上周五美股博通大漲24.43%、市值站上萬億美元后，本周一博通股價又上漲了11.21%，市值達1.17萬億美元。該公司拿出超市場預期的一份最新財報后，市場對于AI定制芯片的興趣仍在高漲。即便周二美股多只芯片股普跌，博通周二股價回調跌3.91%，收盤市值也仍在1.1萬億美元以上。
在AI領域，博通涉足定制或專用集成電路（ASIC）和以太網網絡部件，博通與三家大型云廠商合作開發定制AI芯片。作為一種更專用的芯片，ASIC和更通用的GPU（圖形處理器）站在了對立面，前者是谷歌、Meta、亞馬遜和諸多創業公司的陣營，后者則主要站著英偉達和AMD。
博通股價起飛只是ASIC反攻GPU陣營的一個前奏。除了用自研ASIC替代英偉達GPU的云廠商，ASIC領域的創業潮也在涌動，創業公司正在世界范圍內尋找客戶。在業內人士看來，GPU和ASIC之爭更像是一場通用和專用陣營之爭，在AI最終定型之前，兩種芯片都不會完全取代對方，這場博弈也不一定以一輸一贏為結果。
誰在給博通們創造業績？
GPU霸主英偉達在聚光燈下站了太久，人們可能容易忽略背后各云廠商的造芯努力，它們設計的ASIC滲透率可能比很多人想象的更深。
ASIC包含多類芯片，諸如TPU（Tensor Processing Unit，張量處理器）、LPU（語言處理器）、NPU（神經網絡處理器）等。云廠商中，谷歌多年前就布局TPU，其第六代TPU Trillium在本月正式向客戶開放使用；Meta今年推出了專為AI訓練和推理設計的定制芯片MTIA v2；亞馬遜有Trainium2，并計劃明年發布Trainium3；微軟則有自研AI芯片Azure Maia。
或許是因為不對外銷售芯片，這些云廠商的AI芯片比較少受到市場關注。但實際上，這些云廠商已在自己的數據中心部署ASIC芯片并著力擴大這些芯片的使用。
以谷歌為代表，TechInsights數據顯示，去年谷歌已悄然成為全球第三大數據中心處理器設計公司，位列CPU霸主英特爾和GPU霸主英偉達之后。谷歌內部工作負載運行TPU而不對外出售芯片。
亞馬遜則向OpenAI的競爭對手Anthropic進行多次投資，加深與該公司的綁定。Anthropic就用了亞馬遜的Trainium。亞馬遜近日透露，建設給Anthropic使用的Rainier超級計算機集群項目很快會完成，亞馬遜還在建設更多產能以滿足其他客戶用Trainium的需求。
定制芯片廠商博通、Marvell的相關訂單就是來自這些云廠商。其中，谷歌、Meta的ASIC芯片與博通合作定制。除了谷歌，摩根大通分析師預測，Meta有望成為下一個為博通帶來10億美元收入的ASIC客戶。亞馬遜則與芯片廠商Marvell合作。本月初，亞馬遜AWS剛與Marvell達成一項為期五年的協議，雙方擬擴大在AI和數據中心連接產品方面的合作，以便亞馬遜部署半導體產品組合和專用網絡硬件。
體現在業績上，2024財年，博通收入同比增長44%，達到創紀錄的516億美元。該財年，博通人工智能收入同比增長220%，達到122億美元，推動公司的半導體收入達到創紀錄的301億美元。博通還展望2025財年第一季度收入同比增長22%。
據Marvell本月早些時候發布的2025財年第三季度財報，該季度公司營收則為15.16億美元，同比增長7%，環比增長19%，該公司稱環比增長幅度高于此前指引的中點，并預測下一季度營收還將環比增長19%。Marvell表示，第三季度的業績表現和對第四季度業績表現強勁的預期主要是由定制AI芯片項目推動的，這些項目已經開始量產，并預計2026財年需求還將保持強勁勢頭。
除了谷歌、Meta、亞馬遜這些云廠商，OpenAI、蘋果也多次傳出與這類ASIC定制芯片廠商合作的消息。近日蘋果便傳出正在開發AI服務器芯片、正與博通合作開發該芯片網絡技術的消息，OpenAI此前傳出已與博通合作數月構建AI推理芯片。
ASIC創業公司網羅客戶
云廠商自研大模型并通過投資綁定了一些大模型創業公司，與ASIC定制廠商合作的自研芯片用于這些大模型訓練和推理，不需要依賴外售。ASIC創業公司則不同，它們選擇了不同的芯片代工商，并需要自己尋找客戶。
其中，推出了晶圓級芯片的Cerebras Systems將芯片交給臺積電生產，Etched的Sohu芯片采用臺積電4nm工藝。采用近存計算架構的Groq LPU芯片對制程的要求沒有那么高，用了GlobalFoundries的14nm工藝。
這些ASIC創業公司正在全世界范圍內網羅客戶，從正加碼布局AI的中東國家搜尋客戶成為一些ASIC創業公司的共同選擇。據Cerebras Systems公開的數據，2023年Cerebras Systems凈銷售額近7900萬美元，今年上半年達1.364億美元。2023年該公司來自阿聯酋阿布扎比的G42公司的收入占總收入83%，G42還承諾在明年購買價值14.3億美元的Cerebras Systems產品和服務。
記者9月在沙特阿拉伯的AI峰會上也看到了Cerebras Systems、Groq和另一家AI芯片初創公司SambaNova Systems的身影。Cerebras Systems當時與沙特阿美簽署了諒解備忘錄，沙特阿美計劃用Cerebras Systems的產品訓練和部署大模型。
Groq則與沙特阿美的數字與技術子公司合作，計劃在沙特建設全球最大規模的推理數據中心，該數據中心今年年底建成投運，初期包括1.9萬個Groq LPU，未來有望擴展至20萬個 LPU。據SymbaNova Systems官網消息，該公司也與迪拜公司Solidus AI Tech合作，計劃為歐洲的高性能計算數據中心提供SymbaNova Cloud，并與在中東、南亞、歐洲、非洲地區開展業務的Canvass AI公司合作，向企業提供AI解決方案。
此外，據企業官網消息，SymbaNova Systems與美國阿貢國家實驗室合作。Groq則與面向美國和加拿大政府部門提供IT方案的廠商Carahsoft 合作，并與能源領域的Earth Wind&Power合作，計劃在挪威建設AI計算中心。
專用與通用之爭
GPU和ASIC目前的優缺點都很明顯。GPU勝在通用，能運行諸多算法，且英偉達CUDA生態成熟，具備易用性，缺點在于通用的GPU在算力和功耗上會有一定浪費。ASIC相對專用，針對特定算法的設計使算力和功耗表現可能更優。以Groq的LPU為例，該公司稱LPU速度比英偉達GPU快十倍，但價格和耗電量都僅為后者的十分之一。不過，越是專用的ASIC越難容忍太多算法，原本在GPU上跑的大模型要遷移至ASIC上運行不一定容易，整體上易用性也低于GPU。
在ASIC愈來愈猛的攻勢下，兩類芯片是否即將決出勝負？或者說，資本市場對博通的看好是不是“反噬”了對英偉達的市場預期？在博通市值站上萬億美元之時，美股上周五至本周二，英偉達股價連跌三天。“你需要英偉達，但我認為市場也在說，除此之外還有其他受益者。”信托投資公司Truist聯席首席投資官基思?勒納（Keith Lerner）評論稱。不過，一些芯片業內人士認為，GPU與ASIC之爭可以看作通用芯片與專用芯片之爭，從這個層面看，兩種芯片在一段時間之內都有騰挪的空間，并非簡單的一方取代一方的關系。
從使用場景看，一名業內人士告訴記者，GPU仍要用在大量并行化通用用例中，在此之外的其他需求可以使用成本更低的ASIC，例如在推理端使用低功耗的AISC。麥肯錫的研究也認為，未來AI工作量主要轉向推理，到2030年，配備ASIC芯片的AI加速器將處理大多數AI工作負載。
但具體未來ASIC能拿下多大的AI芯片市場份額，可能仍有變數，這種變數來自GPU對ASIC芯片優點的吸收。安謀科技產品總監鮑敏祺向記者表示，GPU不一定會被其他芯片取代。GPU主要在AI云端應用，GPU更容易接入openCL cuda或者SYCL這種軟件編程生態模式，具備便利性。而從能效角度看，GPU會帶來更多的多線程上下文切換開銷，這些開銷不容忽視。由此看，未來在端側場景，GPU和其他芯片會逐步走向融合，而不是互相取代。就像英偉達H100的Tensor Core（張量處理單元）已經引入了更多Tensor專用的技術，芯片之間已經在取對方的長處逐步彌補自身的短處。
千芯科技董事長陳巍也認為，針對諸如能耗高等短板，GPU仍能在自身范疇內進行改良，這種改良正是吸收了專用芯片的長處。
“GPU和其他AI芯片架構之間，兩方面力量在博弈，新舊此消彼長。微軟、特斯拉、谷歌等已經走向研究更專用的芯片的路線，英偉達雖然做的還是GPU，但它的路線也從原來的傳統GPU轉向更專用的計算結構，其Tensor Core部分已經明顯超過原來的CUDA Core部分。” 陳巍告訴記者。
目前已經出現了越來越專門針對大模型的ASIC芯片，通過更極致的專用性提高芯片效率。例如Etched將主流大模型所基于的Transformer架構固定在芯片Sohu上，聲稱一臺集成8塊Sohu的服務器性能匹敵160個英偉達H100 GPU。陳巍告訴記者，他猜測后續也可能出現針對大模型應用的專用GPU，GPU廠商有比較高的概率會進一步改進Tensor Core結構，從而犧牲掉一部分對顯存的支持能力。
不過，這種極致的專用性也是一把雙刃劍。另有業內人士向記者表示，當前AI的主流架構是Transformer，未來隨著AI架構演進，Transformer不一定是終局，在此過程中，通用的GPU一直能被采用，但當AI主流架構發生變化時，特別專用的ASIC芯片將無法適應。
從這個層面看，ASIC也需要考慮舍棄通用性的風險。“（GPU通用性的重要性）確實如此。” 鮑敏祺告訴記者，當Transformer改變，GPU將有優勢。以NPU為例，一方面，原本的DSA（特定領域架構）可能無法應對算法流程變化，因此對一些向量計算需要考慮引入更多通用能力。另一方面，在具備通用計算能力的情況下，芯片則可能沒有針對特定計算類型進行優化，導致遇到性能瓶頸。因此設計時既要引入更多通用計算能力以適應算法等的變化，又要平衡通用計算能力和執行特定任務的性能。
