有越來越多的互聯網和IT設備大廠開始自研AI服務器芯片，最近，這一風潮吹到了蘋果公司，據悉，該智能設備龍頭正在開發用于AI服務器的定制芯片。

　　與微軟和谷歌等競爭對手相比，蘋果在推出生成式AI方面進展較慢，不過，蘋果公司CEO庫克稱，AI已經在蘋果產品的幕后發揮作用，此前有媒體報道，蘋果計劃使用AI來提高搜索存儲在蘋果設備上的數據的能力。

　　今年2月，庫克在年度股東大會上表示，使用蘋果AI技術的功能包括Vision Pro的手部跟蹤工具和Apple Watch的心率警報。他還表示，MacBook中的芯片能夠運行AI。

　　庫克表示，今年晚些時候，將與大家分享如何在生成式AI領域開辟新天地。蘋果公司通常在6月份的年度開發者大會上宣布新的軟件產品和功能。

　　知名分析師郭明錤在2023年10月發布的一份報告顯示，預計蘋果在2023和2024年分別采購2000–3000臺、1.8萬–2萬臺AI服務器，分別占同期全球AI服務器出貨量的1.3%和5%。估算蘋果在2023和2024年需要分別支出約6.2億和47.5億美元，用于AI服務器采購。

　　基于蘋果產品的功能需求，以及龐大的AI服務器資本支出，再結合該公司自研芯片的歷史，相信其自研AI服務器芯片是早晚的事，特別是蘋果放棄造車，將資金和資源重點投入到AI技術和產品研發上，自研AI服務器芯片就更加順理成章了。

　　01

　　AI服務器芯片的重要性

　　據統計，2024年，全球服務器出貨量約1365.4萬臺，其中，各家ODM的出貨以AI服務器最為強勁。分析師指出，2024年，AI服務器出貨年增長率和占比都將達到兩位數，這主要得益于生成式AI市場的增長。

　　預計生成式AI市場規模將從2022年的400億美元增長到2032年的1.3萬億美元，年復合增長率高達41.7%。由于全球生成式AI市場商機與增長潛力巨大，對訓練AI系統的軟硬件需求量很大，使得市場對AI 服務器及相關芯片的需求不斷增長。

　　AI大模型迭代速度越來越快，廠商對智能算力的投入大幅增加，支持存儲和訓練的高端AI服務器的需求激增，2023和2024年，大模型訓練所需數據量激增，AI大模型廠商需要的是能夠支持存儲和訓練的高端AI服務器，因此，各服務器廠商都在升級芯片規格、擴大卡組數量。

　　與傳統服務器相比，AI服務器在多個方面有所不同。硬件方面，AI服務器采用異構形式，內存容量更大，可滿足不同場景需求;卡的數量方面，由于AI服務器需要大量計算，至少配置4個GPU卡，有的需要8個;系統結構方面，AI服務器在散熱、拓撲等方面進行了專門設計，以實現穩定運行。

　　02

　　自研AI服務器芯片熱潮

　　根據應用場景不同，AI服務器可分為深度學習訓練型和智能應用推理型;根據計算模塊結構不同，AI服務器可分為CPU+GPU、CPU+ASIC、CPU+FPGA等，其中，最常見的是CPU+多塊GPU組合模式。

　　雖然AI服務器計算系統主要由CPU和GPU組成，但就目前而言，GPU占據了較大市場份額，CPU份額相對較小。在這種情況下，GPU廠商的行業地位就很凸出了。然而，雖然市場很大，但能夠提供高性能GPU的廠商卻很少，目前，能夠形成一定市場規模的廠商只有3家：英偉達，AMD和英特爾。

　　基于這種市場供求關系，對AI服務器具有很大需求量的互聯網和IT設備大廠紛紛開始自研相關芯片，如亞馬遜AWS，谷歌，Meta，微軟和蘋果。

　　亞馬遜AWS自研芯片始于2015年，當時收購了Annapurna Labs，2018年，AWS推出了基于Arm架構的Graviton處理器，這是其*自研服務器芯片。2020年，AWS發布了Graviton2。2023年12月，AWS推出了Graviton4和Trainium2，Graviton4的性能比Graviton2提升了30%，Trainium2在AI訓練速度上提升了4倍。

　　2016年，谷歌推出了自研的AI張量處理單元(TPU)，這些專為機器學習設計的芯片為谷歌云平臺上提供了AI加速能力，2022年前后，谷歌開始研發基于Arm架構的服務器CPU，2024年4月，谷歌發布了*自研Arm構架CPU——Axion，并宣布該芯片已經在內部使用。

　　2020年，微軟開始為其Azure云服務定制芯片，2023年11月，微軟推出了兩款自研芯片——Maia100和Cobalt100。Maia100是一款專為大語言模型訓練和推理而設計的芯片，采用臺積電5nm制程，Cobalt100是一款基于Arm架構的128核服務器CPU。

　　今年4月初，Meta發布了新一代AI訓練和推理加速器MTIA，其計算和內存帶寬是上一代產品的兩倍多，最新版本芯片有助于驅動Facebook和Instagram上的排名和推薦廣告模型。

　　03

　　自研AI芯片的好處

　　互聯網和IT設備大廠自研AI芯片的核心動機是降低成本。當然，自研芯片的前提是自身有很大的需求量，否則自研沒有意義。這些大廠的巨量規模能夠分攤芯片研發成本，隨著產量的增加，單位芯片的成本會降低。通過自研，這些大廠可以直接控制芯片的設計和生產成本，從而減少對外部供應商的依賴。這種成本控制能力使它們能夠更有效地管理運營支出，提高整體利潤率。自研芯片還可以優化供應鏈管理，減少中間環節，從而降低采購成本和物流成本。此外，自研芯片可以根據云服務的具體需求進行定制，避免不必要的功能和性能過剩，進一步降低生產成本。

　　通過自研芯片，這些大廠能夠掌握更多的議價權和定價權，避免成為英特爾、英偉達等傳統芯片商的“打工仔”。這不僅有助于提升利潤空間，還能夠在價格競爭中保持靈活性，根據市場情況調整定價策略。

　　自研芯片還可以幫助這些大廠完善軟硬件生態系統，它們能夠根據自家的業務需求和特點定制芯片，從而實現硬件與軟件之間的無縫對接和優化。自研芯片還可以保持技術創新，隨著云計算、大數據、人工智能的快速發展，數據中心面臨的工作負載越來越多樣化，自研芯片使這些大廠能夠快速響應市場變化，及時推出符合新需求的產品和服務。

　　04

　　自研AI服務器芯片的難度有多大？

　　AI服務器芯片屬于超大規模集成電路，除了需要大量資金投入，其設計和制造的難度都很大，需要能夠精準把握技術路線選擇，另外，在團隊建設，以及與晶圓代工廠合作方面，需要具備業界*水平，才能把芯片做好。

　　AI服務器需要訓練和推理兩類處理器和系統，如何規劃技術發展路線是關鍵，也就是說，是發展訓練，還是推理，或是兼而有之，是不同的技術路線，這要考慮到市場現狀及未來的發展情況。

　　訓練芯片主要用于AI算法訓練，即在云端將一系列經過標記的數據輸入算法模型進行計算，不斷調整、優化算法參數，直至算法識別準確率達到較高水平。推理芯片主要用于AI算法推理，將在云端訓練好的算法模型進行裁剪、優化變“輕”之后，進入應用階段，輸入數據直接得出識別結果。

　　不同用途(訓練和推理)、不同應用場景(端-邊-云)對AI芯片有著不同的要求。訓練芯片追求的是高性能(高吞吐率)、低功耗，推理芯片追求的是低延時(完成推理過程所需要的時間盡可能短)、低功耗。“端-邊-云”這3個環節對AI芯片的要求也不同，在端和邊上進行的大部分是AI推理，大部分的訓練是在云和數據中心進行的，訓練過程對時延沒有什么要求，需要保證AI芯片在盡可能保證較高算力的情況下，功耗盡量低。

　　目前，英偉達GPU主導的AI訓練市場最為火熱，然而，隨著AI應用的深入展開，巨大的推理芯片市場會逐漸展現出來，該市場比我們目前看到的要大得多，沒有任何一家廠商的芯片能夠滿足這個市場需求。這就是前文提到的亞馬遜、谷歌、微軟，甚至英偉達自研CPU的原因所在。

　　有統計顯示，AI芯片市場包括約15%的訓練，45%的數據中心推理和40%的邊緣推理。在這樣的行業背景下，大廠自研芯片，必須找準方向，權衡好中短期和中長期應用需求，分配好訓練芯片和推理芯片的研發投入。

　　芯片研發團隊建設也很重要。

　　技術團隊搭建，是一個長期積累的過程，需要時間，難度不小，因此，多家互聯網大廠對芯片設計外包服務的依賴度較高，這恐怕只能解決短期、少量需求問題，長期來看，還需要技術積累和芯片團隊建設。

　　下面看一下自研芯片大廠與晶圓代工廠的合作關系。

　　AI服務器芯片采用的都是*進制程工藝，這方面，考慮到三星電子的先進制程(4nm和3nm)良率遲遲提升不上去，臺積電幾乎是*的晶圓代工廠選擇。

　　根據專門研究半導體公司的金融分析師Dan Nystedt的估計，2023年，蘋果公司占臺積電收入的25%(175.2億美元)。

　　2023年，臺積電的前10名客戶占其收入的91%，高于2022年的82%，這些公司包括聯發科、AMD、高通、博通、索尼和Marvell�？梢钥闯�，沒有一家互聯網大廠，除了蘋果，都是IC設計大廠。

　　多年來，蘋果一直是臺積電的頭號客戶，而且，在未來多年內將一直是臺積電的*大客戶。據悉，蘋果自研的AI服務器芯片將采用臺積電的3nm制程工藝，將在2025下半年生產，那時，臺積電的3nm制程將升級到“N3E”版本。

　　對于互聯網和IT設備大廠來說，自研的AI服務器芯片，必須找到足夠好的晶圓代工廠生產，要想保持長期、穩定發展，就必須對晶圓代工廠的制程工藝有足夠的了解。這方面，與谷歌、亞馬遜和微軟相比，蘋果具有先天優勢，因為該智能設備巨頭是臺積電多年的*大客戶，雙方有深入了解，能夠更好地把握好芯片生產規模、良率、成本，可以實現無縫過渡。

　　05

　　芯片設計服務商機無限

　　如前文所述，互聯網大廠自研AI服務器芯片，由于研發難度很大，這些大廠短時間內又難以形成有足夠技術和經驗積累的團隊，因此，選擇外包，找芯片設計服務合作伙伴就成為了不二選擇。

　　例如，谷歌開發的兩種Arm服務器CPU，其中一款代號為“Maple”，是基于Marvell的技術。

　　另外，谷歌自研的TPU用于取代英偉達的GPU，谷歌設計的芯片藍圖，都由博通進行物理實現。物理實現是將邏輯電路轉換為有物理連接的電路圖的過程，博通繪制好物理版圖后，再送到臺積電流片，流片成功后的芯片正式進入制造環節，整個過程都需要博通深度參與。

　　數據中心中成百上千個高性能處理器共同運作，它們之間的通信就成為了大問題，這也是當下數據中心性能損耗的主要來源。

　　博通是通信巨頭，最善于解決通信帶寬問題，在全球50GB/s的SerDes市場中，博通占據了76%的份額，其SerDes接口通過將低速并行數據轉換為高速串行數據，然后在接收端轉換回并行數據。通過這樣的操作，數據可以從一個TPU高速轉移到另一個TPU，大大提升了傳輸效率。

　　有了博通的幫助，谷歌自研芯片的項目進展速度明顯加快了，TPU從設計開始，僅用15個月就部署進了數據中心。

　　隨著大模型市場競爭快速展開，谷歌大幅增加了TPU設計服務訂單，使博通一躍成為僅次于英偉達的AI芯片廠商，Semianalysis預估，AI芯片會在2024年給博通帶來80億~90億美金的營收。

　　不止谷歌，Meta、亞馬遜、微軟等大廠都在加大自研AI服務器芯片的投入力度，找芯片設計服務外包合作伙伴的需求只增不減，此時，以博通、Marvell為代表的芯片設計服務公司的商機會越來越多。