电子发烧友网报道（文/梁浩斌）在上周末，博通应该可以说是投资圈和科技圈最火爆的话题，大家纷纷惊呼“英伟达的对手终于出现了！”“ASIC要超越GPU”云云。 这一切都要源于上周五博通公布的炸裂财报，AI业务营收同比暴增220%，当天公司股价大涨24.43%，市值突破万亿美元，成为第九家市值突破万亿美元的美股上市公司，全球第三家市值超万亿美元的半导体公司。 当然，更重要的是对未来的预期，博通在数据中心高速互连领域有非常大的市场份额，这代表着AI基础设施的规模增长，博通的部分增长也确实来自以太网网络部件。但除了高速互连之外，博通还正在与一些大型云服务供应商合作，帮助他们开发定制AI芯片，这部分业务的增长迅速，将会令博通成为英伟达的最大挑战者。 博通的AI芯片布局博通的传统优势是在高速互连方面，比如数据中心的以太网传输中用到的高速光模块产品组合，还有在高速互连中使用到的高速SerDes内核IP等。而目前博通在AI芯片领域，主要也是提供ASIC解决方案，提供设计、广泛IP组合、先进封装等方案，集成了内存、高速SerDes、PCIe接口等IP，以及Arm/Power PC等CPU内核。 ASIC即专用集成电路，顾名思义，与英伟达提供的通用GPU不同，ASIC是专门针对某种场景或应用设计，目前不少云计算巨头都在使用定制的ASIC作为数据中心的核心芯片。作为一种专用芯片，在设计之初就是为了满足特定的任务和算法需求，因此在针对算法开发的情况下，计算效率和能效比都能够相比通用GPU大幅提高。 比如谷歌去年推出的TPU v5e专为提升中大型模型的训练、推理等任务设计，相比上一代的TPU v4训练性能提高2倍，推理性能提高2.5倍，但成本只有上一代的一半不到，大幅提升了计算效率以及成本效益。 对于云计算巨头而言，为了降低对英伟达的依赖，同时也为了降低成本，选择定制ASIC都会是一个比较确定的方向。除了谷歌之外，亚马逊、华为、阿里、百度等云计算巨头都已经有自研数据中心ASIC产品，并已经投入使用。 而博通目前依靠在高速互连方面的关键技术，在对互连速率要求极高的AI计算领域就极具优势。早在2020年，博通推出了公司首款采用台积电N5工艺的数据中心ASIC，集成了PCIe Gen5协议、112 Gbps SerDes、运行频率为3.6 Gbps、集成HBM2e，利用TSMC CoWoS Interposer封装技术实现3.6 Tbps Die2Die PHY IP，几乎将先进的高速互连技术堆满。 最近博通还推出了3.5D XDSiP封装平台，可以将超过6000平方毫米的3D堆叠硅晶片和12个HBM模块集成到一个系统级封装中，同时大幅提升片内互连的性能。 与传统采用硅通孔TVS的F2B（面到背）的技术相比，3.5D XDSiP采用HCB（混合铜键合）以F2F（面对面）的方式将逻辑芯片堆叠，堆叠芯片之间的信号密度提高了7倍；3.5D XDSiP通过利用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%，还能最大限度地减少3D堆栈中计算、内存和I/O组件之间的延迟。 据称博通的3.5D XDSiP目前已经被主要的AI领域客户使用，已经有6款产品正在开发中，博通预计最早在2026年2月实现出货。其中富士通下一代2nm制程的Arm处理器FUJITSU-MONAKA已经确认使用博通3.5D XDSiP技术，这款处理器面向数据中心、边缘计算等应用，据此前富士通的介绍，MONAKA每颗CPU包含一个中央的I/O die和四个3D垂直堆叠die，并集成SRAM，预计2027年出货。 今年9月，博通还展示了一种带有光学模块的AI计算ASIC，实现片间光互连。博通在制造中使用了FOWLP封装技术，将CPO模块与AI ASIC封装在一起，大幅降低了系统延迟，还实现了可插拔的激光器设计，便于数据中心维护。 目前来看，在AI计算中极为重要的互连技术上，博通拥有很强大的技术积累，这也为其ASIC定制服务建立了稳固的壁垒。从客户群来看，博通在财报中透露，目前正在与三家非常大型的云计算客户开发AI芯片，并预计到2027年，每个客户都将在网络集群中部署100万个AI芯片，届时市场对定制AI ASIC的需求容量将高达600亿-900亿美元。 ASIC跑AI，大厂的专属玩物最近大厂开发ASIC的消息频出，在博通公布财报的前一天，就传出苹果与博通合作，开发面向AI推理的ASIC芯片，将采用台积电N3P工艺，计划在2026年投入生产。而亚马逊也在月初公布了AI芯片Trn2UltraServer和Amazon EC2Trn2的应用实例，展示出ASIC的应用性价比远超GPU。 但可能大家也发现，目前定制开发高算力ASIC的厂商，无一例外是云计算大厂，本身公司业务就有极大规模的算力需求。这是由于ASIC的定制费用较高，需要有足够庞大的规模才能分摊前期定制开发费用。 ASIC定制费用，主要是开发过程中的一次性工程费用，也被业内称为NRE（Non-Recurring Engineering）。顾名思义，NRE费用只需要支出一次，后续规模生产中不需要再增加这部分费用。 NRE费用中，包含芯片设计的成本，比如研发人员薪酬、EDA工具授权费等，这与芯片使用的制程工艺、芯片本身的复杂程度相关；然后是版图设计成本，其实这里的概念跟芯片设计的成本类似，主要是涉及芯片的物理布局设计，需要特定的研发人员和软件支持；再是IP授权费用，一般是一些通用的IP，比如CPU IP、内存控制器、接口IP等。 以定制一款采用5nm制程的ASIC为例，NRE费用可以高达1亿至2亿美元。然而一旦能够大规模出货，NRE费用就可以很大程度上被摊薄。 博通也提到，未来每个客户将在网络集群中部署100万片AI芯片，即使其中只有30万片是定制的ASIC，那么分摊到每一片芯片上的NRE费用就大约只要300-600美元，相比GPU的成本有明显的优势。而据业内人士分析，中等复杂程度的ASIC盈亏平衡点在10万片左右。 小结尽管目前英伟达GPU在AI训练、推理的应用中还是处于一家独大的地位，但ASIC的成本效益，让各大大模型厂商不得不开始考虑转向ASIC。加上谷歌推出的Gemini2.0已经开始带头使用自家的TPU来进行训练和推理，以往ASIC不适用于AI训练的刻板印象也逐步被打破。 如果ASIC的成本效益未来能被进一步开发至极致，那么至少像百度、阿里、谷歌、腾讯、华为这样的集大模型开发和云计算服务于一体的互联网巨头，会先摆脱在AI大模型上对GPU的依赖。