作者：老王
摘要与核心判断
全球AI算力产业正在从“以通用GPU为中心的单一路径”，逐步转向GPU、云厂自研加速器、第三方定制ASIC和边缘AI SoC并存的异构计算体系。ASIC的核心价值不是追求对所有任务都适用，而是在模型、算子和部署规模相对稳定后，通过软硬件协同降低每瓦算力成本、每Token推理成本以及整套系统的总体拥有成本。这一趋势已经从数据中心延伸到汽车。智能汽车正在由分布式电子控制器转向中央计算和区域控制架构，智能驾驶模型也从规则与小模型走向端到端、多模态和VLA模型。特斯拉、蔚来、小鹏、理想等车企因而开始自研或深度定制车载AI芯片，希望把车辆数据、算法、编译器、芯片和整车电子架构形成闭环。大众集团则通过CARIAD与地平线成立合资公司开发集团自有芯片，代表传统车企更可能采用的联合定制路径。
核心结论：ASIC不会全面替代GPU或成熟的汽车计算平台，而会优先进入负载稳定、规模足够大、单位成本敏感且可通过软硬件协同形成差异化的场景。长期赢家不是只会完成芯片后端设计的公司，而是能够交付“计算芯片 + HBM/存储 + 高速互联 + 先进封装 + 编译器 + 系统验证”的平台型厂商。汽车端还必须额外满足功能安全、车规可靠性、长期供货和跨车型复用。
一、AI算力竞争从峰值性能转向单位成本
生成式AI早期的主要矛盾是训练算力不足，通用GPU凭借成熟软件生态和高度灵活的可编程能力占据主导。随着大模型进入商业化运营阶段，算力消耗开始由一次性的训练投入转向持续性的推理调用。Agent、推理模型、视频生成和长上下文应用都会显著增加Token消耗，推理服务又需要全年运行，因此功耗、利用率、时延和每Token成本开始直接影响云服务毛利率。
ASIC适合解决这一问题。云厂商掌握自己的模型、用户流量、数据中心网络和软件栈，可以根据真实负载联合设计计算单元、低精度格式、HBM容量和芯片互联，而不是在采购通用芯片后再被动适配。其前期设计投入虽然高昂，但当内部部署规模达到数十万颗时，研发费用可被大量摊薄，同时能够降低对单一GPU供应商的依赖。
图1 ASIC周期的两组关键信号
资料来源：Broadcom、Marvell、Alchip、Google Cloud、AWS、Microsoft公开披露。不同公司收入口径、期间及性能基准不同，图示用于观察趋势，不构成同口径排名。
二、云厂自研ASIC从内部替代工具走向规模化基础设施
Google：芯片、互联和编译器共同构成TPU壁垒
Google是云端ASIC路径最成熟的案例。第七代Ironwood TPU单颗配置192 GiB HBM3E和7.4 TB/s内存带宽，最大Pod包含9,216颗芯片，FP8峰值算力达到42.5 ExaFLOPS。Google围绕TPU同步开发XLA编译器、JAX和PyTorch支持、自研芯片间互联以及光交换网络。这说明真正形成竞争力的不是单个矩阵计算单元，而是计算、存储、通信和软件的联合设计。[1]
AWS：以稳定内部负载跨过ASIC经济规模门槛
AWS的Project Rainier已经投入接近50万颗Trainium2，用于Anthropic Claude的训练和推理。随后推出的3nm Trainium3单颗拥有144 GB HBM3E和4.9 TB/s内存带宽，UltraServer可连接144颗芯片。AWS案例表明，只要云厂商能够提供足够大的内部负载，ASIC即使不依赖开放市场销售，也能形成规模经济，并将芯片成本、云资源定价和模型服务收入统一管理。[2][3]
Microsoft与Meta：推理优先、内部负载优先
微软Maia 200围绕大规模Token生成优化，Meta MTIA则已用于广告和推荐推理，并开始推动训练芯片量产。两者共同指向一个长期结构：GPU主要承担需要高灵活性和生态兼容性的前沿工作负载，ASIC承担规模最大、成本最敏感、模型结构更稳定的内部负载。GPU和ASIC因此更可能共同增长，而不是简单的零和替代。[4][5]
三、ASIC竞争单位已从芯片升级为完整系统
AI ASIC的技术瓶颈正在从“能否完成矩阵计算”转向“能否把成千上万颗芯片有效连接起来”。单颗芯片算力提高后，HBM访问、芯片间通信、封装面积、功耗密度、散热和集群容错逐渐决定实际性能。一套可规模部署的方案至少需要计算XPU、HBM控制器、高速SerDes、Scale-up互联、Scale-out网络、先进封装以及编译器。
Broadcom：计算与网络同时受益的平台型ASIC
Broadcom不仅能够帮助客户完成定制加速器，还拥有交换芯片、SerDes、PCIe、DSP、网卡和光互联技术，因此可以同时获得计算和AI网络的价值。2026财年第二季度，Broadcom披露AI半导体收入为108亿美元，同比增长143%，并预计第三季度达到160亿美元；该口径同时包含定制加速器和网络产品，不能全部视为计算ASIC收入。[6]
OpenAI与Broadcom在2026年公布的Jalapeño项目体现了平台能力的价值：OpenAI定义加速器架构，Broadcom负责芯片实现和制造导入，并结合网络与机架系统推进部署。官方披露从联合设计到流片约九个月，项目计划在2026年底开始部署。成熟IP、设计流程、封装接口和供应链资源能够显著缩短模型公司进入自研芯片的周期。[7]
Marvell：以互联和定制计算形成第二增长极
Marvell的ASIC平台整合了SerDes、Arm计算、安全、存储、硅光、Chiplet和定制HBM等技术。2026财年公司收入达到81.95亿美元，同比增长42%；2027财年第一季度数据中心收入达到18.33亿美元，占公司收入的76%。其AI增长并非只来自定制计算芯片，也包括光DSP、交换、存储和互联产品，说明“连接能力”正在成为AI系统中越来越重要的价值来源。[8][9]
四、全球ASIC厂商的分层与受益路径
表1 全球ASIC产业主要参与者
资料来源：企业公开披露；分类以商业模式和能力边界为主。
Alchip和GUC代表了台湾ASIC设计服务模式。Alchip 2025年83%的收入来自AI和HPC，87%的收入来自7nm及以下工艺，但全年收入因量产受限出现明显下降，显示“获得项目”“成功流片”和“进入大规模量产”是三个不同阶段。[10] GUC则已完成2nm设计流程和测试芯片验证，并推进3nm电子芯片、硅光芯片与3D封装结合的CPO方案。设计服务商对客户放量具有较高弹性，但也更容易受到客户项目集中和供应链排期影响。[11]
五、汽车厂商自研芯片成为ASIC的新增长方向
汽车厂商自研芯片并不是数据中心ASIC故事的简单复制，但背后的经济逻辑相似。智能汽车正在从数十个相互独立的电子控制器，转向中央计算和区域控制架构；智能驾驶算法也从规则系统、小型感知网络演进到端到端、多模态和VLA模型。随着模型复杂度上升，车载计算不仅要提供更高算力，还必须在有限功耗、散热和成本预算下满足确定性时延、冗余和功能安全要求。
在传统采购模式中，车企购买英伟达、Mobileye、高通或地平线等平台，再将算法适配到既定硬件。自研或深度定制ASIC则允许车企根据传感器配置、模型结构、量化方式、编译器和整车电子架构共同优化芯片。其目标包括降低单车计算成本、提高模型执行效率、控制产品迭代节奏、增强供应链安全，并避免不同车型被通用平台的固定路线图锁定。
“自研”的边界 汽车厂商所谓自研芯片，通常不意味着独自完成从CPU/IP、物理设计到晶圆制造的所有环节。更常见的模式是车企掌握架构定义、模型和软件栈，外部伙伴提供IP、设计实现、EDA、代工、封装和测试。判断自研深度，应看车企是否掌握需求定义、编译器、模型适配和量产验证，而不只是芯片品牌归属。
图2 汽车厂商自研或联合定制AI芯片进展
资料来源：Tesla、NIO、XPENG、Li Auto和Volkswagen Group公开披露。路线图中的计划量产时间可能因验证、代工和车型项目调整而变化。
特斯拉：以车辆数据和算法规模推动芯片垂直整合
特斯拉是汽车厂商自研AI芯片路线的先行者。其FSD计算机从一开始就围绕视觉神经网络、确定性时延、能效和冗余设计，而不是将数据中心GPU直接移植到车辆。2026年4月，特斯拉披露AI5推理处理器已经完成最终设计；公司计划在2027年量产AI5、2028年量产AI6，并以AI5相对AI4实现大幅性能提升为目标。该指标属于企业目标口径，实际效果仍取决于流片、良率、编译器、车型验证和量产节奏。[12][13]
特斯拉模式的关键不是单颗芯片参数，而是车辆数据、端到端模型、训练平台、编译器、车端推理芯片和整车OTA之间的闭环。自研芯片能够根据模型快速演进，但也要求公司同时承担先进制程开发、功能安全、供应链和代际兼容风险。
蔚来：从芯片发布进入车规量产和跨域协同
蔚来NX9031是中国车企较早进入量产阶段的自研智能驾驶芯片。该芯片采用5nm工艺，最初随ET9发布；蔚来在2025年年报中披露，NX9031已从2025年起部署于部分蔚来品牌车型，并形成芯片全栈研发、量产和部署能力。NX9031与蔚来自研SkyOS和Adam 2.0计算平台协同，使智能驾驶、座舱和底盘等域能够共享计算资源。[14][15]
蔚来案例说明，汽车ASIC的价值不只来自替代外购芯片，还来自跨域融合。若计算资源能够在智能驾驶、座舱和车辆控制之间复用，车企可能减少控制器数量并提高整车电子架构效率；相应地，芯片故障隔离、功能安全和资源调度也会更加复杂。
小鹏：通过“芯片—算子—模型”协同承载VLA
小鹏图灵AI芯片更强调模型与编译器协同。为了让VLA 2.0在车辆端部署，小鹏重新开发了针对图灵芯片的编译器和软件栈，并通过“芯片—算子—模型”全周期优化，在Ultra车型上支持规模更大的车端模型。2026年5月，小鹏首款量产Robotaxi下线，车辆配置四颗自研图灵AI芯片，披露的有效车载算力为3,000 TOPS。[16][17]
这一案例体现了汽车AI ASIC的重要变化：车端芯片不再只是运行感知小模型，而开始承载更复杂的多模态和VLA模型。随着模型规模扩大，芯片价值量提高，但内存容量、带宽、散热和软件优化的重要性也同步上升。
理想：以M100和MindVLA形成软硬件一体化
理想汽车在2026年进入自研芯片装车阶段。公司年报披露，自研自动驾驶推理芯片M100计划从2026年起量产并用于新车型；2026年5月上市的新款理想L9中，Ultra版本采用一颗自研MAHE M100，Livis版本采用两颗M100及四颗激光雷达。公司将M100与MindVLA大模型的集成视为提升迭代效率、计算效率、安全表现和长期硬件成本结构的基础。[18][19]
理想的单芯片与双芯片配置也说明，自研ASIC能够根据车型价格、传感器数量和功能等级进行分层。但不同配置会增加软件验证、故障诊断和长期维护复杂度，车企必须保证同一算法栈能够跨多个硬件配置稳定运行。
大众—地平线：传统车企更可能采用联合定制模式
传统全球车企未必适合直接复制特斯拉的全栈自研。大众集团通过CARIAD与地平线成立CARIZON合资公司，在中国开发集团首款自有芯片和本地化智能驾驶系统。大众在2025年年报中表示，该路线意在加快开发、提高灵活性并降低成本。这种模式由车企掌握车型平台、功能需求和系统集成，由本地AI芯片伙伴提供架构、IP和量产经验，更符合传统车企多品牌、多车型和全球供应链的组织特点。[20][21]
六、汽车自研芯片对ASIC产业链的增量与冲击
表2 主要汽车厂商自研或联合定制AI芯片路径
资料来源：企业公开披露；“自研”不等于完全脱离外部IP、代工和封装伙伴。
对ASIC产业链而言，汽车厂商自研芯片首先扩大了高性能车规SoC的设计服务需求。多数车企不会建立完整芯片实现团队，而会采购CPU、NPU、SerDes、安全模块和接口IP，并借助ASIC服务商完成验证、物理设计、流片和量产管理。先进工艺晶圆代工、车规封装、测试、EDA和功能安全认证也会获得增量。
其次，自研趋势会改变英伟达、高通、Mobileye、地平线等标准平台厂商的角色。头部车企可能将核心智能驾驶计算逐步转为自研，同时继续采购座舱、通信或中低端车型芯片；规模较小的车企则更可能保留标准平台，以避免高额NRE和软件投入。因此，汽车计算市场将由单一供应模式转向“标准芯片 + 半定制芯片 + 车企自研ASIC”并存。
最后，汽车ASIC的规模经济门槛比表面更高。一颗芯片需要覆盖多个车型和多个年度，才能摊薄设计、车规验证、软件维护和供应链成本。若车企销量不足、算法频繁改变或芯片不能跨车型复用，自研可能反而提高固定成本并造成技术锁定。汽车自研ASIC因而更适合拥有稳定销量、持续数据闭环、完整算法团队和平台化车型架构的头部厂商。
七、ASIC厂商面对的结构性挑战
软件生态仍是第一壁垒
理论峰值算力只有转化为稳定的模型吞吐量才有商业价值。编译器、算子库、分布式框架、调试工具和模型迁移能力需要持续投入。数据中心ASIC必须与PyTorch、JAX及集群调度系统协同；汽车ASIC还要支持实时操作系统、功能安全中间件、诊断和多年OTA维护。软件投入不足会使硬件峰值性能无法兑现。
模型变化速度与芯片周期存在错配
ASIC从架构定义、验证、流片到量产往往跨越多个模型迭代周期。MoE、低精度格式、KV Cache管理、端到端驾驶和VLA模型仍在快速演进。芯片如果过度针对某一代模型优化，量产时可能已经不匹配新负载；如果保留过多通用功能，又会削弱ASIC的功耗和成本优势。
项目集中和设计竞标具有二元性
全球真正拥有先进AI ASIC预算和大规模内部负载的客户数量有限。设计竞标通常具有较强的赢家通吃特征，获得一个项目可能带来多代收入，失去项目则可能错过整个产品生命周期。Marvell明确提示，厂商往往需要在客户作出采购承诺前投入大量研发，而最终产品未必实现预期销量。[22] 汽车端同样如此，车型延期或销量不及预期会直接影响芯片量产。
先进制造与封装成为共同瓶颈
台积电披露，AI加速器收入在2024年已占总收入接近中双位数比例，并在当年增长超过三倍；公司随后持续扩充CoWoS以满足GPU、AI ASIC和HBM控制器需求。[23] 数据中心ASIC越来越依赖先进逻辑、HBM和2.5D/3D封装同步到位。汽车芯片虽然未必普遍使用HBM，但需要满足高温、寿命、可靠性和长期供货，供应链认证周期更长。
地缘政治与市场分割提高合规成本
中国市场拥有强烈的国产替代需求，但先进工艺、HBM、EDA工具和制造设备仍受政策约束。美国BIS在2026年允许部分高端GPU对符合条件的中国客户按个案审查，同时继续强化先进计算芯片、最终用户和相关供应链的合规要求。规则持续变化，使ASIC客户、设计服务商和代工伙伴都需要承担更高的合规与供应不确定性。[24]
八、结论与未来两至三年的观察指标
第一，ASIC份额提升最明显的领域将是大规模推理，而不是对通用GPU的全面替代。前沿训练需要灵活性和软件生态，成熟模型推理更重视单位成本，两类平台将长期共存。
第二，数据中心ASIC的利润会向平台型厂商集中。Broadcom和Marvell能够同时从定制计算、高速互联和网络获得收入，确定性通常高于只提供局部后端设计的服务商；Alchip和GUC等设计服务商拥有更高项目弹性，但收入波动也更大。
第三，汽车自研芯片将成为ASIC的新增长曲线，但不会普及到所有车企。特斯拉、蔚来、小鹏和理想代表深度自研路径，大众—地平线代表联合定制路径。决定成败的不是芯片发布，而是能否跨车型复用、形成规模装车、持续支持OTA并在整个生命周期内满足功能安全和长期供货要求。
第四，判断ASIC项目是否真正转化为商业价值，应依次验证五个节点：获得多代设计项目、成功流片、完成系统或车规验证、锁定制造与封装产能、进入持续量产。只有跨过这些节点，AI需求才能从技术故事转化为可持续收入和现金流。
最终判断：AI正在把ASIC的竞争门槛从“会设计一颗芯片”提高到“能够长期交付一套软硬件系统”。数据中心看每Token成本和集群效率，汽车看单车成本、确定性时延、功能安全与跨车型复用；两个市场最终都会奖励拥有可重复IP、软件协同、系统验证和供应链控制能力的平台型参与者。
资料来源
[1]Google Cloud：Inside the Ironwood TPU co-designed AI stack
[2]AWS：Project Rainier and Trainium2 deployment
[3]AWS：Amazon EC2 Trn3 UltraServers
[4]Microsoft：Introducing Maia 200
[5]Meta Engineering：Infrastructure evolution and MTIA
[6]Broadcom：Second Quarter Fiscal Year 2026 Results
[7]Broadcom：OpenAI and Broadcom unveil LLM-optimized processor
[8]Marvell：Fiscal Year 2026 Results
[9]Marvell：Q1 FY2027 Form 10-Q
[10]Alchip：2025 Full-Year Financial Results
[11]GUC：2025 Annual Report
[12]Tesla：2025 Q4 AI & Software Update
[13]Tesla：2026 Q1 AI & Software Update
[14]NIO：NIO Day 2023 / ET9 and NX9031
[15]NIO：2025 Annual Report
[16]XPENG：VLA 2.0 and Turing AI chip
[17]XPENG：First mass-produced Robotaxi
[18]Li Auto：2025 Form 20-F
[19]Li Auto：First Quarter 2026 Results and MAHE M100 deployment
[20]Volkswagen Group：2025 Annual Report — proprietary Group chip
[21]Volkswagen Group China：CARIZON ADAS update
[22]Marvell：2026 Form 10-K risk factors
[23]TSMC：Q4 2024 Earnings Conference Transcript
[24]U.S. BIS：2026 semiconductor licensing policy update
