「ASIC挖矿新宠：GPU或将被取代？」

「ASIC挖矿新趋势：GPU即将退出历史舞台？」

科技快讯中文网

　　 近来，美国股市波动较大。有两个科技概念突然受到市场热捧，涨幅显著，分别是ASIC和量子计算。这两者引发了投资者的高度关注。

　　 今天这篇文章，我们主要说说 ASIC。

　　 据资本市场观察，ASIC正在迅速崭露头角，对GPU在AI计算领域的主导地位构成挑战。博通作为ASIC领域的重要代表，其股价持续攀升，曾从180飙升至250，市值也突破了万亿美元大关。与此相反，英伟达似乎风光不再，股价一路下滑，甚至跌至130美元以下。

　　 那么，随着ASIC技术的不断成熟与广泛应用，业界普遍认为这一变革性时代已经到来。博通凭借其在芯片设计领域的深厚积累，有望在AI领域实现重大突破。尤其值得注意的是，博通近期在高性能计算和网络解决方案上的投入，似乎预示着它正在向英伟达的主导地位发起挑战。 博通的技术优势和对市场趋势的敏锐洞察，使其成为AI芯片领域的一匹黑马。尽管英伟达目前在GPU市场上占据主导地位，并且在AI加速器方面有着深厚的根基，但博通的加入无疑将为这个竞争激烈的市场带来新的活力。未来，谁能真正成为AI时代的领头羊，还有待时间的检验。

　　 ASIC和GPU都是具备计算功能的半导体芯片。由于两者都可用于人工智能计算，因此也常被称作“AI芯片”。

　　 准确来说，除了CPU和FPGA，计算芯片领域还经常被提及的是GPU。在当今高度数字化的世界里，各种计算任务的需求日益增长，这使得不同类型的计算芯片变得愈发重要。每种芯片都有其独特的优势：CPU擅长处理多任务和通用计算，而FPGA则以灵活可编程性和高性能著称。随着技术的发展，我们或许会看到更多创新的计算芯片类型涌现出来，满足更加多样化和复杂的应用需求。 这样的发展不仅体现了技术的进步，也反映了市场对高效能计算解决方案不断增长的需求。不同类型的芯片为开发者提供了更多的选择，有助于推动整个科技行业的创新和发展。

　　 行业里，通常我们会将半导体芯片分为数字芯片和模拟芯片两大类。目前，数字芯片占据了较大的市场份额，大约达到了70%左右。这一比例不仅反映了当前技术发展的趋势，也体现了市场对数字芯片需求的持续增长。随着信息技术的不断进步和数字化转型的加速推进，数字芯片在智能手机、云计算、人工智能等领域的应用日益广泛，这无疑将进一步巩固其市场主导地位。与此同时，我们也应关注模拟芯片的重要作用，尤其是在电源管理、射频通信等方面，它同样扮演着不可或缺的角色。未来，两者之间的协同发展将成为推动半导体行业前进的关键因素之一。

　　 数字芯片，还可以进一步分类为：逻辑芯片、存储芯片和微控制单元（MCU）。CPU、GPU、FPGA、ASIC均属于逻辑芯片类别。

　　 逻辑芯片，就是计算芯片。它包含了各种逻辑门电路，可以实现运算与逻辑判断功能。

　　 四个芯片里，CPU和GPU都是多功能的处理芯片，能够执行各种任务。特别是CPU，作为多面手，具有较高的单核频率，几乎无所不能，因此常常被用作主要的处理器。

　　 而GPU，原本是用于图形处理（显卡）的。其核心数量非常庞大（达到数千个），非常适合进行并行计算，也就是说它在同时执行大量简单计算任务方面表现出色。（图形处理就是同时处理大量的像素计算）。

　　 AI 计算和图形计算一样，也是典型的并行计算型任务。

　　 AI计算中涉及大量的并行矩阵相乘、卷积、循环层以及梯度运算等任务，因此特别适合在GPU上执行。相比之下，CPU在这类密集计算任务上的表现则显得力不从心，这也是为何英特尔的股价一度跌至20美元以下的原因之一。 这种现象反映了当前半导体市场对高性能计算需求的变化趋势。随着人工智能技术的快速发展，对于能够高效处理大规模并行计算任务的需求日益增长。而GPU由于其架构设计的优势，在这类任务中展现出了远超传统CPU的性能。这不仅推动了英伟达等专注于GPU的企业取得了显著的成功，同时也给那些未能及时调整战略以适应这一变化的公司带来了挑战。英特尔作为全球领先的半导体制造商之一，自然也无法置身事外。

　　 2023年以来，人工智能浪潮席卷全球，大多数企业选择使用英伟达的GPU集群来进行AI训练。经过合理优化，一块GPU卡的算力相当于数十甚至上百台CPU服务器。这种强大的计算能力直接推动了英伟达的股价大幅上涨，并且出现了供不应求的局面。 这一现象反映出当前AI技术发展的迅猛势头以及市场对高性能计算硬件的需求激增。英伟达作为行业内的领军者，在这场技术革命中占据了重要位置。然而，这也凸显出供应链瓶颈可能成为制约进一步发展的关键因素。如何解决芯片短缺问题，确保足够的产能供应，将是未来需要重点关注的问题之一。同时，随着AI技术的不断进步，未来或许会有更多新的解决方案涌现出来，以满足日益增长的市场需求。

　　 再来看看 ASIC 和 FPGA。

　　 ASIC（Application-Specific Integrated Circuit，专用集成电路）是一种为特定任务定制的芯片。ASIC的定义是：根据特定用户的需求或某一电子系统的要求，专门设计和制造的集成电路。

　　 Google 公司大名鼎鼎的 TPU（Tensor Processing Unit，张量处理单元），还有前几年很火的比特币矿机，英特尔的 Gaudi 2 ASIC 芯片，IBM 的 AIU，AWS 的 Trainium，都属于 ASIC 芯片。

　　 这几年非常火的 DPU（Data Processing Unit，数据处理单元）和 NPU（Neural Processing Unit，神经网络处理单元），也是 ASIC 芯片。

　　 FPGA（现场可编程门阵列）是一种半定制的芯片，常被称作“万能芯片”。这种芯片的独特之处在于它可以在出厂后根据用户的需求进行无数次的重新编程，从而实现各种所需的数字逻辑功能。这种灵活性使得FPGA在许多领域中大放异彩，尤其是在那些需要快速原型设计和定制化解决方案的应用场景中。 在我看来，FPGA技术的发展不仅极大地推动了电子设计自动化进程，也为工程师们提供了一个更为灵活的设计平台。随着技术的进步，FPGA有望在未来扮演更加重要的角色，特别是在人工智能、5G通信等前沿技术领域。然而，尽管FPGA具有诸多优势，其高成本和较高的学习门槛仍然是普及过程中需要克服的主要障碍之一。

　　 ASIC 和 FPGA 的区别在于，AISC 是全定制芯片，功能写死，没办法改。而 FPGA 是半定制芯片，功能灵活，可玩性强。FPGA 不需要流片（很烧钱的一个工序），但因为可编辑，冗余功能比较多，一旦用于单一目的，就会存在浪费。大规模生产的情况下，FPGA 的成本比 ASIC 高，且极致能效不如 ASIC。

　　 所以，FPGA目前广泛应用于产品原型设计、开发迭代，以及一些小批量的特定领域，同时也常用于教育培训。它们特别适合那些需要缩短开发周期的产品，并且经常被用来验证ASIC的设计。

　　 反正，大家记住，大规模出货用于 AI 计算，一般不考虑 FPGA。

　　 所以，AI 芯片，也就是 GPU 和 ASIC 之争。

　　 作为专用定制芯片，ASIC根据其面向的具体任务进行设计。其计算能力与计算效率均严格匹配任务所需的算法。芯片中的核心数量、逻辑计算单元与控制单元的比例及缓存配置等各个方面，都经过精心定制以满足特定需求。

　　 所以，ASIC在实现极致体积与功耗方面具有显著优势，其可靠性和保密性也远超通用芯片（如GPU）。这类芯片不仅具备更高的算力和能效，而且在特定应用领域内表现出更优异的性能。尽管ASIC的设计成本较高且灵活性较低，但其在特定应用场景中的表现无疑更为出色，这使得ASIC在未来的技术发展中占据了重要地位。 个人观点：随着技术的发展，ASIC以其独特的优势在特定领域内展现出了强大的竞争力。虽然设计成本和灵活性上的局限性不容忽视，但在追求高性能计算和低能耗的应用场景中，ASIC无疑是最佳选择之一。未来，我们或许能看到更多针对具体需求定制的ASIC解决方案，从而推动相关行业迈向新的高度。

　　 例如，在同等预算条件下，AWS的Trainium2（ASIC芯片）已经展示出比英伟达H100 GPU更快的推理速度，并且具有30%-40%的性价比优势。据计划，明年的Trainium3将使计算性能提升一倍，同时提高40%的能效。这种技术进步不仅展示了AWS在AI硬件领域的持续领先地位，也预示着未来云计算和人工智能应用的广阔前景。这无疑会推动更多企业和研究机构采用AWS的服务来加速其AI项目的发展。同时，这也可能对英伟达等传统GPU供应商构成挑战，迫使他们加快技术创新以保持竞争力。

　　 但是，为什么这两年一直火的都是 GPU 呢？

　　 主要是因为英伟达太猛。

　　 英伟达在 AI 上也是歪打正着。当年 AI 大佬辛顿（就是那个新晋诺贝尔奖得主）带着徒弟使用 GPU 做 AI 训练，获得巨大突破，才让英伟达发现自己竟然还有这样的泼天富贵。

　　 然后，英伟达开始大力投入AI领域，不断研发更为先进的GPU（当然，也受到游戏市场的推动）。

　　 在英伟达的不断努力下，GPU的核心数量和运行频率持续提高，芯片面积也在逐步扩大。更强的计算能力有助于减少训练时间，加快产品上市速度，这也成为其重要的竞争优势。

　　 当然，算力增强的同时，功耗也随之增加。不过，通过改进工艺制程和采用水冷等被动散热技术，仍然能够有效控制住发热情况，至少不会导致设备过热损坏。

　　 除了硬件之外，英伟达在软件和生态方面也很会布局。

　　 英伟达推出的CUDA软件套件极大地提升了GPU在AI开发领域的吸引力。借助CUDA，即便是编程新手也能快速掌握使用技巧。因此，英伟达的GPU解决方案在全球范围内获得了广泛的认可，并构建了一个稳固的生态系统。 这一成就不仅展示了英伟达在技术创新方面的领导地位，也反映了其在打造开发者友好环境方面的努力。CUDA的成功表明，一个易于使用的开发平台对于促进技术普及和生态建设至关重要。这也提醒其他科技公司，在推出新技术时，除了追求高性能外，还应注重用户体验和社区支持。

　　 相比之下，FPGA 和 ASIC 的开发还是太过复杂，不适合普及。

　　 ASIC在AI领域的表现不如GPU，主要与其高昂的成本、漫长的开发周期以及巨大的开发风险有关。目前AI算法更新迅速，ASIC的这种开发模式显得尤为吃力。

　　 综合上述原因，GPU 才有了现在的大好局面。

　　 值得一提的是，之前提到的，AI计算可以分为训练和推理两个阶段。在训练任务中，需要更为强大的计算能力，因此在AI训练方面，各大厂商主要采用GPU。

　　 推理任务的话，算力要求要低一点，也不需要什么并行，所以 GPU 的算力优势没那么明显。很多企业，就会开始采用更便宜、更省电的 FPGA 或 ASIC，进行计算。

　　 这个情况，一直持续到了现在。在AI芯片领域，GPU的市场份额能够超过70%。

　　 如今，因为大家实在是“苦英伟达久矣”，不想总被英伟达“卡脖子”，所以非常希望算力多元化。再有，大模型现在从“训练热”走向了“推理热”。推理类的 AI 计算需求增加，给了 ASIC 机会。

　　 所以，支持ASIC产业链的发展，提高ASIC芯片在AI领域的市场份额，已成为各界的共同目标。这也导致了博通和Marvell股价的显著上涨。（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，其AI芯片业务的收入将达到150亿至200亿美元。）

　　 那么，取代就真的那么容易吗？ASIC 会很快淘汰掉 GPU 吗？

　　 显然不是的。

　　 凭借在性能、生态以及集成能力等方面的诸多优势，英伟达的GPU在中短期内仍将是AI芯片的首选。英伟达在软硬件网络方面提供的整体解决方案十分成熟，其强大的技术和资金实力不容小觑，加之GPU的存量和出货量依然庞大，使得其市场地位难以被撼动。

　　 ASIC的崛起速度虽然很快，但仍需经历一段时间才能完全成熟。AI ASIC芯片的研发不仅充满挑战，而且伴随着高风险。即便能够成功研发，也需要时间来获得市场的广泛认可。 这一过程揭示了技术创新与市场接受之间的复杂关系。技术的发展往往走在市场需求的前面，这要求企业不仅要具备强大的研发能力，还要有耐心等待市场的逐步接纳。同时，这也提醒我们，在投资新兴技术时，必须充分认识到其中蕴含的风险，并做好长期规划。

　　 这就意味着，在较长的一段时期内，GPU和ASIC将会并存。根据不同应用场景，用户会挑选最适合自己需求的芯片。自行研发ASIC对于厂商们与英伟达进行价格谈判更为有利。

　　 未来的情况仍然难以预测。量子计算是否会对计算领域产生革命性的影响，目前仍是热议的话题。

　　 好了，以上是今天文章的全部内容。希望大家能够从中获得一些有价值的见解。 通过今天的分享，我们不仅了解了当前事件的全貌，还能够深入思考其背后的原因与可能带来的影响。在这个信息爆炸的时代，保持批判性思维，辨别真伪，对于每个人来说都至关重要。通过分析这些事件，我们可以更好地理解社会的发展趋势，以及如何在复杂多变的世界中找到自己的定位。希望读者们能从这些分析中得到启发，继续关注并参与讨论这些问题。

　　 本文来自微信公众号：鲜枣课堂（ID：xzclasscom），作者：小枣君