ASIC（专用集成电路）并非因人工智能而诞生。在AI热潮之前，它已在网络交换芯片等领域长期应用，走的是为特定用途定制化的技术路径。人工智能的意义在于为ASIC开辟了新的落地方向：从通信等专用场景，延伸至AI推断等高性能计算场景。 算法持续迭代带来的不确定性，以及系统厂商自研芯片的趋势，是推动定制化加速的两个关键节点。

从专用场景起步：ASIC的定制化基因

ASIC是为特定用途而定制的集成电路，具有高性能、低能耗的特点，专用化程度最高。这一属性决定了它的发展逻辑：不为通用计算服务，而是围绕某一类固定任务做深度优化。网络交换芯片就是ASIC的典型应用之一——在AI大规模兴起之前，这条定制化路线已经成熟运行。

拐点一：AI推断需求打开新场景

AI芯片按用途可分为训练与推断两类，细分品类主要包括CPU、GPU、FPGA和ASIC，四者的关系是通用性逐渐降低、运算效率逐步提高。训练侧重绝对计算能力，推断则更看重能耗、时延、成本等综合指标。ASIC在性能、能效、成本方面都极大超越了标准芯片，同样非常适合AI推断场景，也因此成为当前大部分AI初创公司开发的目标产品。

不过，受研发成本与研发壁垒限制，ASIC在AI行业的渗透率目前依然较低。随着人工智能行业愈加成熟，蓬勃发展的下游应用将不断优化上游的芯片研发成本。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年均复合增长率为8.9%。

拐点二：算法迭代与自研趋势加速定制化

AI算法迭代频繁、技术不确定性较大，这既提高了定制芯片的设计难度，也让“为特定任务做定制”的价值更加突出。与此同时，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ASIC厂商包括海思、寒武纪等。市场格局相对分散，意味着新进入者与自研力量仍有空间，这正是系统厂商自研成为关键节点的背景。

常见问题

ASIC和GPU在AI场景中是什么关系？

二者并非替代关系，而是分工不同。GPU通用性较强，适合大规模并行计算，在已量产芯片中是唯一可用于AI训练的品类，因而占据AI芯片市场的主要份额；ASIC则按特定需求设计，更适合AI推断场景。主流AI服务器计算架构采用CPU+XPU的异构形式，CPU负责读取和准备数据，GPU、FPGA、ASIC等XPU承担加速计算。

为什么说ASIC的历史早于人工智能？

因为ASIC的本质是“为特定用途定制”，这一逻辑并不依赖AI。网络交换芯片就是ASIC的一种，其应用远早于本轮AI热潮。AI只是让ASIC的高性能、低能耗特性在推断场景中被重新重视，从而成为其新的增长方向。

国产ASIC目前处于什么位置？

目前国产厂商集中采用7nm工艺制程，与国外ASIC厂商相同。算力方面，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；遂原科技和寒武纪的产品在整体性能上也能与谷歌比肩。在ASIC领域，国产厂商有望继续保持技术优势。