AI芯片市场分析总结
全球AI算力供给焦点：英伟达与谷歌方案主导
全球AI算力供给主要由英伟达和谷歌主导。英伟达以TETPU、CUDA及NV4vlink为核心技术，而谷歌则依托TPU芯片与OCS光互联方案。AMD与博通虽有光电互联优势，但整体市场影响力较弱。当前市场主要由英伟达与谷歌引领，其他厂商尚处追赶阶段。
全站自研与产业链话语权分析
全站自研在性能优化上具有潜在优势，通过协同优化硬件、软件及互联可提升效率。英伟达在算力芯片市场的主导地位显著，谷歌TPU崛起，博通在AI网络领域扮演重要角色。全站自研能最大化组件间协同，产业链话语权则掌握在技术领先和生态完善的企业手中。
ASIC厂商在大模型时代的话语权变化及设计服务行业趋势
大模型厂商主导下，ASIC厂商话语权可能弱化，设计服务行业促使更多厂商寻求低成本设计服务。博通等先进设计服务公司面临成本与研发挑战，IP库丰富性与优化成为行业壁垒。先进封装产能与晶圆产能是当前设计服务行业瓶颈，联发科通过与台积电的良好关系获得优势。
ASIC芯片设计与IP自研的重要性
ASIC芯片设计流程中，一次流片成功能力对加速芯片迭代至关重要。与代工厂的良好关系有助于性能优化，IP质量直接影响芯片性能。TPU等定制芯片多数IP需自研，软件编译器在模型适配中发挥关键作用，未来芯片设计更注重模型兼容性。
谷歌TPU与英伟达GPU的路线差异及迁移成本
谷歌TPU专注于特定模型优化，追求高能效比，能耗和成本优于GPU。但模型迁移成本高，需评估收益与成本，谷歌正帮助客户迁移，过程漫长且存在风险。TPU在能耗和成本方面优于GPU，但迁移至TPU平台需考虑效率损失等因素。
国内外芯片定制化趋势对比与分析
国内因规模、生态及制程限制，更倾向于通用GPU芯片，而海外因需求量大及完整生态，积极发展定制化芯片。长期看，国内算力供给有限，定制化芯片利用效率更高。国内已有企业尝试定制化芯片，但面临资源有限挑战。
海外AI芯片需求量及GPU与ASIC占比分析
海外AI芯片需求量中，谷歌TPU明年出货量约400万颗（V7占50%以上，V8预计90万颗，V6约100万颗），英伟达数据中心GPU出货量接近600万颗（包括Blackwell和Rubin系列）。OpenAI和SA明年出货量约46万颗，字节跳动约30万颗。GPU出货量高于ASIC，但算力方面ASIC与GPU仍有差距。
数据中心机柜交付趋势与系统供应商角色转变
数据中心机柜交付形式占比高（70%-80%），大部分倾向于以机柜形式接收交付。博通等公司从芯片供应商转型为系统供应商，主导机柜配置，引入系统开发商合作，应对数据中心定制化需求。收费模式可能从芯片销售转向IP授权。
芯片与服务器项目成本及定价策略探讨
芯片如TPU的交付与收费模式涉及供应链管理及成本分配。从芯片单价到整体服务器项目成本的计算方式包括光模块等组件的成本加成与性能打包销售策略。芯片单价逐年上涨，项目制中各参与方报价与利润分配机制需明确。
核心数据与研究结论
- 谷歌TPU明年出货量约400万颗，英伟达数据中心GPU出货量接近600万颗
- 数据中心机柜交付占比约70%-80%
- 芯片单价逐年上涨，V5至V8系列价格从5000美金升至近1万美金
- 国内更倾向通用GPU芯片，海外积极发展定制化芯片
- 设计服务行业瓶颈在于先进封装产能、晶圆产能及IP库丰富性
