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计算中的源码下载统治地位 。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 ，成为新的香港云服务器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 ，数字芯片的高防服务器市场规模占比较大，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 ，建站模板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 、模板下载卷积、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。 |
