本高、壁垒大的重要来源。相比之下，GPU 通用性强、设计及制造工艺较成熟，产业链上游的通用化程度更高。
中游：设计服务与晶圆代工
中游承担芯片实现环节。从工艺看，国产 ASIC 厂商集中采用 7nm 制程，与国外 ASIC 厂商相同。竞争格局上，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。资料显示，海思昇腾 910 在 BF16 浮点算力和 INT8 定点算力方面已超过谷歌 TPUv4，燧原科技、寒武纪的产品在整体性能上也能与谷歌比肩。
下游：云计算与专用推理场景
下游需求分层清晰。训练环节计算规模庞大，目前应用最多的仍是 GPU；云端推断与边缘推断计算量相对较小，除 CPU、GPU 外也可使用 FPGA 和 ASIC。ASIC 在性能、能效、成本方面超越标准芯片，非常适合 AI 推断场景，也是当前大部分 AI 初创公司开发的目标产品。随着大模型逐步成熟并在生产生活中落地，推断类 AI 芯片占比有望逐步提升。
常见问题
ASIC 与 GPU 在产业链上最大的差异是什么？
GPU 通用性强、工艺成熟，是已量产芯片中唯一可用于 AI 训练的品类，产业链上下游相对标准化；ASIC 则按特定需求定制，专用化程度最高，上游更依赖 EDA 与 IP，中游设计与制造绑定更深，下游更偏向推理场景。
ASIC 在 AI 领域渗透率为何偏低？
主要受研发成本与研发壁垒限制。定制芯片需要针对特定用途重新设计，前期投入大、门槛高，因此目前渗透率依然较低；同时 ASIC 在训练类场景尚未量产，也限制了其放量空间。
国产 ASIC 厂商处于什么位置？
全球 ASIC 市场还没有形成明显的头部厂商，这为后来者留出了空间。国内主流厂商包括海思、寒武纪等，国产厂商集中采用 7nm 制程，与国外厂商相同，部分旗舰产品在算力指标上已具备可比表现。