AI 芯片又叫 AI 加速器或计算卡，专门处理人工智能应用里大量计算任务。当下，AI 芯片主要有 GPU、ASIC、FPGA 等。ASIC 芯片还能细分出 TPU、NPU 等。
GPU 擅长大量并行数据处理与运算，通用性强，像数学运算、图形渲染这类任务都拿手，英伟达、AMD 等是代表厂商。ASIC 芯片针对特定领域设计，专用性强，不过开发成本高、周期长，谷歌 TPU，寒武纪、华为昇腾的 NPU 等厂商产品是典型。FPGA 是能现场多次编程的门电路阵列硬件，灵活性高，但设计难度和复杂性也大，Xlinx 是代表厂商。AI 芯片在云计算、数据中心、智能驾驶、智慧家电等领域都有广泛应用。
03 上游产业链
芯片产业链的核心环节在中游，包括芯片设计、芯片制造以及封装测试。而上游的基础 EDA 软件、材料和设备，是中游制造的关键支撑。在国内，芯片产业在上游这部分比较依赖国外，其中最薄弱的环节就是最上游的 EDA 软件。
03-1 EDA软件/IP
EDA 软件是什么？EDA（电子设计自动化）是辅助芯片设计、制造、测试全流程的软件工具集群。没有它时，工程师靠人工绘图，效率低；有了它，能从概念、算法开始设计，是芯片设计的 “基石”。
EDA主要分四类，覆盖不同设计需求：
全球市场：2024 年全球 EDA 市场规模约 157 亿美元，同比增长 8.1%。过去五年年均复合增长率约 6.5%，主要受 AI、5G、汽车电子等领域驱动。预计到 2030 年，市场规模将突破 200 亿美元。
中国市场：2024 年规模约 135.9 亿元人民币（占全球约 10%），同比增长 13.3%，预计 2025 年达 149.5 亿元。增速显著高于全球，核心动力来自本土半导体产业扩张（如中芯国际、华为海思）和国产替代政策支持。
竞争格局：EDA 市场由国际三巨头主导，Synopsys（32%）、Cadence（29%）、西门子 EDA（13%）合计占全球 74% 份额，分别在全流程工具与 IP 授权、模拟 / 混合信号设计、系统级设计（聚焦汽车 / 工业）领域有优势；中国本土企业中，华大九天、概伦电子、芯华章分别在模拟电路、器件建模、验证工具上有所突破，但整体国产化率不足 15%，5nm 以下先进制程工具几乎空白，14nm 以上工艺实现部分替代。
03-2 半导体材料
在半导体材料里，硅片占比最 大，差不多 30% ，接着是电子特种气体、光掩膜和光刻胶。沪硅产业和中环股份是咱国内生产半导体硅片的头部企业。
03-3 半导体设备
说到半导体设备，光刻机壁垒最高，被荷兰 ASML 垄断。光刻决定芯片关键尺寸，在芯片制造总成本里占 35% 。到现在，全球能造顶 级5nm 光刻机的，只有荷兰 ASML 公司。
要制造芯片就得有芯片设备，北方华创、盛美半导体、中微公司、晶盛电机等都是这方面的龙头企业。
04 中游产业链
04-1、AI 服务器
生成式 AI 应用的核心支撑是 AI 服务器，就像汽车运行离不开发动机。人工智能产业链分基础层、技术层、应用层三层，其中基础层是产业根基，类似盖房的地基，为 AI 提供关键的数据和算力。
服务器常见类型有通用、云计算、边缘和 AI 服务器等，其中 AI 服务器专为 AI 训练和推理应用打造。大模型和生成式 AI 应用爆发，对高性能计算资源需求猛增，AI 服务器正是支撑这类复杂 AI 应用的关键。有如下零部件：CPU芯片、GPU芯片、FPGA芯片 ，还有 PCB、高速连接器等。
大模型很可能让 AI 服务器出货量飞速增长。大模型产生了海量算力需求，这有望进一步带动 AI 服务器市场扩张。
IDC 数据显示，2024-2028 年全球 AI 服务器市场规模预计从 1251 亿美元增至 2227 亿美元，复合增速 15.5%（2025 年预计 1587 亿美元），其中生成式 AI 服务器占比将从 2025 年 29.6% 升至 2028 年 37.7%；同期中国市场规模预计从 190 亿美元增至 552 亿美元，复合增速 30.6%（2025 年预计 259 亿美元，同比增 36.2%）。
04-2、AI 算力芯片
AI 算力芯片就像盖房子的地基，是支撑整个算力体系的根本。当下，CPU+GPU 的组合，就像电脑里 “主脑 + 加速器” 的搭档，是 AI 服务器主流的异构计算系统方案。
看 IDC 2018 年的服务器成本构成数据更能直观体现其重要性：在推理型和机器学习型服务器中，CPU+GPU 的成本占比达到 50%-82.6%；尤其是机器学习型服务器，GPU 的成本占比更是高达 72.8%，相当于这类服务器的 “核心造价” 基本都集中在它身上。
AI 算力芯片的核心优势在于强大的并行计算能力，这让它能像高速分拣中心处理包裹一样，迅速搞定大规模数据和复杂神经网络模型，高效完成人工智能训练与推理任务。同时，它不仅在 AI 服务器成本中占比最高，还为服务器提供底层算力支持，双重作用下，就像为 AI 运转筑牢了坚实的基石。
正因如此，AI 算力芯片堪称 “AI 时代的引擎”—— 在 AI 算力需求爆发的浪潮里，它既能借势获得发展红利，又能反过来推动 AI 技术更快落地、更广泛地渗透到各个领域。
04-3、AI 算力芯片——GPU
GPU 就是图形处理单元，是电脑图形处理和并行计算的关键。一开始，它主要用在图形渲染上，像 3D 画面、图片处理、视频解码，是显卡核心。后来技术发展，GPU 在通用计算领域也派上用场，像人工智能、深度学习、科学计算、大数据处理这些，这时它就叫 GPGPU，也就是通用 GPU。
GPU 和 CPU 内部构造很不一样，擅长的事也不同。GPU 有好多简单核心，内存带宽高，并行计算能力强，适合大规模数据和高吞吐量任务。CPU 核心少但性能高，控制单元复杂，单线程性能好，适合复杂任务和低延迟场景。两者内部架构对比如下：
市场规模
AI 算力的增长速度，就像往陡峭山坡上滚的雪球，体积越滚越大、速度还越来越快。而算力要落地，核心支撑就是 GPU 芯片，需求自然会跟着水涨船高 —— 毕竟雪球要滚得远，得有足够结实的 “轨道” 托着。
看一组具体数据更直观，2023 年全球 GPU规模达到 436 亿美元；按照当前趋势推演，到 2029 年这个数字会飙升至 2742 亿美元。换算下来，2024 到 2029 这六年里，它的年均复合增长率能稳定在 33.2%，这种增长幅度，相当于一辆汽车从起步阶段直接切入高速巡航模式。
当前 AI 算力芯片领域，GPU 是绝 对主流，就像智能手机的核心处理器般不可或缺；全球市场里，英伟达的话语权堪比操作系统领域的 Windows，基本说了算。
看数据更直观：2024 H1中国 AI 加速芯片市场超 90 万张；2022 年英伟达在全球 AI 芯片市场份额超 80%，AI加速芯片份额高达95%，统治力显著。
竞争格局：
全球 GPU 市场中，英伟达的主导地位堪比零售业头部巨头，基本掌握话语权。
全球数据中心在2023年 GPU 出货 385 万颗，同比增 44.2%；其中英伟达出货约 376 万颗，占比 98%，收入份额也达 98%、共 362 亿美元，是 2022 年的三倍多。
而 PC GPU 赛道格局不同，2024 年Q4全世界PC GPU 出货 7800 万颗，；英特尔以 65% 份额领跑，AMD、英伟达分别占 18%、16%。
04-4、AI 算力芯片——AI ASIC
AI ASIC 是给 AI 应用特制的芯片。优点多，性能强、耗电少、能定制，量大成本低。
对比普通处理器，它针对 AI 特定任务和算法优化，像深度学习的复杂运算，处理起来又快又稳，能满足 AI 实时需求。而且它很省电，适合大规模数据中心。虽说前期研发花钱多，但量大了单个成本比普通处理器低。
AI ASIC 、GPU在实际使用场景对比如下
算力方面，先进 GPU 比 ASIC 强不少。但 ASIC 专为特定任务优化，像矩阵乘法、卷积运算这些特定 AI 任务，它的计算效率更高，性能可能超过 GPU 。
通用性上，GPU 能运行各种算法和模型，很灵活；ASIC 功能固定，难修改扩展，灵活性差。
功耗上，ASIC 针对特定任务优化，比 GPU 省电。成本方面，GPU 研发制造花钱多，大规模部署时，硬件成本是个大限制；ASIC 大规模生产后，单个成本相对较低。
2023 年数据中心 AI 算力芯片市场规模约 420 亿美元，定制 ASIC 芯片达 66 亿美元（份额达16%），如同生态中的 “特色模块”。
预计 2028 年，定制 ASIC 芯片市场规模将达 429 亿美元（占比 25%），2023-2028 年CAGR为近50%，堪比从普通车道驶入快车道；届时整体市场规模约 1720 亿美元，复合增速 32%，ASIC 增速显著跑赢整体。
05 下游产业链
GPU 的应用范围就像一张不断铺开的网络，覆盖领域相当广泛，其中数据中心 GPU 市场的增长势头，更是堪比按下了加速键。
回溯根源，GPU 最初的定位是为图形渲染服务，相当于专门为 “图像处理” 打造的工具。但随着它的并行计算能力持续升级，就像多功能工具从单一用途进化成多面手，应用场景也随之不断拓展 —— 如今已经延伸到数据中心、自动驾驶、机器人、区块链与加密货币、科学计算、金融科技、医疗健康等多个领域，成为不同行业里的关键支撑。
这几年，全球的数据中心 GPU 市场在人工智能、高性能计算和云计算这些领域，增长速度那叫一个快。
核心赛道：人工智能
这几年，咱国内人工智能产业越来越庞大，在各行各业的渗透也越来越深。像智能机器人、智能创作、智慧教育、智慧医疗这些领域，人工智能迅速落地应用，加快了产业优化升级的脚步。
随着 AI 应用的领域不断拓展，还渗透到终端消费电子产品里。市场规模快速扩大，终端电子产品又需要算力来支持 AI 应用，这样一来，对高性能芯片的需求肯定会越来越高。