近日，据SemiAnalysis援引市场传言称，Google正在与AMD合作开发第十代TPU相关项目。
如果最终落地，这不仅可能成为AMD真正意义上进入大型数据中心AI ASIC市场的重要一步，也再次折射出一个越来越明显的产业趋势：定制芯片正在成为AI时代新的必争之地。
事实上，不仅是AMD，包括英特尔、联发科在内的多家芯片大厂，近年来都在跨界向“定制芯片（Custom Silicon）”赛道加速靠拢。
这原本是Broadcom和Marvell最擅长的生意。
过去十多年，它们已经验证了一套成熟而极具吸引力的商业模式：Google、Amazon等云计算巨头可以掌握自己的工作负载、芯片架构乃至部分核心IP，却不必为此独自搭建一支覆盖物理设计、高速接口、先进封装、验证、量产乃至供应链管理的完整芯片团队。通过与ASIC厂商合作，这些云厂商可以把针对自身业务定义的芯片架构，真正变成能够大规模量产并稳定运行在数据中心里的产品。
此前，这还是一门相对低调的生意。但AI的爆发彻底改变了它的规模和重要性。以 Broadcom为例，其 2026 财年第二季度来自AI半导体的收入高达108亿美元，同比暴增143%，增长动力正来源于定制AI加速器与AI网络芯片。
面对这块百亿级的蛋糕，一场围绕定制芯片的巨头角力才刚刚开始。
ASIC开始成为AI巨头的“必选项”
过去几年，随着大模型训练需求爆发，GPU几乎成为AI算力的代名词。
整个行业最受关注的问题，也一直是：谁能挑战NVIDIA？
但在GPU之外，另一个规模越来越庞大的市场，其实已经悄然成形。Google TPU、AWS Trainium、Meta MTIA，以及越来越多由Hyperscaler自主定义的AI芯片都在说明一件事：当AI基础设施的规模足够大之后，定制计算几乎会成为一种必然选择。
对于Google、Amazon、Meta、Microsoft这样的超大规模云厂商而言，它们运行的是规模巨大而且长期稳定的AI工作负载。一旦某种计算任务达到足够大的规模，就有动力针对它设计专门的硬件，把不需要的部分删掉，把晶体管、内存带宽和互连资源集中到真正影响性能的地方。
这也是为什么Broadcom几十年来积累的ASIC能力，突然变成了整个半导体行业最令人羡慕的资产之一。
过去，ASIC最大的问题之一，是“贵”。从架构定义、RTL设计，到物理实现、验证、流片和量产，一颗先进ASIC往往需要投入巨额研发费用。如果一年只需要几万颗芯片，为某一种特定工作负载重新设计一颗芯片，很难证明经济性。
但当AI基础设施的投资规模从几十亿美元迅速走向数百亿美元，芯片需求从几万颗上升到几十万、几百万颗之后，整个经济模型就变了。如果一年只需要几万颗芯片，为一个工作负载重新设计ASIC显然很难划算；但如果未来需要的是几十万、几百万甚至更多芯片，那么一次性的开发费用便可以被巨大的出货量摊薄。
这也是为什么今天几乎所有大型云厂商都在强化自己的定制芯片战略。
未来AI算力市场更可能不是“GPU还是ASIC”的二选一，而是逐渐走向分工：需要通用性和快速迭代的任务继续依赖GPU；规模足够大的成熟工作负载，则越来越多地交给定制ASIC。而随着后者的规模不断扩大，围绕Custom Silicon展开的竞争，也才刚刚开始。
AMD：从游戏机芯片一路走到AI ASIC
在最新的Google TPU传闻出现之前，很多人并不会把AMD和ASIC联系到一起。
但其实，AMD已经做了十多年的Semi-Custom。
2013年推出的Sony PlayStation 4和Microsoft Xbox One，都采用了AMD为客户共同开发的Semi-Custom SoC。此后的PlayStation 5以及Xbox Series X/S同样继续采用AMD的定制芯片。AMD对Semi-Custom业务的定义也一直非常明确：根据客户具体需求，将自己的CPU、GPU以及多媒体等IP组合成客户专属SoC。
只不过，游戏机时代的Semi-Custom，与今天AI数据中心需要的Custom Silicon已经不可同日而语。
真正改变AMD能力边界的，是2022年前后的两笔重要收购。
2022年2月，AMD完成对Xilinx的收购，把FPGA、Adaptive SoC、AI Engine以及大量高速接口和可编程逻辑能力收入囊中；同年5月，AMD又以约19亿美元完成对Pensando Systems的收购，获得DPU以及网络、安全和存储相关的软件栈。
再往前看，AMD又恰好是过去十年Chiplet和异构集成最积极的推动者之一。
于是今天再来看AMD，它手里的技术积木已经完全不同：Zen CPU、Instinct GPU、Xilinx FPGA与Adaptive SoC、Pensando DPU与AI NIC、高速互连，以及Chiplet和先进封装。
这些能力过去分别服务于服务器CPU、GPU、FPGA和网络产品，但在ASIC时代，它们存在一种新的组合方式：AMD不一定必须卖给客户一颗标准化EPYC或者Instinct，也可以根据客户的工作负载，把其中一部分IP重新组合成一颗客户专属芯片。
AMD在2025年Financial Analyst Day上已经把Semi-Custom放到了更重要的位置，负责Adaptive and Embedded Computing业务的Salil Raje同时负责包括custom platforms在内的业务。
所以，此次Google TPU v10的市场传言，AMD的能力无可置疑。真正值得关注的地方，并不只是AMD有没有拿下一张Google订单。关键是AMD能不能把过去十几年积累的Semi-Custom经验，以及这几年通过Xilinx、Pensando和Chiplet补齐的技术能力，复制到规模大得多的数据中心AI ASIC市场？
如果答案是肯定的，AMD未来卖给云计算巨头的就不一定只有CPU和GPU。它还可以卖“AMD inside”的Custom Silicon。这对于AMD来说，是一个完全不同的市场。
英特尔和联发科早已入局
AMD并不是唯一一个看到这块市场的人。
事实上，英特尔和联发科早已开始向AI ASIC靠拢，而且相比AMD，目前两家的业务进展已经有了更明确的收入和项目支撑。
让我们先来看看英特尔。2026年第二季度，Intel DCAI业务中的“Other DCAI”收入达到9.51亿美元，相比去年同期增加3.04亿美元；2026年上半年收入已经达到19亿美元，同比增加5.33亿美元。Intel在10-Q文件中明确解释称，这部分收入增长主要由purpose-built silicon，也就是ASIC需求增加推动。这意味着Intel的ASIC业务正在成为一项有实际收入规模的业务。
而且Intel并不是第一次替大型云厂商开发ASIC。早在2021年，Intel就已经与Google联合开发ASIC版本的IPU Mount Evans；今年4月，双方又宣布进一步扩大合作，将继续联合开发基于ASIC的定制IPU，用于承担数据中心中的网络、存储和基础设施处理任务。
Intel的特殊之处在于，它手里还有Xeon CPU、Ethernet、IPU、高速接口、EMIB/Foveros先进封装以及Intel Foundry。理论上能够进一步把CPU、ASIC、封装甚至制造串在一起。
另一条完全不同的路径来自联发科。过去消费者对联发科最熟悉的标签，是智能手机SoC。天玑系列几乎定义了市场对这家公司的认知。
但从技术上看，过去二十多年手机SoC产业培养出来的，恰恰是一种非常适合Custom Silicon时代的能力：复杂SoC的系统级整合。一颗高端手机SoC，本身就是一个高度复杂的异构系统。CPU、GPU、NPU、ISP、内存控制器、基带、无线通信和大量高速接口需要被集成在有限面积和功耗预算之内，同时还要兼顾性能、成本、良率和量产。
现在，这种能力正在被迁移到数据中心。联发科已经公开展示包括Arm Neoverse CPU、NPU、高速互连、SerDes、内存以及先进封装在内的数据中心ASIC技术组合，并明确把云端AI ASIC作为新的战略市场。
今年7月底，联发科进一步把2026年AI数据中心芯片收入预期提高到超过20亿美元，并预计首颗定制AI芯片将在今年第四季度开始量产；同时将其针对2027年AI ASIC市场的目标份额进一步提高至15%—20%。
据Reuters此前报道，联发科还参与了Google下一代AI芯片项目，不过Google和联发科并未公开确认具体客户关系。
于是一个很有意思的局面出现了。Broadcom、Marvell原本是ASIC市场中最典型的选手；现在AMD拿着CPU、GPU和Chiplet进入市场，Intel带着CPU、ASIC、封装甚至晶圆厂进入市场，联发科和高通等则把自己多年积累的复杂SoC整合能力从手机迁移到数据中心。再加上国内芯原、ASR、中茵微和灿芯等一系列做这个厂商。
这再次说明，定制芯片已经不再是一门小众的芯片设计服务生意。它正在逐渐成为AI时代另一条核心产业主线。
ASIC生意变了
如果把十年前的数据中心ASIC与今天的AI芯片放在一起，最大的变化之一，就是芯片本身已经越来越难脱离系统讨论。
过去设计一颗ASIC，很多时候核心问题还是计算逻辑本身。今天完全不同。一个大型AI加速器旁边首先需要HBM。芯片之间需要Scale-up互连，机柜之间需要Scale-out网络；前端还需要CPU承担调度、数据预处理和控制任务；再往外还有NIC、Switch、Retimer乃至光互连。封装也不再只是芯片制造完成之后的最后一道工序，而越来越接近芯片架构本身的一部分。
因此，今天所谓“设计一颗AI ASIC”，实际上经常是在同时回答一系列问题：计算Die如何划分？CPU需要放在哪里？HBM需要多大容量和带宽？芯片之间使用什么互连？Scale-up网络如何设计？NIC和Switch需要多大带宽？采用什么先进封装？铜互连什么时候走到极限？什么时候必须开始使用光？
Google自身的TPU演进已经能够看到这种变化。Google今年发布的第八代TPU已经拆分为面向大规模预训练的TPU 8t和面向推理、Reasoning及强化学习的TPU 8i，而两套系统均配置了Arm Axion CPU。TPU 8i同时拥有288GB HBM和8601GB/s HBM带宽。
Google把它称为AI Hypercomputer的一部分。这个词其实很能说明今天AI芯片产业正在发生什么。真正需要优化的对象，正在从Chip变成System。芯片性能仍然重要，但决定整个AI集群效率的，已经是计算、内存、网络、互连和软件共同形成的系统效率。
这也是AMD、Intel和联发科为什么突然有机会进入ASIC市场的根本原因。
因为当Custom Silicon从“替客户做一颗芯片”，演变为“根据客户工作负载重新组合一整套计算系统”，CPU、GPU、DPU、SerDes、Chiplet、先进封装等过去分别存在的IP，就开始拥有新的价值。
谁手里的“技术积木”更多，谁就越有可能参与下一代定制计算平台。
但是，想抢Broadcom的生意，并没有看上去那么容易。
Broadcom真正的护城河：从电一直做到光
Broadcom真正可怕的地方，在于它几乎踩中了大型AI集群内部最重要的几条数据通路。
一端，是Custom AI Accelerator。另一端，则是一整套网络和互连技术：交换芯片、NIC、PCIe、Retimer、SerDes，再进一步延伸到光器件、硅光和CPO。
Broadcom的高速SerDes技术已经被集成到Tomahawk交换芯片、Thor NIC、PCIe Switch和Retimer等大量产品中。
到了2026年，这套版图还在继续向外扩张。Broadcom目前已经量产出货102.4Tbps的Tomahawk 6，同时拥有面向AI Scale-up、Scale-out和Scale-across的Ethernet产品组合；在光互连一侧，公司覆盖200G/lane VCSEL、EML、连续波激光器，以及CPO和NPO等技术。Tomahawk 6还已经衍生出Davisson CPO方案，将102.4Tbps交换芯片与共封装光学结合。
这就是Broadcom真正不同的地方。它不仅参与设计XPU，同时还掌握大量决定XPU如何与外界交换数据的核心技术。一颗AI芯片计算能力提高一倍，如果芯片之间的数据无法及时传递，系统性能不会提高一倍；当一个集群从几千颗芯片扩展到几十万甚至上百万颗芯片时，网络甚至可能比单颗芯片本身更重要。
过去数据中心大量依赖铜互连，但随着单通道速率持续提高，功耗、信号完整性和传输距离都开始成为限制。AI集群正在一步一步把光推得更靠近计算芯片。
从可插拔光模块，到Near-Packaged Optics，再到Co-Packaged Optics，光不断向交换ASIC靠近；未来如果Scale-up网络继续扩大，光甚至有可能进一步靠近XPU本身。
Broadcom恰好同时站在这条技术迁移路径的两端。在“电”的一边，它拥有SerDes、Switch、NIC、PCIe和Custom XPU。在“光”的一边，它拥有VCSEL、EML、硅光和CPO。这使得Broadcom能够同时观察计算芯片、网络和光互连三个层面的技术瓶颈，并在系统层面共同优化。
这也是为什么Broadcom的ASIC护城河远远不只是“芯片设计经验”。
对于Google这样的客户而言，真正有价值的是一家供应商能不能在数年时间里完成架构协同、物理设计、SerDes、封装、验证、量产爬坡和网络配套，并最终把数百万颗芯片稳定部署进数据中心。这种能力无法通过购买几个IP或者组建一支ASIC团队在两三年内复制。
今年4月，Broadcom与Google进一步签订长期协议，继续开发并供应Google未来几代TPU，同时为Google下一代AI机架供应网络及其他相关组件，协议期限最长延续到2031年。
这件事情本身也说明：AMD、联发科等公司的进入，目前更适合理解成Google乃至整个Hyperscaler定制硅生态的扩大，而不是Broadcom被替代。
至少现在，还远没有到那一步。
写在最后
AI芯片产业的下一阶段，或许不会简单属于GPU，也不会简单属于ASIC。它更可能属于那些能够跨越芯片、封装、网络和系统边界的公司。而这也正是为什么，Broadcom做了几十年的那门生意，如今突然变成了所有人都想抢的生意。
随着半导体产业链分工的进一步精细化，芯片巨头之间的较量已从单打独斗的通用硬件对抗，演变为生态整合、核心IP积累与定制交付能力的全方位竞逐。