从英伟达到博通，AI行业“范式大转变”

引爆买盘的导火索来自博通CEO Hock Tan在当天业绩会上的大胆预测：2027年市场对定制款AI芯片ASIC的需求规模将达600亿至900亿美元。

数据枯竭、边际效益递减……大模型从训练转向推理

作为AI模型的第一阶段，预训练是个不断给模型“喂”数据并不断迭代更新的过程。

为了提升模型性能，秉持着数据量、计算量和模型参数量规模越大越好（即Scaling law）的原则，各大科技巨头纷纷哄抢当前市面上性能最为强悍的英伟达GPU，让囤积的GPU数量给AI模型效用“做担保”。

然而，高强度、大规模的模型训练正在“榨干”全球数据库，并且模型扩展边际效益递减的同时算力成本仍然高企，这引发了对AI训练阶段是否已经即将终结的讨论。

随之而来的问题是：Is Scaling is All you Need？我们真的还需要再消耗更高的成本来训练更好的AI吗？

外界的目光开始移至AI大模型的下一阶段——逻辑推理。

作为大模型预训练的下一阶段，逻辑推理是指基于现有大模型，开发AI在各细分垂直领域的应用以实现终端落地。

从市面上的大模型产品看，包括谷歌的Gemini 2.0、OpenAI的o1等在内，ai agent（智能体）目前已经成为了各大公司的主攻方向之一。

随着AI大模型日趋成熟，有观点认为，以ASIC（专用集成电路）为代表的推理芯片将逐步取代以GPU为代表的训练芯片，成为各大AI公司的“新宠”。

而博通CEO对ASIC市场的乐观预期在一定程度上印证了外界对AI范式转向的预期，进而引发了上周五的股价暴涨。

ASIC是什么？比GPU更“专一”

半导体大致可以分为标准半导体和专用集成电路（ASIC）。标准半导体拥有标准化规格，只要满足基本要求，就可以应用于任何电子设备，而ASIC则是半导体制造商根据特定产品要求生产的半导体。

因此，ASIC一般会被应用于特定设计和制造的设备中，执行必要的功能。

AI运算也就由此衍生出两条路径：一种是英伟达GPU代表的通用路径，适合通用高性能计算，另一种是ASIC定制芯片为代表的专用路径。

作为标准半导体成品，GPU在处理大规模并行计算任务时表现出色，但当处理大规模矩阵乘法时，存在内存墙问题，而经过特殊设计的ASIC就可以解决这个问题，一旦大规模量产，ASIC的性价比会更高。

简单来说就是，GPU贵在目前产品成熟、产业链成熟，而ASIC的想象力在于更“专一”，并且在处理单个运算任务时能实现更高的处理速度和更低的能耗，因此也更适用于推理端边缘计算。

为科技巨头定制AI芯片，成了迈威尔和博通的“摇钱树”

由于GPU产能趋紧且价格昂贵，众多科技巨头开始加入自研ASIC芯片的队伍，仅供自家使用。

有观点认为，谷歌是AI ASIC芯片的先驱，因其于2015年发布第一代TPU（ASIC）产品，同样具有代表性ASIC芯片还包括亚马逊的Tranium和Inferentia、微软的Maia、Meta的MTIA以及特斯拉的Dojo等。

在自研AI芯片的上游供应链上，迈威尔和博通是常年称霸的两大制造商。

除了谷歌和微软两个大客户，迈威尔还在近期与亚马逊AWS签订了为期5年的合作协议，帮助亚马逊设计自有AI芯片。业内人士认为，这将助推迈威尔AI定制芯片业务在下一财年实现翻倍增长。

作为迈威尔的主要竞争对手，博通同样拥有谷歌、Meta和字节三家大客户。

随着AI大模型进入“下半场”，真正的推理端刚刚开始，关于芯片的又一场鏖战即将打响。正如博通的CEO Hock Tan此前所预言：

“未来50%的AI Flops（算力）都会是ASIC，甚至CSP（超大规模云计算产商）内部自用100%都将是ASIC”。