10月 12日(優分析產業訊息中心) - ASIC（Application-Specific Integrated Circuit）是一種特定應用晶片，它被設計用於執行某種特定的任務或應用，這個產品可能比通用型處理器更適合AI應用市場。
相比於通用處理器，ASIC其實能有更高的性能、更低的功耗和更低的成本，因為它可以被個別廠商、個別應用而個別優化。這些優勢使得ASIC在資料中心和人工智能領域的應用越來越廣泛，並且成為了一個高速成長的市場。
簡單說，通用型的處理器雖然通用，但其實在應用的時候你會感覺它其實很呆，沒辦法為了你想要的應用去做客製型的優化。
所以要講到第二個ASIC的優勢，ASIC的設計可以針對特定任務進行優化，反而從而降低功耗。這使得ASIC在處理大量數據和複雜計算的應用中表現出色，例如人工智能的訓練和推理。
比較多人不知道的是，通常客製化的產品會比較昂貴，不過現在的狀況是Nvidia實在賣的太貴，相形之下ASIC的量產成本反而相對較低，廠商開始發現ASIC在大規模應用中其實更具競爭力。
隨著人工智能的快速發展，對高效能計算的需求不斷增加，應用領域也大相徑庭，通用型的處理器其實很難滿足這些多元的需求，而ASIC因為可以客製化，反而因此能透過整體的設計來提供更高的運算效能和更低的功耗，因此成為了人工智能領域的首選。
根據Yole Intelligence的預測，全球整體處理器市場規模在2022~2028年的複合增長率(CAGR)約為7.9%，但是用於AI ASIC市場規模到2028年將達到110億美元，2022~2028年的CAGR高達39.4%。
有越來越多證據顯示終端應用者例如Google、Amazon、Meta更傾向採用ASIC作為替代方案，即使是最先採用Nvidia GPU加速器的OpenAI也在尋求替代方案，相關報導見此連結。
即使最終這項預期失敗，當未來資料中心從現在的訓練階段走到了推理階段後，ASIC仍將大放異彩，在這股趨勢的推動下，根據一個國內大型法人預估，2024年AI ASIC訓練用的伺服器出貨量將達到7.7萬台，佔整體AI訓練伺服器比重將由2023年的7.2%跳升至18%，IDC也預估ASIC到了2027年將佔整體12%以上。
換句話說，這是一個比AI題材更AI的投資區塊，因為滲透率提升，讓它的成長潛力比整體AI來得更強。
目前採用ASIC的大型公司包括Google(TPU)、Tesla(Dojo)、Amazon(AWS)、Microsoft(Athena)、Meta(MTIA)及其他，市佔率分別為40%、16%、14%、8%、4%及18%。
推論下去，ASIC可能是一個無論如何都終將成長的行業類別，時間點問題而已。
對於哪種類型的晶片最適合特定的 AI 應用，這取決於多種因素，包括功耗、性能、成本和靈活性的需求。GPU 由於其廣泛的應用和支持，常常被用作 AI 研究的起點。然而，隨著 AI 的不斷進化，目前看到越來越多的 FPGA 和 ASIC 被設計出來以滿足特定的性能和效率需求。
目前三大AI計算晶片類型：
GPU (圖形處理器)
簡述: GPU 最初是為處理圖形和視頻任務而設計的，但由於其高並行處理能力，它已被廣泛用於深度學習和其他 AI 應用。
代表企業: NVIDIA、AMD
優勢: GPU 的並行處理能力使其特別適用於處理大規模數據和計算，這在深度學習訓練中尤為重要。
缺點: 儘管 GPU 是多功能的，但它們不是為特定的 AI 任務而客製化的，因此可能不如 ASIC 或 FPGA 那麼效率。
FPGA (現場可編程門陣列)
簡述: FPGA 是半客製化的晶片，可以重新編程來執行特定的計算任務。是介於 GPU 和 ASIC 之間的一種解決方案。
代表企業: Xilinx賽靈思、Altera (現在隸屬於 Intel )
優勢: 與 ASIC 相比，FPGA 的開發周期更短，而且可以重新編程以適應新的應用或算法。
缺點: 虽然 FPGA 可以為特定任務提供優化，但其效率和性能可能不及專門為某一任務設計的 ASIC。
ASIC (特定應用晶片)
簡述: ASIC 是為特定的計算任務或應用而定製設計的硬件。
代表企業: Google（TPU），華為（NPU）
優勢: ASIC 為特定的任務提供了最高的效率和性能。
缺點: ASIC 的開發周期長，成本較高，且不具有 FPGA 那樣的靈活性。
