電子發燒友網報道（文/梁浩斌）在上周末，博通應該可以說是投資圈和科技圈最火爆的話題，大家紛紛驚呼“英偉達的對手終于出現了！”“ASIC要超越GPU”云云。

這一切都要源于上周五博通公布的炸裂財報，AI業務營收同比暴增220%，當天公司股價大漲24.43%，市值突破萬億美元，成為第九家市值突破萬億美元的美股上市公司，全球第三家市值超萬億美元的半導體公司。

當然，更重要的是對未來的預期，博通在數據中心高速互連領域有非常大的市場份額，這代表著AI基礎設施的規模增長，博通的部分增長也確實來自以太網網絡部件。但除了高速互連之外，博通還正在與一些大型云服務供應商合作，幫助他們開發定制AI芯片，這部分業務的增長迅速，將會令博通成為英偉達的最大挑戰者。

博通的AI芯片布局

博通的傳統優勢是在高速互連方面，比如數據中心的以太網傳輸中用到的高速光模塊產品組合，還有在高速互連中使用到的高速SerDes內核IP等。而目前博通在AI芯片領域，主要也是提供ASIC解決方案，提供設計、廣泛IP組合、先進封裝等方案，集成了內存、高速SerDes、PCIe接口等IP，以及Arm/Power PC等CPU內核。

ASIC即專用集成電路，顧名思義，與英偉達提供的通用GPU不同，ASIC是專門針對某種場景或應用設計，目前不少云計算巨頭都在使用定制的ASIC作為數據中心的核心芯片。作為一種專用芯片，在設計之初就是為了滿足特定的任務和算法需求，因此在針對算法開發的情況下，計算效率和能效比都能夠相比通用GPU大幅提高。

比如谷歌去年推出的TPU v5e專為提升中大型模型的訓練、推理等任務設計，相比上一代的TPU v4訓練性能提高2倍，推理性能提高2.5倍，但成本只有上一代的一半不到，大幅提升了計算效率以及成本效益。

對于云計算巨頭而言，為了降低對英偉達的依賴，同時也為了降低成本，選擇定制ASIC都會是一個比較確定的方向。除了谷歌之外，亞馬遜、華為、阿里、百度等云計算巨頭都已經有自研數據中心ASIC產品，并已經投入使用。

而博通目前依靠在高速互連方面的關鍵技術，在對互連速率要求極高的AI計算領域就極具優勢。早在2020年，博通推出了公司首款采用臺積電N5工藝的數據中心ASIC，集成了PCIe Gen5協議、112 Gbps SerDes、運行頻率為3.6 Gbps、集成HBM2e，利用TSMC CoWoS Interposer封裝技術實現3.6 Tbps Die2Die PHY IP，幾乎將先進的高速互連技術堆滿。

最近博通還推出了3.5D XDSiP封裝平臺，可以將超過6000平方毫米的3D堆疊硅晶片和12個HBM模塊集成到一個系統級封裝中，同時大幅提升片內互連的性能。

與傳統采用硅通孔TVS的F2B（面到背）的技術相比，3.5D XDSiP采用HCB（混合銅鍵合）以F2F（面對面）的方式將邏輯芯片堆疊，堆疊芯片之間的信號密度提高了7倍；3.5D XDSiP通過利用3D HCB代替平面芯片到芯片物理接口，芯片到芯片接口的功耗降低了90%，還能最大限度地減少3D堆棧中計算、內存和I/O組件之間的延遲。

據稱博通的3.5D XDSiP目前已經被主要的AI領域客戶使用，已經有6款產品正在開發中，博通預計最早在2026年2月實現出貨。其中富士通下一代2nm制程的Arm處理器FUJITSU-MONAKA已經確認使用博通3.5D XDSiP技術，這款處理器面向數據中心、邊緣計算等應用，據此前富士通的介紹，MONAKA每顆CPU包含一個中央的I/O die和四個3D垂直堆疊die，并集成SRAM，預計2027年出貨。

今年9月，博通還展示了一種帶有光學模塊的AI計算ASIC，實現片間光互連。博通在制造中使用了FOWLP封裝技術，將CPO模塊與AI ASIC封裝在一起，大幅降低了系統延遲，還實現了可插拔的激光器設計，便于數據中心維護。

目前來看，在AI計算中極為重要的互連技術上，博通擁有很強大的技術積累，這也為其ASIC定制服務建立了穩固的壁壘。從客戶群來看，博通在財報中透露，目前正在與三家非常大型的云計算客戶開發AI芯片，并預計到2027年，每個客戶都將在網絡集群中部署100萬個AI芯片，屆時市場對定制AI ASIC的需求容量將高達600億-900億美元。

ASIC跑AI，大廠的專屬玩物

最近大廠開發ASIC的消息頻出，在博通公布財報的前一天，就傳出蘋果與博通合作，開發面向AI推理的ASIC芯片，將采用臺積電N3P工藝，計劃在2026年投入生產。而亞馬遜也在月初公布了AI芯片Trn2UltraServer和Amazon EC2Trn2的應用實例，展示出ASIC的應用性價比遠超GPU。

但可能大家也發現，目前定制開發高算力ASIC的廠商，無一例外是云計算大廠，本身公司業務就有極大規模的算力需求。這是由于ASIC的定制費用較高，需要有足夠龐大的規模才能分攤前期定制開發費用。

ASIC定制費用，主要是開發過程中的一次性工程費用，也被業內稱為NRE（Non-Recurring Engineering）。顧名思義，NRE費用只需要支出一次，后續規模生產中不需要再增加這部分費用。

NRE費用中，包含芯片設計的成本，比如研發人員薪酬、EDA工具授權費等，這與芯片使用的制程工藝、芯片本身的復雜程度相關；然后是版圖設計成本，其實這里的概念跟芯片設計的成本類似，主要是涉及芯片的物理布局設計，需要特定的研發人員和軟件支持；再是IP授權費用，一般是一些通用的IP，比如CPU IP、內存控制器、接口IP等。

以定制一款采用5nm制程的ASIC為例，NRE費用可以高達1億至2億美元。然而一旦能夠大規模出貨，NRE費用就可以很大程度上被攤薄。

博通也提到，未來每個客戶將在網絡集群中部署100萬片AI芯片，即使其中只有30萬片是定制的ASIC，那么分攤到每一片芯片上的NRE費用就大約只要300-600美元，相比GPU的成本有明顯的優勢。而據業內人士分析，中等復雜程度的ASIC盈虧平衡點在10萬片左右。

小結：

盡管目前英偉達GPU在AI訓練、推理的應用中還是處于一家獨大的地位，但ASIC的成本效益，讓各大大模型廠商不得不開始考慮轉向ASIC。加上谷歌推出的Gemini2.0已經開始帶頭使用自家的TPU來進行訓練和推理，以往ASIC不適用于AI訓練的刻板印象也逐步被打破。

如果ASIC的成本效益未來能被進一步開發至極致，那么至少像百度、阿里、谷歌、騰訊、華為這樣的集大模型開發和云計算服務于一體的互聯網巨頭，會先擺脫在AI大模型上對GPU的依賴。