定制ASIC

云厂商和大型科技公司希望降低对NVIDIA的依赖，同时针对自身特定工作负载（如推理、视频编码、搜索排序）做定制优化，推动了AI定制芯片（ASIC）的快速发展。 因果链：NVIDIA GPU通用但昂贵 → 大客户希望降低成本+供应风险 → 自研或委托设计定制AI芯片 → Google TPU、AWS Trainium、Meta MTIA陆续量产 → Broadcom和Marvell成为ASIC设计外包的核心供应商 Google是最早的践行者，TPU从2016年就开始部署；到2024年，TPU v5p已经用于Gemini大模型训练。AWS的Trainium2芯片2024年底量产，目标是训练100B+参数模型。

定制ASIC是AI芯片赛道中增长最快的细分领域，但客户集中度风险很高。Broadcom若丢失Google或Meta任一大客户，收入影响巨大。另外，NVIDIA的Blackwell系列大幅提升推理性价比，可能压缩ASIC的替代空间。

上游同样依赖台积电先进制程和CoWoS封装、以及HBM内存。与AI算力芯片赛道是直接竞争关系——ASIC替代GPU。 下游就是几个大型云厂商客户本身。与先进封装赛道紧密关联，ASIC同样需要2.5D/3D封装集成HBM。EDA工具赛道也是关键上游——ASIC设计离不开Synopsys和Cadence的工具链。