2026年"芯片战争":共115万片晶圆,苹果、联发科参战
所以，台积电CoWoS的产能增幅，不能单纯定义为AI芯片出货量的增加，也要考虑CoWoS硅中介层面积不断放大的增量。
从CoWoS到SoW，光罩面积及中介层变化，来源：台积电
前面表1有提到，硅中介层面积越来越大的变化趋势，是AI芯片明确的技术路线，目前中介层面积是光罩面积的3.3x，2026年的Rubin将提升到是4~5.5x，而2027年4-die合封的Rubin Ultra将达到9~9.5x。
因此，以CoWoS的产能（消耗面积）增、减幅度来计算企业营收增、减幅度更为准确。
所以，这场AI芯片战争的主导因素，除了要看谁消耗了更多的CoWoS产能，也要看谁贡献了更多的算力，以及谁创造了更多的营收和利润。
算力维度的比较非常直观，一颗英伟达B300的FP8算力达10PFLOPS，而一颗定制推理ASIC的算力可能仅为其几分之一，即便是最强的TPU v7p也只有英伟达B300的一半，这没有将今年要推出的Rubin考虑在内。
就在2026年1月6日开幕的CES上，老黄说Rubin的性能比Blackwell在推理提升5倍，训练提升了3.5倍，言外之意是GPU与ASIC的性能差距并没有缩小。
从算力维度可以得出结论——即使CoWoS切出来的芯片颗数接近，GPGPU阵营的总算力很可能仍大幅领先，这是GPU通用架构的“蛮力”优势——来自CoWoS消耗面积（晶体管）的多寡。
价值维度的比较则更为残酷，英伟达单颗GPU售价高达3万美元以上，未来会提升到4-5万美元。云巨头自研ASIC芯片的“成本”即便与GPU接近，“内部结算价”肯定卖不到GPGPU的市场价格。
以Anthropic向博通采购210亿美元的100万颗TPU为例，扣除服务器等诸多配置，单颗对外售价在1.5万美元以下，不到英伟达Blackwell系列的一半。
结合算力和价值两个点，可以更明确的得出结论——AI芯片是多维度的比拼，不单单比摩尔定律、比芯片工艺制程，还要比谁的面积更大，能放进更多晶体管，最终表现在性能上的差别，也决定了价格。
英伟达用60%的CoWoS产能，创造整个AI加速芯片市场70%以上的收入和90%以上的利润，这才是文章开头黄仁勋“6个季度，5000亿美元”的底气。
04 ASIC的本质：优化财务报表
英伟达的优势，CUDA就不必说了，经常被忽略掉的是搭配的NVLink、NVSwitch所构成的系统级优势，用户买的不是芯片，而是一整套最强的“交钥匙”解决方案。
作为对比，ASIC芯片优势在于，云厂这类超大规模用户，当其软件栈完全自控且工作负载高度特化且稳定（如搜索推荐、广告排名、语音识别推理），自研能带来极致的总拥有成本（TCO）优化。
可以这样说：AISC要讲的故事——专用化换取“去英伟达化”，最终优化财务报表。所以，能不能用ASIC的关键只有一点，规模（量）够不够大，没有其他。
首先，自研ASIC的资金、人力投入巨大；其次，便宜的TPU可不是买来就直接能用的，像Anthropic向博通采购210亿美元直接采购谷歌TPU的方案，背后也需要配置一支极为强大的底层系统工程师团队，并不断进行深度迁移及适配。
所以，仅仅开支这一项，也决定了ASIC只有超大型云厂、超大规模企业才会使用，但即便是购买现成ASIC芯片，也就能拓展到Anthropic这体量的大模型企业，很难再往下了。
再者，目前头部AI集群的功耗已从几十千瓦迈向兆瓦级，未来芯片功耗将飙升至数千瓦，普通客户无法承受这种规模。而且，在风冷已到极限，液冷（包括冷板、浸没式）成为标配的背景下，数据中心的物理设计和最大集群规模，都是必须综合考量的因素。
[物价飞涨的时候 这样省钱购物很爽]
好新闻没人评论怎么行，我来说几句
从CoWoS到SoW，光罩面积及中介层变化，来源：台积电
前面表1有提到，硅中介层面积越来越大的变化趋势，是AI芯片明确的技术路线，目前中介层面积是光罩面积的3.3x，2026年的Rubin将提升到是4~5.5x，而2027年4-die合封的Rubin Ultra将达到9~9.5x。
因此，以CoWoS的产能（消耗面积）增、减幅度来计算企业营收增、减幅度更为准确。
所以，这场AI芯片战争的主导因素，除了要看谁消耗了更多的CoWoS产能，也要看谁贡献了更多的算力，以及谁创造了更多的营收和利润。
算力维度的比较非常直观，一颗英伟达B300的FP8算力达10PFLOPS，而一颗定制推理ASIC的算力可能仅为其几分之一，即便是最强的TPU v7p也只有英伟达B300的一半，这没有将今年要推出的Rubin考虑在内。
就在2026年1月6日开幕的CES上，老黄说Rubin的性能比Blackwell在推理提升5倍，训练提升了3.5倍，言外之意是GPU与ASIC的性能差距并没有缩小。
从算力维度可以得出结论——即使CoWoS切出来的芯片颗数接近，GPGPU阵营的总算力很可能仍大幅领先，这是GPU通用架构的“蛮力”优势——来自CoWoS消耗面积（晶体管）的多寡。
价值维度的比较则更为残酷，英伟达单颗GPU售价高达3万美元以上，未来会提升到4-5万美元。云巨头自研ASIC芯片的“成本”即便与GPU接近，“内部结算价”肯定卖不到GPGPU的市场价格。
以Anthropic向博通采购210亿美元的100万颗TPU为例，扣除服务器等诸多配置，单颗对外售价在1.5万美元以下，不到英伟达Blackwell系列的一半。
结合算力和价值两个点，可以更明确的得出结论——AI芯片是多维度的比拼，不单单比摩尔定律、比芯片工艺制程，还要比谁的面积更大，能放进更多晶体管，最终表现在性能上的差别，也决定了价格。
英伟达用60%的CoWoS产能，创造整个AI加速芯片市场70%以上的收入和90%以上的利润，这才是文章开头黄仁勋“6个季度，5000亿美元”的底气。
04 ASIC的本质：优化财务报表
英伟达的优势，CUDA就不必说了，经常被忽略掉的是搭配的NVLink、NVSwitch所构成的系统级优势，用户买的不是芯片，而是一整套最强的“交钥匙”解决方案。
作为对比，ASIC芯片优势在于，云厂这类超大规模用户，当其软件栈完全自控且工作负载高度特化且稳定（如搜索推荐、广告排名、语音识别推理），自研能带来极致的总拥有成本（TCO）优化。
可以这样说：AISC要讲的故事——专用化换取“去英伟达化”，最终优化财务报表。所以，能不能用ASIC的关键只有一点，规模（量）够不够大，没有其他。
首先，自研ASIC的资金、人力投入巨大；其次，便宜的TPU可不是买来就直接能用的，像Anthropic向博通采购210亿美元直接采购谷歌TPU的方案，背后也需要配置一支极为强大的底层系统工程师团队，并不断进行深度迁移及适配。
所以，仅仅开支这一项，也决定了ASIC只有超大型云厂、超大规模企业才会使用，但即便是购买现成ASIC芯片，也就能拓展到Anthropic这体量的大模型企业，很难再往下了。
再者，目前头部AI集群的功耗已从几十千瓦迈向兆瓦级，未来芯片功耗将飙升至数千瓦，普通客户无法承受这种规模。而且，在风冷已到极限，液冷（包括冷板、浸没式）成为标配的背景下，数据中心的物理设计和最大集群规模，都是必须综合考量的因素。
[物价飞涨的时候 这样省钱购物很爽]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: