近日，據SemiAnalysis援引市場傳言稱，Google正在與AMD合作開發第十代TPU相關項目。
如果最終落地，這不僅可能成為AMD真正意義上進入大型數據中心AI ASIC市場的重要一步，也再次折射出一個越來越明顯的產業趨勢：定製芯片正在成為AI時代新的必爭之地。
事實上，不僅是AMD，包括英特爾、聯發科在內的多家芯片大廠，近年來都在跨界向「定製芯片（Custom Silicon）」賽道加速靠攏。
這原本是Broadcom和Marvell最擅長的生意。
過去十多年，它們已經驗證了一套成熟而極具吸引力的商業模式：Google、Amazon等雲計算巨頭可以掌握自己的工作負載、芯片架構乃至部分核心IP，卻不必為此獨自搭建一支覆蓋物理設計、高速接口、先進封裝、驗證、量產乃至供應鏈管理的完整芯片團隊。通過與ASIC廠商合作，這些雲廠商可以把針對自身業務定義的芯片架構，真正變成能夠大規模量產並穩定運行在數據中心裏的產品。
此前，這還是一門相對低調的生意。但AI的爆發徹底改變了它的規模和重要性。以 Broadcom為例，其 2026 財年第二季度來自AI半導體的收入高達108億美元，按年暴增143%，增長動力正來源於定製AI加速器與AI網絡芯片。
面對這塊百億級的蛋糕，一場圍繞定製芯片的巨頭角力才啱啱開始。
ASIC開始成為AI巨頭的「必選項」
過去幾年，隨着大模型訓練需求爆發，GPU幾乎成為AI算力的代名詞。
整個行業最受關注的問題，也一直是：誰能挑戰NVIDIA？
但在GPU之外，另一個規模越來越龐大的市場，其實已經悄然成形。Google TPU、AWS Trainium、Meta MTIA，以及越來越多由Hyperscaler自主定義的AI芯片都在說明一件事：當AI基礎設施的規模足夠大之後，定製計算幾乎會成為一種必然選擇。
對於Google、Amazon、Meta、Microsoft這樣的超大規模雲廠商而言，它們運行的是規模巨大而且長期穩定的AI工作負載。一旦某種計算任務達到足夠大的規模，就有動力針對它設計專門的硬件，把不需要的部分刪掉，把晶體管、內存帶寬和互連資源集中到真正影響性能的地方。
這也是為什麼Broadcom幾十年來積累的ASIC能力，突然變成了整個半導體行業最令人羨慕的資產之一。
過去，ASIC最大的問題之一，是「貴」。從架構定義、RTL設計，到物理實現、驗證、流片和量產，一顆先進ASIC往往需要投入鉅額研發費用。如果一年只需要幾萬顆芯片，為某一種特定工作負載重新設計一顆芯片，很難證明經濟性。
但當AI基礎設施的投資規模從幾十億美元迅速走向數百億美元，芯片需求從幾萬顆上升到幾十萬、幾百萬顆之後，整個經濟模型就變了。如果一年只需要幾萬顆芯片，為一個工作負載重新設計ASIC顯然很難划算；但如果未來需要的是幾十萬、幾百萬甚至更多芯片，那麼一次性的開發費用便可以被巨大的出貨量攤薄。
這也是為什麼今天幾乎所有大型雲廠商都在強化自己的定製芯片戰略。
未來AI算力市場更可能不是「GPU還是ASIC」的二選一，而是逐漸走向分工：需要通用性和快速迭代的任務繼續依賴GPU；規模足夠大的成熟工作負載，則越來越多地交給定製ASIC。而隨着後者的規模不斷擴大，圍繞Custom Silicon展開的競爭，也才啱啱開始。
AMD：從遊戲機芯片一路走到AI ASIC
在最新的Google TPU傳聞出現之前，很多人並不會把AMD和ASIC聯繫到一起。
但其實，AMD已經做了十多年的Semi-Custom。
2013年推出的Sony PlayStation 4和Microsoft Xbox One，都採用了AMD為客戶共同開發的Semi-Custom SoC。此後的PlayStation 5以及Xbox Series X/S同樣繼續採用AMD的定製芯片。AMD對Semi-Custom業務的定義也一直非常明確：根據客戶具體需求，將自己的CPU、GPU以及多媒體等IP組合成客戶專屬SoC。
只不過，遊戲機時代的Semi-Custom，與今天AI數據中心需要的Custom Silicon已經不可同日而語。
真正改變AMD能力邊界的，是2022年前後的兩筆重要收購。
2022年2月，AMD完成對Xilinx的收購，把FPGA、Adaptive SoC、AI Engine以及大量高速接口和可編程邏輯能力收入囊中；同年5月，AMD又以約19億美元完成對Pensando Systems的收購，獲得DPU以及網絡、安全和存儲相關的軟件棧。
再往前看，AMD又恰好是過去十年Chiplet和異構集成最積極的推動者之一。
於是今天再來看AMD，它手裏的技術積木已經完全不同：Zen CPU、Instinct GPU、Xilinx FPGA與Adaptive SoC、Pensando DPU與AI NIC、高速互連，以及Chiplet和先進封裝。
這些能力過去分別服務於服務器CPU、GPU、FPGA和網絡產品，但在ASIC時代，它們存在一種新的組合方式：AMD不一定必須賣給客戶一顆標準化EPYC或者Instinct，也可以根據客戶的工作負載，把其中一部分IP重新組合成一顆客戶專屬芯片。
AMD在2025年Financial Analyst Day上已經把Semi-Custom放到了更重要的位置，負責Adaptive and Embedded Computing業務的Salil Raje同時負責包括custom platforms在內的業務。
所以，此次Google TPU v10的市場傳言，AMD的能力無可置疑。真正值得關注的地方，並不只是AMD有沒有拿下一張Google訂單。關鍵是AMD能不能把過去十幾年積累的Semi-Custom經驗，以及這幾年通過Xilinx、Pensando和Chiplet補齊的技術能力，複製到規模大得多的數據中心AI ASIC市場？
如果答案是肯定的，AMD未來賣給雲計算巨頭的就不一定只有CPU和GPU。它還可以賣「AMD inside」的Custom Silicon。這對於AMD來說，是一個完全不同的市場。
英特爾和聯發科早已入局
AMD並不是唯一一個看到這塊市場的人。
事實上，英特爾和聯發科早已開始向AI ASIC靠攏，而且相比AMD，目前兩家的業務進展已經有了更明確的收入和項目支撐。
讓我們先來看看英特爾。2026年第二季度，Intel DCAI業務中的「Other DCAI」收入達到9.51億美元，相比去年同期增加3.04億美元；2026年上半年收入已經達到19億美元，按年增加5.33億美元。Intel在10-Q文件中明確解釋稱，這部分收入增長主要由purpose-built silicon，也就是ASIC需求增加推動。這意味着Intel的ASIC業務正在成為一項有實際收入規模的業務。
而且Intel並不是第一次替大型雲廠商開發ASIC。早在2021年，Intel就已經與Google聯合開發ASIC版本的IPU Mount Evans；今年4月，雙方又宣佈進一步擴大合作，將繼續聯合開發基於ASIC的定製IPU，用於承擔數據中心中的網絡、存儲和基礎設施處理任務。
Intel的特殊之處在於，它手裏還有Xeon CPU、Ethernet、IPU、高速接口、EMIB/Foveros先進封裝以及Intel Foundry。理論上能夠進一步把CPU、ASIC、封裝甚至製造串在一起。
另一條完全不同的路徑來自聯發科。過去消費者對聯發科最熟悉的標籤，是智能手機SoC。天璣系列幾乎定義了市場對這家公司的認知。
但從技術上看，過去二十多年手機SoC產業培養出來的，恰恰是一種非常適合Custom Silicon時代的能力：複雜SoC的系統級整合。一顆高端手機SoC，本身就是一個高度複雜的異構系統。CPU、GPU、NPU、ISP、內存控制器、基帶、無線通信和大量高速接口需要被集成在有限面積和功耗預算之內，同時還要兼顧性能、成本、良率和量產。
現在，這種能力正在被遷移到數據中心。聯發科已經公開展示包括Arm Neoverse CPU、NPU、高速互連、SerDes、內存以及先進封裝在內的數據中心ASIC技術組合，並明確把雲端AI ASIC作為新的戰略市場。
今年7月底，聯發科進一步把2026年AI數據中心芯片收入預期提高到超過20億美元，並預計首顆定製AI芯片將在今年第四季度開始量產；同時將其針對2027年AI ASIC市場的目標份額進一步提高至15%—20%。
據Reuters此前報道，聯發科還參與了Google下一代AI芯片項目，不過Google和聯發科並未公開確認具體客戶關係。
於是一個很有意思的局面出現了。Broadcom、Marvell原本是ASIC市場中最典型的選手；現在AMD拿着CPU、GPU和Chiplet進入市場，Intel帶着CPU、ASIC、封裝甚至晶圓廠進入市場，聯發科和高通等則把自己多年積累的複雜SoC整合能力從手機遷移到數據中心。再加上國內芯原、ASR、中茵微和燦芯等一系列做這個廠商。
這再次說明，定製芯片已經不再是一門小衆的芯片設計服務生意。它正在逐漸成為AI時代另一條核心產業主線。
ASIC生意變了
如果把十年前的數據中心ASIC與今天的AI芯片放在一起，最大的變化之一，就是芯片本身已經越來越難脫離系統討論。
過去設計一顆ASIC，很多時候核心問題還是計算邏輯本身。今天完全不同。一個大型AI加速器旁邊首先需要HBM。芯片之間需要Scale-up互連，機櫃之間需要Scale-out網絡；前端還需要CPU承擔調度、數據預處理和控制任務；再往外還有NIC、Switch、Retimer乃至光互連。封裝也不再只是芯片製造完成之後的最後一道工序，而越來越接近芯片架構本身的一部分。
因此，今天所謂「設計一顆AI ASIC」，實際上經常是在同時回答一系列問題：計算Die如何劃分？CPU需要放在哪裏？HBM需要多大容量和帶寬？芯片之間使用什麼互連？Scale-up網絡如何設計？NIC和Switch需要多大帶寬？採用什麼先進封裝？銅互連什麼時候走到極限？什麼時候必須開始使用光？
Google自身的TPU演進已經能夠看到這種變化。Google今年發布的第八代TPU已經拆分為面向大規模預訓練的TPU 8t和麪向推理、Reasoning及強化學習的TPU 8i，而兩套系統均配置了Arm Axion CPU。TPU 8i同時擁有288GB HBM和8601GB/s HBM帶寬。
Google把它稱為AI Hypercomputer的一部分。這個詞其實很能說明今天AI芯片產業正在發生什麼。真正需要優化的對象，正在從Chip變成System。芯片性能仍然重要，但決定整個AI集群效率的，已經是計算、內存、網絡、互連和軟件共同形成的系統效率。
這也是AMD、Intel和聯發科為什麼突然有機會進入ASIC市場的根本原因。
因為當Custom Silicon從「替客戶做一顆芯片」，演變為「根據客戶工作負載重新組合一整套計算系統」，CPU、GPU、DPU、SerDes、Chiplet、先進封裝等過去分別存在的IP，就開始擁有新的價值。
誰手裏的「技術積木」更多，誰就越有可能參與下一代定製計算平台。
但是，想搶Broadcom的生意，並沒有看上去那麼容易。
Broadcom真正的護城河：從電一直做到光
Broadcom真正可怕的地方，在於它幾乎踩中了大型AI集群內部最重要的幾條數據通路。
一端，是Custom AI Accelerator。另一端，則是一整套網絡和互連技術：交換芯片、NIC、PCIe、Retimer、SerDes，再進一步延伸到光器件、硅光和CPO。
Broadcom的高速SerDes技術已經被集成到Tomahawk交換芯片、Thor NIC、PCIe Switch和Retimer等大量產品中。
到了2026年，這套版圖還在繼續向外擴張。Broadcom目前已經量產出貨102.4Tbps的Tomahawk 6，同時擁有面向AI Scale-up、Scale-out和Scale-across的Ethernet產品組合；在光互連一側，公司覆蓋200G/lane VCSEL、EML、連續波激光器，以及CPO和NPO等技術。Tomahawk 6還已經衍生出Davisson CPO方案，將102.4Tbps交換芯片與共封裝光學結合。
這就是Broadcom真正不同的地方。它不僅參與設計XPU，同時還掌握大量決定XPU如何與外界交換數據的核心技術。一顆AI芯片計算能力提高一倍，如果芯片之間的數據無法及時傳遞，系統性能不會提高一倍；當一個集群從幾千顆芯片擴展到幾十萬甚至上百萬顆芯片時，網絡甚至可能比單顆芯片本身更重要。
過去數據中心大量依賴銅互連，但隨着單通道速率持續提高，功耗、信號完整性和傳輸距離都開始成為限制。AI集群正在一步一步把光推得更靠近計算芯片。
從可插拔光模塊，到Near-Packaged Optics，再到Co-Packaged Optics，光不斷向交換ASIC靠近；未來如果Scale-up網絡繼續擴大，光甚至有可能進一步靠近XPU本身。
Broadcom恰好同時站在這條技術遷移路徑的兩端。在「電」的一邊，它擁有SerDes、Switch、NIC、PCIe和Custom XPU。在「光」的一邊，它擁有VCSEL、EML、硅光和CPO。這使得Broadcom能夠同時觀察計算芯片、網絡和光互連三個層面的技術瓶頸，並在系統層面共同優化。
這也是為什麼Broadcom的ASIC護城河遠遠不只是「芯片設計經驗」。
對於Google這樣的客戶而言，真正有價值的是一家供應商能不能在數年時間裏完成架構協同、物理設計、SerDes、封裝、驗證、量產爬坡和網絡配套，並最終把數百萬顆芯片穩定部署進數據中心。這種能力無法通過購買幾個IP或者組建一支ASIC團隊在兩三年內複製。
今年4月，Broadcom與Google進一步簽訂長期協議，繼續開發並供應Google未來幾代TPU，同時為Google下一代AI機架供應網絡及其他相關組件，協議期限最長延續到2031年。
這件事情本身也說明：AMD、聯發科等公司的進入，目前更適合理解成Google乃至整個Hyperscaler定製硅生態的擴大，而不是Broadcom被替代。
至少現在，還遠沒有到那一步。
寫在最後
AI芯片產業的下一階段，或許不會簡單屬於GPU，也不會簡單屬於ASIC。它更可能屬於那些能夠跨越芯片、封裝、網絡和系統邊界的公司。而這也正是為什麼，Broadcom做了幾十年的那門生意，如今突然變成了所有人都想搶的生意。
隨着半導體產業鏈分工的進一步精細化，芯片巨頭之間的較量已從單打獨鬥的通用硬件對抗，演變為生態整合、核心IP積累與定製交付能力的全方位競逐。