ASIC 会不会取代 GPU？

近期，美国股票市场出现了不少波动。其中，两个科技股概念突然变得备受瞩目，市场涨幅惊人，引发了高度关注。这两个概念分别是ASIC和量子计算。

本文将重点谈论ASIC。

据资本市场称，ASIC正迅速崛起，对GPU在人工智能计算中的主导地位构成威胁。博通作为ASIC中最重要的概念股，股价一路飙升，从180美元一度飙升到250美元，市值也突破了万亿美元。与此形成鲜明对比，英伟达的股价持续下跌，甚至跌至不到130美元。

ASIC时代是否即将到来？博通是否真的能取代英伟达，成为新的AI巨头？

█ ASIC和GPU的定义

ASIC和GPU都是用于计算功能的半导体芯片。因为它们都可用于AI计算，所以也被称为“AI芯片”。

确切来说，计算芯片还包括人们更熟悉的CPU以及FPGA。

在行业中，通常将半导体芯片分为数字芯片和模拟芯片。其中，数字芯片市场份额较大，约占70%。

数字芯片还可进一步细分为逻辑芯片、存储芯片和微控制单元（MCU）。CPU、GPU、FPGA和ASIC都属于逻辑芯片。

逻辑芯片即计算芯片。它包含各种逻辑门电路，能实现运算与逻辑判断功能。

在这四种芯片中，CPU和GPU是通用芯片，能完成多种任务。尤其是CPU，功能全面，单核主频高，可完成各种任务，因此常被用作主处理器。

GPU最初用于图形处理（即显卡）。由于其拥有许多内核（数千个），适合进行并行计算，擅长同时进行大量简单计算任务（图形处理即同时处理大量像素计算）。

AI计算和图形计算一样，也是典型的并行计算任务。

AI计算包括大量并行的矩阵相乘、卷积、循环层、梯度计算等任务，因此，GPU非常适合完成这些任务。CPU不擅长AI计算，这也是英特尔股价跌至20美元以下的一个原因。

自2023年以来，随着AI浪潮的涌现，大多数企业的AI训练采用英伟达的GPU集群。进行适当优化后，一块GPU卡可提供相当于数十至上百台CPU服务器的算力。这直接导致英伟达的股价飙升了数十倍，仍然供不应求。

接下来看看ASIC和FPGA。

ASIC（特定应用集成电路），是一种专用于特定任务的芯片。ASIC的官方定义是：根据特定用户或特定电子系统的需求专门设计制造的集成电路。

谷歌公司的著名TPU（张量处理单元），数年前曾风靡一时的比特币矿机，英特尔的Gaudi 2 ASIC芯片，IBM的AIU，AWS的Trainium，都属于ASIC芯片。

近年来非常火热的DPU（数据处理单元）和NPU（神经网络处理单元）也属于ASIC芯片。

FPGA（现场可编程门阵列）是半定制芯片，也被称为"万能芯片"。FPGA可根据用户需求，在生产后进行无限次重复编程，实现所需的数字逻辑功能。

ASIC和FPGA的区别在于，AISC是全定制芯片，功能固定，无法更改。而FPGA是半定制芯片，功能灵活，可编程性强。FPGA无需流片（一项昂贵的工序），但由于可编辑性和冗余功能较多，一旦用于单一目的便会产生资源浪费。大规模生产情况下，FPGA的成本高于ASIC，且极致能效不及ASIC。

因此，FPGA目前主要用于产品原型开发、设计迭代，以及一些低产量特定应用，或用于培训和教学。适用于开发周期必须短的产品，也经常用于ASIC的验证。

总的来说，在大规模供货的AI计算方面，一般不考虑FPGA。

因此，AI芯片即GPU和ASIC之争。

█GPU和ASIC，究竟能谁更厉害？

作为专用定制芯片，ASIC基于面向的专项任务定制。其计算能力和效率严格匹配于任务算法。包括芯片核心数量、逻辑计算单元和控制单元比例，以及缓存等，整个芯片架构都是精确设计的。

因此，ASIC能够实现极致的体积、功耗。这类芯片的可靠性、保密性、计算能力、能效都会比通用芯片（GPU）更优。

例如，在同等预算下，AWS的Trainium 2（ASIC芯片）在完成推理任务速度上可比英伟达的H100 GPU更快，性价比提高了30-40%。明年计划推出的Trainium3，计算性能提高了两倍，能效提高了40%。

但是，为什么这些年GPU一直更为热门呢？

主要原因是英伟达的实力强大。

英伟达也是在人工智能上意外获得成功。当年AI领域权威辛顿（新晋诺贝尔奖得主）带领团队利用GPU进行AI训练，取得突破性进展，英伟达意识到自己有着不可思议的潜力。

随后，英伟达开始在人工智能领域加大投入，努力开发更为强大的GPU（当然，游戏也推动着这一进程）。

借助英伟达持续的努力，GPU核心数和工作频率不断提升，芯片面积也逐渐扩大。强大的计算能力有助于缩短训练时间，加快产品发布进程，这也是其重要优势所在。

当然，随着算力的提升，功耗也在水涨船高。不过，通过工艺和水冷等被动散热手段，勉强还能控制，不至于过热。

除硬件外，英伟达在软件和生态方面也有着不俗的布局。

他们打造的CUDA（AI开发软件套件）是GPU的核心竞争力之一。基于CUDA，即便是初学者也能快速上手。因此，英伟达的GPU解决方案在全球用户中广受欢迎，形成了牢固的生态体系。

相较之下，FPGA和ASIC的开发相对较为复杂，不太适合普及。

ASIC在AI领域无法取代GPU，这与其高昂成本、极长的开发周期以及巨大的开发风险有很大关联。当前AI算法变化迅速，而ASIC开发周期过长，显然不易适应这种快速变化的情况。

综上所述，GPU才有了目前的广阔市场。

值得一提的是，前文提到，AI计算可分为训练和推理两种。训练任务需要更强大的算力，因此在AI训练领域，厂商主要以GPU为主。

相较而言，推理任务对算力要求较低，并不需要太多的并行处理能力，因此GPU的算力优势并不那么明显。在这种情况下，许多企业开始采用成本更低、更节能的FPGA或ASIC来进行计算。

这一情况一直持续至今。目前，GPU在AI芯片中的占比可达70%以上。

当前，由于人们对英伟达的依赖过于深入，希望减少对其的依赖，非常渴望算力的多样化。此外，大型模型目前已从"训练热"阶段转向"推理热"阶段。推理类AI计算需求增加，为ASIC提供了机会。

因此，支持ASIC产业链，提高ASIC芯片在AI领域的份额，已成为共识。这也是博通和Marvell股价猛涨的原因。（据悉，博通正在与三家大型客户合作开发AI芯片，预计到2025年，AI芯片业务收入将达到150亿至200亿美元。）

那么，ASIC真的会轻松取代GPU吗？

显然不会。

基于前述性能、生态、集成能力等优势，英伟达的GPU仍将是近期AI芯片的首选。英伟达拥有成熟的软硬件网络整套解决方案，技术和资金实力卓越，GPU存量和出货量仍然庞大，市场地位难以撼动。

尽管ASIC的崛起速度很快，但仍需要时间成熟。AI ASIC芯片的研发也充满高风险。即使成功研发，也需要时间被市场接受。

这意味着，在相当长的时间内，GPU和ASIC将共存。用户将根据不同场景选择适合自己的芯片。自研ASIC更多是有利于厂商和英伟达进行谈判和议价。

未来前景仍难以预测。量子计算是否会带来计算领域的革命是当前的热议话题。

以上便是本文的全部内容，感谢大家耐心阅读！

文章来源：鲜枣课堂（ID：xzclasscom），作者：小枣君

广告声明：文中涉及的对外链接用于传递更多信息，结果仅供参考。【广告】