定制 ASIC 与通用 GPU：2026 年的分工与边界

「ASIC 即将取代 GPU」这句话在 2026 年流传很广。但同期另外一组数据同样可靠：据公开报道，NVIDIA 在 2026 年上半年仍保留了 AI 加速器收入的 75% 到 81%。两句话同时为真，说明所谓替代正在发生的其实是分工重构，而不是此消彼长。

份额曲线与它的误读方式

多家机构给出的预测方向一致。国信证券测算 2026 年 ASIC 芯片出货量约 770 万片、份额 45%，2027 年将超过 GPU 达到 58%，2030 年约 73%。高盛预测 AI 驱动的 ASIC 需求将在 2027 年与 GPU 需求平分秋色。TrendForce 预测 2026 年定制 AI 芯片出货量增长 44.6%，而同期商用 GPU 出货量增速为 16.1%——这是 AI 时代开启以来定制芯片增速首次显著超过通用 GPU。ASIC AI 服务器出货量预计从 2026 年占 AI 服务器总市场的 27.8% 提升到 2030 年的 39.5%。

这些数字最容易被误读的地方在于：出货份额不等于价值份额，也不等于算力份额。ASIC 的定义就是面向特定工作负载设计的芯片，它的每单位算力成本天然更低、上架量天然更小。用「片数」衡量一块 1.7 TB/s 内存的 TPU 和一块 288GB HBM4 的加速卡谁更重要，方法本身就是错的。

维度	通用 GPU	定制 ASIC
训练吞吐（TPS）	更优，万卡集群成熟度更高	快速追赶中
推理单位成本	毛利结构给硅片成本加上明显溢价	在目标工作负载上优 2 至 4 倍
算法灵活性	高，模型架构变化可适应	低，架构变更需重新设计
电力效率	单芯片功耗高、功率密度大	单位有效算力功耗通常更优
软件生态	CUDA 生态十余年积累	XLA、Neuron SDK 等可用但成熟度低
可得性	任何买家可获得	基本被云厂商封闭在自有云内
迭代周期	12 至 18 个月	每代 2 至 3 年

据 SemiAnalysis 与 Bernstein 的研究估计，在大规模推理部署中 ASIC 相比通用 GPU 的 TCO 优势达 40% 到 65%。AWS 官方称 EC2 Trn2 实例相较基于 GPU 的 P5e 与 P5en 实例，在大模型训练与部署上有 30% 到 40% 更好的性价比；SemiAnalysis 测试数据显示 Ironwood 的每百万 token 成本约 0.181 美元，低于 B200 的 0.222 美元与 B300 的 0.276 美元。

四个案例说明的四种路径

Google 是最成熟的样本。据公开报道，其自研芯片已推动 2026 年第一季度云收入同比增长 63%；2026 年 5 月与黑石集团成立合资公司 TPU Cloud，黑石初始承诺出资 50 亿美元（含杠杆最高 250 亿美元），目标 2027 年上线约 500MW 容量——这是 TPU 诞生十年来首次在 Google Cloud 体系外进行大规模商业化销售。供应链上，Google 已向 Intel 下单生产超过 300 万颗 TPU，联发科也在切入下一代 TPU v10 的设计供应链，打破了博通的长期独占格局。

AWS 走的是外部客户路线。据公开报道，Amazon 于 2026 年 6 月 18 日确认洽谈向其他公司的数据中心出售 Trainium 芯片；内部芯片部门年收入的运行率已突破 200 亿美元，Anthropic 已承诺部署超过 100 万颗 Trainium 芯片、签约高达 5GW 的芯片容量。

OpenAI 提供了另一种范式。据公开报道，OpenAI 于 2026 年 6 月 24 日与博通联合发布首款定制推理芯片 Jalapeño，Celestica 负责板卡与机架集成，台积电负责制造。其总裁 Greg Brockman 表示依托自研大模型辅助优化，从顶层设计到流片仅耗时 9 个月；物理样品已于发布当日交付，计划 2026 年末小规模首批部署、2027 年爬坡、2028 年上半年规模化量产，远期规划总耗电最高 10GW。这条路径的关键在于不自建芯片团队，而是「模型公司定义架构 + 半导体公司实现制造」。

Meta 提供的是失败样本。据公开报道，Meta 于 2025 年 9 月以超 20 亿美元收购 RISC-V 芯片初创公司 Rivos，但半年后整合受挫，原因是现有员工与 Rivos 团队在薪酬和战略路线上冲突、围绕依赖 Meta 现有 IP 还是 Rivos 技术产生内斗，导致多个项目延期，有消息称项目已在内部被实质性取消。

这四个案例指向同一个判断：自研成功的关键变量不是预算规模，而是是否复用了成熟的硅片实现能力。Meta 的路径是收购团队，OpenAI 的路径是复用博通。

软件生态的锁定才是真边界

一个容易被低估的事实是：定制芯片节省下来的钱，有相当一部分被吞进了迁移成本。NVIDIA 的 CUDA 生态有超过 400 万开发者、十余年的库积累；XLA、Neuron SDK、ONNX Runtime 功能上可用但成熟度低得多。迁移到一个为特定模型调优过的 ASIC，模型可能需要额外工作才能搬回 GPU 或另一朵云。

不过这笔账正在被改写。一方面，模型层正在收敛——主流开源权重让「同一模型跑在不同硬件上」的可行性提高；另一方面，异构推理的需求真实存在。NVLink Fusion 的出现本身就是证据：AWS 的 Trainium4 与 NVIDIA GPU 共用同一机架占位、冷却系统与配电系统，d-Matrix 则计划让自家 Raptor XPU 承担延迟敏感的 decode 阶段、NVIDIA GPU 承担计算密集的 prefill 阶段，二者在同一个机架架构内完成异构解耦。主流路线已经不是二选一。

另一个变化是采购入口的多样化。Anthropic 目前同时运行在 AWS Trainium、Google TPU、Azure GPU 以及洽谈中的 Microsoft Maia 四个硬件平台上；OpenAI 在使用 Trainium、AMD、Cerebras 的同时开始部署自研 Jalapeño。多芯片策略已经从前沿实验室的备用方案变成基础设施层的常态。

供应链侧的连带影响

ASIC 崛起改变的不只是芯片本身。据公开报道，博通与迈威尔合计控制全球约 95% 的定制 AI ASIC 共同设计市场。博通 2026 财年第二季度 AI 半导体收入达 108 亿美元，同比增长 143%。Google 正在弱化对博通的依赖、引入联发科与迈威尔等设计伙伴，这种供应链分散会削弱单一设计伙伴的份额。

瓶颈也在转移。随着 ASIC 规模化部署，产业瓶颈正从算力转向连接：scale-up 方向的交换芯片与 CPO 技术受益于柜内连接升级，Trainium3 的机柜方案带来了大量增量 PCIe 芯片需求；scale-out 方向则由光模块与光互连承接需求。

展望

2026 年之后真正的分工边界，是用「工作负载的可预测程度」划出来的，而不是用训练与推理来划。

可预测的负载——固定模型结构、稳定的请求模式、明确的成本压力——ASIC 的成本优势可以直接兑现，这解释了为什么推理侧是 ASIC 的主战场。不可预测的负载——新架构探索、小批量实验、多模态混合负载——GPU 的灵活性无可替代，这也是为什么即使 ASIC 份额上升，训练和前沿研究的默认选择仍然是 GPU。

最可能出现的终局不是谁吃掉谁，而是分层：通用 GPU 承担前沿研发与不可预测负载，ASIC 承担规模化、可预测的推理流量，两者通过开放的 scale-up 互连在同一机架内协同。这个判断有一个前提值得持续跟踪——软件栈的成熟度。如果 Neuron SDK 或 XLA 这类工具链的迁移成本在未来两年显著下降，ASIC 的份额曲线可能比上述预测更陡；如果生态锁定持续，58% 也许就是相当长时间内的上限了。