ASIC（Application Specific Integrated Circuit）即专用集成电路，本文中特指专门为AI应用设计、专属架构的处理器芯片。近年来涌现的类似TPU、NPU、VPU、BPU等令人眼花缭乱的各种芯片，本质上都属于ASIC。无论是从性能、面积、功耗等各方面，AISC都优于GPU和FPGA，长期来看无论在云端和终端，ASIC都代表AI芯片的未来。但在AI算法尚处于蓬勃发展、快速迭代的今天，ASIC存在开发周期较长、需要底层硬件编程、灵活性较低等劣势，因此发展速度不及GPU和FPGA。

　　ASIC的特点是面向特定用户的需求，品种多、批量少，要求设计和生产周期短，它作为集成电路技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比具有体积更小、重量更轻、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。

　　除了FPGA和GPU之外，也有不少公司在做服务器端的深度学习加速芯片。谷歌除大量使用GPU外，努力发展自己的AI专属的ASIC芯片。今年5月推出的TPU与GPU相比耗电量降低60％，芯片面积下降40％，能更好的满足其庞大的AI算力要求，但由于目前人工智能算法迭代较快，目前TPU只供谷歌自身使用，后续随着TensorFlow的成熟，TPU也有外供可能，但通用性还有很长路要走。

　　百度等厂商目前在数据中心业务中也积极采用FPGA进行云端加速。FPGA可以看做从GPU到ASIC重点过渡方案。相对于GPU可深入到硬件级优化，相比ASIC在目前算法不断迭代演进情况下更具灵活性，且开发时间更短。AI领域专用架构芯片（ASIC）已经被证明可能具有更好的性能和功耗，有望成为未来人工智能硬件的主流方向。

　　假如把FPGA比作科研研发专用芯片，那么ASIC就是确定应用市场后，大量生产的专用芯片。基于此，厂家可以针对特定用户场景使用FPGA进行研发，当算法成熟、芯片设计固定后可以以ASIC的方式进行大规模生产。因此，作为全定制设计的ASIC芯片，针对适用的应用场景，ASIC的性能和能耗都要优于市场上的现有芯片，包括FPGA和GPU。

　　目前，人工智能ASIC的发展仍处于早期。其根本原因是，ASIC一旦设计制造完成后电路就固定了，只能微调无法大改。而硬件的研发设计与生产成本很高，如果应用场景是否为真市场尚不清晰，企业很难贸然尝试。

　　此外，能设计出适用于人工智能芯片的公司必然是要既具备人工智能算法又擅长芯片研发的公司，进入门槛较高。相比海外，中国具有更广泛的应用场景和广阔的试水空间，中国厂商也更擅长在商业应用领域施展拳脚，ASIC芯片则可借此成为中国撬动芯片产业的“支点”。