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。长期来看无论在云端和终端，ASIC都代表AI芯片的未来。

　　据相关机构预测，预计AI硬件消费市场在2025年将达到1090亿美元的规模。而在这千亿美元级别的市场规模中，已经凸显出的领头者是人工智能处理器——GPU、FPGA、ASIC等AI硬件的制造商。同时预计在2017年至2025年间，ASIC、FPGA和GPU将迎来最快速的增长。其中，ASIC增速最快，达92%。

　　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。谷歌除大量使用GPU外，努力发展自己的AI专属的ASIC芯片。去年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。

    另外，国内众多人工智能初创企业在芯片领域的投入也在日益加强。2015年成立的地平线，致力于将算法和芯片集合在一起，去创造推动边缘AI人工智能计算和推广。2017年底，地平线发布了首款嵌入式AI专用芯片，可每秒处理30帧1080P视频，延时小于30毫秒，典型功耗仅1.5瓦。

    比特大陆张量处理器BM1680芯片也是一款面向深度学习应用的ASIC芯片，其加速核采用改造型脉动阵列架构技术，具备4096个并行执行单元，适用于CNN/RNN/DNN等神经网络的预测和训练。算丰BM1680从2015年底开始设计，历时一年多成功流片，在2017年6月拿到了样品，并在当年内实现量产。目前，第二代芯片BM1682也已经面世，实际性能相比第一代提升了约5倍。

　　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。

　　以应用最为广泛的AI人脸识别技术为例，常见的人脸识别其实是一个“扫描检测”加“结果判别”的过程，而这个“扫描检测”的过程中包括五官坐标定位、人脸属性识别、人脸特征提取等等，在“结果判别“中更涉及到人脸验证、人脸识别、活体验证等多个特性，它已经不是一个简单的算法，而是涉及到CPU、GPU、VPU、DLA等多个运算单元，跨单元的运算很显然会造成消费体验的不佳，更别提到结果涉及的端运行或是云运行问题，所以开发与之相应的AI人工智能神经网络算法是趋势，即ASIC专核专用是未来人工智能终端最基本的要求。

　　基于AI的人脸识别技术目前最热门的商业应用场景为安防行业，从AI芯片来看，其主要是专注于处理动态视频中的人和物，抓取事物的典型特点。随后在前端完成特征压缩和后台的特征比对，以有效降低对传输线路的冲击，获取更好的性能。同时安防AI芯片还要能够完成和现有传统安防前端的场景数据对接适配，在前端解决问题，这样能有效的降低成本。简而言之，安防AI芯片的特点必须灵活性高、性能好、成本低。因此，专用定制的、高性价比的ASIC芯片的优势越来越明显，经过专门设计优化的ASIC芯片，有着更高性价比、更容易大规模部署的优势。