ASIC行业深度：发展路径、市场空间、龙头复盘及相关公司深度梳理-260518（26页）.pdf

1、一、ASIC概述1.推理场景通用GPU局限通用GPU的核心优势在于高效的张量计算。但随着模型参数量突破千亿/万亿级别，且文本生成、代码补全、图像理解等任务对延迟和吞吐量要求多样化，单纯GPU堆叠难以满足复杂的推理需求。在实际推理任务中，通用GPU较易面临计算资源利用率、内存墙、能效比问题，使得其算力利用率、内存带宽利用率偏低。(divcenter)#计算资源利用率(/divcenter)能效比内存墙主流大模型参数已突破千亿万亿，超过单卡及多卡GPU显存容量，频繁的数据交换带来显著通信开销，制约推理性能GPU在低负载或非满载状态下功耗较高，而实际推理请求往往具有突发性和时空稀疏性，导致大量算力浪

2、费，能效比表现不佳带来资源占用以英伟达H100为例：其FP16算力高达1979TFLOPS，但显存带宽3.35TB/s是制约其推理性能的瓶颈。当模型参数量超千亿级别时，频繁的权重加载与数据交换会进一步加剧带宽压力，导致GPU实际算力利用率低于40%。2.大厂普遍探索AIASIC方案相比通用GPU，AIASIC凭借其定制化架构、高计算密度和低功耗特性，通常能实现更高的能效比与更优的性价比。为实现优于通用GPU的能效及更低延时，全球互联网巨头/头部消费科技公司/模型厂商积极布局AIASIC方案；例如谷歌的TPU、亚马逊的Trainium及Groq的LPU（整合进英伟达LPX系统）等。ASIC不会完

3、全替代GPU，二者将长期并存、分工协同。最前沿的大模型训练、复杂模型探索以及新型架构验证，对灵活性和软件生态依赖仍然很高，GPU依旧是不可替代的核心平台；推理侧、特定垂类场景和大规模稳定负载，则更适合导入专用化ASIC。与此同时，GPU本身也在持续向专用化方向演进，例如TransformerEngine等针对AI负载的优化不断加强；ASIC则通过编译器、运行时和集群能力的完善，逐步增强可编程性和适配性。未来算力体系的演进方向，并非GPU与ASIC的简单替代关系，而是通用算力与专用算力在不同场景中的再分工。3.中国市场方面，国产AIASIC份额突破2025年中国市场AI芯片出货量约400万片，其

4、中：英伟达占比55.22%；国产AI芯片占比首次突破40%，出货量共计165万片，华为昇腾、阿里平头哥、寒武纪、百度昆仑芯份额领先，且均为定制化AIASIC架构；同时2025年中国AI服务器47.3万台出货量中，GPU架构占比65%，非GPU架构占比已达35%。4.ASIC相关布局自2023年来，博通、Marvell凭借为谷歌、微软、Meta、亚马逊及OpenAI等科技巨头提供AIASIC定制解决方案，实现了收入的显著增长。博通2025财年AI业务收入达200亿美元，同比增长65%；Marvell定制化AIXPU业务2026财年已带来15亿美元收入，预计至2028财年翻倍。与此同时，国内阿里巴

5、巴、百度、腾讯、字节跳动等头部云厂商在持续加大AI资本开支的背景下，也积极布局自研AIASIC芯片，以优化算力成本与能效。二、ASIC发展路径1.ASIC的主战场仍在云侧，中短期最核心的落点是推理场景云端平台需支撑大模型训练与规模化推理的长期高负载运行，电力、散热、运维及资本开支对基础设施经济性的影响，远高于端侧场景。与此同时，随着AI产业重心逐渐过渡到推理，CSP对于单位Token成本、能效比和供应链可控性的要求持续提升，自研ASIC正成为头部云厂商提升基础设施效率的重要抓手。根据TrendForce预测，2026年ASIC型AI服务器占全球AI服务器出货比重将进一步提升，且出货增速显著快于

6、GPU型AI服务器，云端仍是ASIC最核心的落地方向。AI服务器中ASIC占比进一步提升2.头部CSP通常遵循“先GPU，后ASIC”的导入路径在大模型发展早期，模型结构、训练框架与下游应用需求仍处于快速迭代期，GPU凭借成熟的软件生态和较强的泛化能力，更适合用来完成技术验证；随着模型架构、推理流量和应用形态逐渐稳定，基础设施建设的核心目标便转向持续降本增效，ASIC的导入条件也随之成熟。云端ASIC的竞争不只是单颗芯片性能的竞争，而是覆盖模型、芯片、软件栈、编译器、运行时与集群系统的全栈协同能力竞争，也只有开发工具、框架适配和系统调度同步成熟，ASIC的理论性能和成本优势才能真正转化为生产力