导语：当人工智能的算力需求以指数级增长时，传统GPU的通用性优势正在被定制化芯片的极致效率所挑战。Omdia最新报告预测，2028年定制AI-ASIC（专用集成电路）的出货量将首次超越GPU，这一拐点标志着人工智能基础设施进入全新阶段。本文将从技术、商业、生态三个维度，解读这场由最新科技驱动的芯片格局变革。
定制AI-ASIC为何能后来居上？
在过去的十年里，GPU凭借其强大的并行计算能力，几乎垄断了AI训练和推理市场。但随着人工智能模型规模从百亿参数跃升至万亿级，通用GPU的能耗和成本瓶颈日益凸显。定制AI-ASIC芯片专为特定算法（如Transformer架构）优化，能在同等功耗下实现3-5倍的性能提升。Omdia预测数据显示，2028年全球AI-ASIC出货量将达到1050万块，而GPU为1010万块，这并非偶然。
从技术演进看，各大云服务商发现，当模型架构稳定后，用定制芯片替代GPU可以大幅降低总拥有成本（TCO）。例如，谷歌的TPU在执行矩阵乘法时能效比是NVIDIA A100的2.5倍，而微软的Maia 100芯片在推理任务中功耗降低40%。这些数据背后，是AI技术从“探索期”进入“应用期”的必然结果——当模型成熟，定制化就成为最优解。
值得注意的是，这一趋势与当前的企业数字化转型浪潮密切相关。企业在部署AI应用时，不再仅仅关注峰值性能，而是更看重单位算力成本。AI工具导航上收录的多个案例显示，采用定制芯片的云服务方案，在图像生成、自然语言处理等场景中，推理成本可降低60%以上。这种经济性，正是推动出货量逆转的核心动力。
科技巨头的定制芯片军备竞赛
这场芯片革命并非由传统芯片厂商主导，而是由云服务巨头亲自下场推动。谷歌的第七代TPU已实现规模化部署，不仅支撑Google Cloud的AI服务，还首次向外部客户开放，打开了全新的市场空间。微软的Maia 100芯片计划在2024年量产，已开始适配Azure OpenAI服务中的GPT-4推理任务。Meta则推出了MTIA v2，专为推荐系统和社交图谱优化。
更令人瞩目的是中国企业的布局。字节跳动已经与高通合作开发大型ASIC项目，预计2027年数据中心业务营收可达50亿美元，其中字节跳动贡献10亿美元。阿里巴巴的平头哥团队也在加速AI推理芯片的研发，其“倚天710”已在部分云场景中替代GPU。这些投入背后，是最新科技对商业模式的深刻重塑——当芯片成为AI服务的核心差异化因素，自研就成了必然选择。
此外，还有至少三个未公开的超级项目，传闻涉及软银和Anthropic。这些项目均规划了十亿瓦级别的产能，意味着每个项目都需要数十亿美元的投资。如此大规模的定制芯片投入，正在改变整个半导体产业的供应链格局。AI Agent技术的成熟，也反过来要求芯片具备更强的端侧推理能力，进一步催化了定制化需求。
芯片厂商与代工厂的新战场
定制AI-ASIC的浪潮不仅惠及云服务商，也为传统芯片设计公司和代工厂带来了新机遇。联发科已拿下谷歌TPU v8i推理优化芯片的订单，其高管在财报电话会议中透露，该芯片将在2026年第四季度带来20亿美元营收，2027年更是“数十亿美元”级别。这一合作标志着联发科从移动芯片领域成功切入数据中心市场。
高通也在积极转型，除了与字节跳动合作外，其AI200/250系列产品已开始向超大规模客户供货。高通预计2027年数据中心业务营收将达到50亿美元，其中两个大客户各贡献10亿美元。这种“双轮驱动”模式，让高通在保持移动芯片优势的同时，开辟了新的增长曲线。
代工厂方面，三星正在为特斯拉制造车载AI-ASIC，并采用先进的封装技术。业界传闻英特尔也获得了某大型ASIC项目，将使用其光刻技术和EMIB-T封装工艺。值得注意的是，这些定制项目往往需要与大模型训练流程深度耦合，因此芯片设计公司开始提供“芯片+算法+框架”的一站式解决方案。AI图片生成等应用场景的爆发，也让推理芯片的定制化需求更加迫切——例如，文生图模型需要特定的矩阵运算单元，通用GPU往往无法最优匹配。
营收与出货量的背离：GPU为何仍占优势？
尽管定制AI-ASIC出货量将在2028年超越GPU，但Omdia预测直到2032年GPU的营收仍将保持领先。这一看似矛盾的背后，是定价策略和产品定位的差异。目前NVIDIA H100 GPU的单价高达3-4万美元，而定制芯片的单价通常低一个数量级。GPU凭借其通用性和生态系统，在高端训练场景中依然不可替代。
从营收结构看，GPU的营收增长主要来自价格持续上涨。2023年H100的售价相比上一代A100上涨了50%，而定制芯片的价格则随着规模扩大而下降。Omdia报告指出，从2029年开始，两者营收差距将逐步缩小，因为定制芯片的出货量增速更快。这意味着，如果GPU厂商不调整定价策略，2028年后的市场格局将发生根本性变化。
对于企业用户而言，选择GPU还是AI-ASIC，需要根据具体场景权衡。如果模型频繁迭代，GPU的灵活性更有优势；如果模型已稳定，定制芯片的性价比更高。抠图、背景去除等轻量级AI应用，已经开始大量采用定制芯片进行推理，用户通过文生图工具生成图片时，后台很可能就是由TPU或Maia芯片提供服务。这种“隐形”的芯片替换，正在悄然改变用户体验。
对人工智能行业的影响与展望
定制AI-ASIC的崛起，将深刻影响人工智能的多个层面。首先，芯片成本下降将加速AI应用的普及。当推理成本降低90%时，许多之前因算力成本过高而无法商业化的场景（如实时视频翻译、全息交互）将变得可行。其次，定制芯片的硬件与软件深度绑定，可能催生新的“锁定”效应——用户一旦适配了某个云商的定制芯片，迁移成本会显著增加。
从生态角度看，AI技术的开源社区正在积极适配多家芯片架构。PyTorch和TensorFlow已支持TPU、Maia等定制芯片的编译链，这降低了开发者的门槛。此外，边缘计算场景中，定制芯片的低功耗特性使其成为物联网设备的最佳选择。我们可以预见，未来的人工智能芯片将呈现“头部集中、长尾多样”的格局：少数超大规模云商使用自研芯片，而中小企业和开发者依然依赖通用GPU。
最后，不得不提的是人工智能本身的发展与芯片的相互促进。当芯片能够高效运行万亿级参数模型时，研究人员将更有信心探索更大的模型架构。这也意味着，AI诗词、古诗词生成等创意应用背后，同样需要强大的定制芯片支持。艺术签名、签名设计等工具性应用，也正在从云端推理走向端侧推理，这对芯片的功耗和体积提出了新要求。
总结：一场不可逆的产业变革
从2028年的出货量拐点，到2032年的营收趋同，定制AI-ASIC正在淘汰“一刀切”的通用方案。这场变革并非突然发生，而是人工智能从实验室走向大规模部署的必然结果。对于投资者而言，关注那些能够提供“芯片-算法-云服务”全栈能力的公司，可能会收获长期回报。对于企业决策者来说，尽早评估定制芯片的迁移成本，将决定未来五年的算力竞争力。
正如Omdia报告所暗示的，2028年将是一个标志性年份。在那之后，我们将看到更多有趣的现象：GPU厂商可能会推出更灵活的定制方案，代工厂的先进封装产能会被疯抢，而云服务商的利润率将因芯片自研而显著提升。这一切，都源于最新科技对算力效率的极致追求。