海外专题研究：AI算力需求高增，ASIC突围在即
投资建议
单颗ASIC算力相比目前最先进的GPU存在劣势，但考虑其往往针对特定业务场景设计，还有配套的通信互联和软件生态，整个ASIC集群的算力利用效率可能会优于可比的GPU。此外，ASIC还有明显的价格、功耗优势。我们认为针对特定场景的ASIC规模部署有望提升云厂商的ROI，也建议关注定制芯片产业链相关标的。
AI ASIC市场处于发展初期，有望保持高速增长
2.1. ASIC是提升性能、降低功耗成本、增强供应多元化的重要选择
由于制造工艺接近物理极限，芯片性能提升速度放缓，同时，功耗散热问题越来越严重，成为性能提升的瓶颈。设计针对特定场景的ASIC芯片，可以有效提升芯片性能和降低能耗。例如，比特币矿机通过设计专用ASIC芯片，成本更低且处理速度快，性价比更高。
2.2. AI ASIC处于发展初期，2028年市场规模有望超400亿美元
北美云厂商对AI芯片需求量大，为了增强议价能力和供应链多元化，有足够的动力自研芯片。北美云厂商在AI领域的资本开支近两年有望保持高速增长，是英伟达的重要客户。预计到2028年，数据中心定制计算芯片市场规模将达到429亿美元，CAGR为45%。通用加速计算芯片同期市场规模预计为1716亿美元，CAGR为32%。
2.3. IP和产业链整合是芯片自研主要挑战，需借助外部厂商支持
芯片自研可分为前端（逻辑设计）和后端（电路设计和流片）两个阶段，其中IP和产业链整合是主要挑战。前端涉及芯片基本功能的设计，后端则将所有功能落实到电路并流片出来。自研团队面临的主要挑战包括获得IP授权、设计艰深结构（如NOC，片上网络）等。此外，自研厂商还需面对流片、量产、芯片组网、产业链整合、软件生态等一系列挑战。
具体芯片性能对比
| 规格 | H100 | B100 | TPU v5p | TPU v6 | Trillium | Trainium2 | MTIA v2 | Maia 100 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| 厂商 | 英伟达 | 英伟达 | 谷歌 | 谷歌 | 亚马逊 | Meta | 微软 | 谷歌 |
| FP16/BF16(TFLOPS) | 1000/2000* | 1750/3500* | 459 | 926 | 431 | 177 /354 * 800 | 918 | 800 |
| INT8/FP8(TFLOPS) | 2000/4000* | 3500/7000* | 918 | 1852 | 861 | 354 /708 * 1600 | 1600 | 1600 |
| 片上内存容量（MB） | 50 | - | 48 | - | - | 256 | 448 | - |
| 片上内存带宽（TB/s） | 3.8 | - | - | - | - | 2.7 | |
| 片外内存容量(GB) | 80（HBM3） | 192（HBM3e） | 95（HBM3） | 32 | 96 | 128（LPDDR5) | 64（HBM3） | |
| 片外内存带宽(TB/s） | 3 | 8 | 2.7 | 1.6 | 4 | 0.2 | 1.6 | |
| 互连带宽（双向） | NVLink：900GB/s； PCIe 5.0：128GB/s | NVLink：1.8TB/s； PCIe 6.0：256 GB/s | 1200GB/s | 800GB/s | - | PCIe 5.0: 64GB/s | PCIe 5.0：64GB/s | |
| 最高TDP | 700W | 700W | - | - | - | 90w | 860w | |
