近年来，AI技术的迅猛发展对计算能力提出了更高的要求。GPU作为AI芯片的主流选择，凭借其强大的并行处理能力和广泛的应用场景，长期以来占据了市场的主导地位。然而，随着AI应用的不断深入和复杂化，GPU在性能瓶颈、功耗和成本等方面的问题逐渐显现，ASIC架构的崛起则为AI芯片领域带来了新的发展方向。
算力通常是指计算机处理信息的能力，特别是在进行数字运算、数据处理和执行程序时的速度和效率。根据使用设备和提供算力强度的不同，算力可分为基础算力、智能算力、超算算力。智能算力即AI算力，负责提供AI算法模型训练与模型运行服务的计算机系统能力，其算力芯片通常包括GPU、ASICFPGA、NPU等各类专用芯片。
目前通用的CPU、GPU、FPGA等都能执行AI算法，只是执行效率差异较大。但狭义上讲一般将AI芯片定义为“专门针对AI算法做了特殊加速设计的芯片”。AI芯片本身分为GPU、FPGA和ASIC架构，根据场景可以分为云端和端侧。
当前市场主流AI芯片为GPU和ASIC，国际上，NVIDIA的H200Tensor Core GPU以其卓越的计算性能和能效比领先市场，而Google的第六代TPU Trilium ASIC芯片则以其专为机器学习优化的设计提供高速数据处理。
在国内，寒武纪的思元370芯片（ASIC）凭借其先进的计算处理能力在智能计算领域占据重要地位，已与主流互联网厂商开展深入适配，海光信息的DCU系列则基于GPGPU架构，以其类“CUDA”通用并行计算架构较好地适配、适应国际主流商业计算软件和AI软件。
在GPU与CPU的关于AI市场的争锋中，GPU凭借其独特的架构和并行处理能力占据了显著的优势地位。然而，随着AI生态的不断壮大和算力需求的持续提升 ，当下主流GPU架构出现明显的性能瓶颈。
以英伟达最新发布的H100 GPU为例，其理论算力达到1979 TFLOPS，但在实际AI训练任务中，有效利用率往往不足30%。这种效率损失主要源于GPU的通用计算架构设计，使其在处理特定AI任务时产生大量冗余计算。
在这样的背景下，针对特定算法和应用优化设计的ASIC架构凭借较高的能效比开始冒头。
ASIC架构针对特定算法和应用进行优化设计，在特定任务上的计算能力强大，如在某些AI深度学习算法中实现高效的矩阵运算和数据处理。
虽然GPU具有强大的并行计算能力，拥有众多计算核心，可同时处理多个任务，在通用计算和图形处理方面表现出色，适用于大规模的数据并行计算，如科学计算、图形渲染、视频处理等，但GPU在特定任务上的计算效率可能不如ASIC，尤其是在能效方面。
ASIC通常具有较高的能效比，因其硬件结构是为特定任务定制的，能最大限度减少不必要的功耗。GPU由于其通用的设计架构，在执行特定任务时可能存在一些功耗浪费。
具体而言，谷歌TPU v4在同等功耗下，AI训练性能较GPU提升3倍以上，能效比提升5倍。这种优势就是源于ASIC针对特定算法进行硬件级优化，消除了通用计算架构中的冗余设计。在自然语言处理任务中，ASIC芯片的推理速度可达GPU的10倍，延迟降低80%。
此外，成本也是ASIC架构有望成为主流的关键原因。ASIC因其硬件结构是为特定任务定制的，减少了很多针对通用加速计算的不必要的硬件设计，其单位算力成本相比GPU或更低。谷歌TPUv5、亚马逊Trainium2的单位算力成本分别为英伟达H100的70%、60%。
目前，全球科技巨头已展开ASIC布局，谷歌TPU已迭代至第四代，亚马逊推出Inferentia芯片，特斯拉自研Dojo超算系统。
这些专用芯片在各自领域展现出惊人性能，其中TPU v4在图像识别任务中实现99.9%准确率，Inferentia将推理成本降低kaiyun官方开云70%，Dojo使自动驾驶训练效率提升10倍。
值得一提的是我国AI芯片公司多以 ASIC 为主如知名的昇腾、寒武纪等都属于这一品类。在近两年的全球大模型竞赛中，中国企业并未落后太多，而在未来百花齐放的应用时代，ASIC将不再成为软肋，也将随着 AI芯片的发展大放异彩。
未来三年，ASIC架构将重塑AI计算格局。预计在2025年，全球AI芯片市场规模将突破1000亿美元，其中ASIC占比将超过40%。随着工艺制程进入3nm时代，ASIC的性能优势将进一步扩大，推动AI计算进入专用化时代，届时，全球AI芯片话语权必然出现新的变化。
壹零社：用图文、视频记录科技互联网新鲜事、电商生活、云计算、ICT领域、消费电子，商业故事。《中国知网》每周全文收录；中国科技报刊100强；2021年微博百万粉丝俱乐部成员；2022年抖音优质科技内容创作者
