围绕神经网络训练、推理或特定算子设计专用计算架构，通过矩阵/张量核心、片上存储和编译器栈提升能效，是GPU之外最重要的AI加速路线。
AI ASIC与NPU行业，是指面向人工智能训练、推理或边端侧智能处理，采用专用数据流、矩阵/张量计算单元、片上存储、低精度算术和编译器调度的专用集成电路及其软件栈产业。产品包括云端AI ASIC、训练加速器、推理加速器、NPU IP、端侧NPU、车载NPU、AI加速卡、AI SoC和配套编译器、运行时、算子库及开发工具。主要采购与使用者包括云服务商、AI模型公司、服务器厂商、智能终端、汽车电子、工业视觉、安防和机器人厂商。其边界在于：数据中心GPU提供更通用的并行计算生态；边缘AI芯片强调端侧功耗和嵌入式部署；定制ASIC是项目交付方式而非特定AI加速产品类别。
云端训练和推理AI ASIC、NPU芯片与IP、AI加速卡、车载与终端NPU、数据流加速器、AI SoC、编译器、运行时、算子库、模型量化工具、软件开发套件和面向模型迁移的适配服务。
云服务商、AI模型公司、服务器和AI系统厂商、智能手机和PC平台商、智能汽车、安防视觉、工业机器人、边缘网关、AIoT设备厂商，以及负责模型部署和算子优化的工程团队。
全球AI ASIC和NPU呈现云端自研、商业加速器和终端NPU多路线并行。Google TPU、AWS Trainium、Microsoft Maia等依托内部云服务和模型负载优化经济性，Intel Gaudi、Cerebras、Groq等提供替代加速方案。专用芯片价值取决于模型适配、编译器、互连、内存和云服务集成。
中国AI ASIC与NPU受国产算力、智能驾驶、安防视觉和端侧AI拉动。华为昇腾、寒武纪、昆仑芯、燧原、地平线、黑芝麻等在云端、车端和边缘场景推进。主要约束是先进工艺、HBM、编译器生态、算子覆盖和大规模客户验证；从单卡可用到集群稳定仍是关键跃迁。
云端大模型和端侧生成式AI同时拉动专用AI芯片需求，但训练、推理、车载和终端场景的架构差异加大，行业由统一算力竞争转向场景化能效和软件生态竞争。
核心瓶颈是编译器、算子覆盖、模型迁移、片上/片外内存设计和客户真实负载验证。专用硬件若无法快速支持新模型结构，性能优势会被迁移成本抵消。
风险来自模型算法变化、客户自研替代、软件生态不成熟、先进制程与封装受限，以及云厂商内部芯片不对外开放导致商业市场空间受限。
查看该子行业的产业控制力结构、关键节点与最新变化。
围绕内部模型和服务优化可形成成本优势
软件栈决定新模型迁移速度和有效性能
片上缓存、HBM和带宽影响LLM与多模态效率
真实训练、推理和车规验证决定商用可靠性
与PyTorch、ONNX和主流框架兼容降低导入门槛
TPU、Trainium、Maia等加速器在内部云服务中分担训练和推理成本。
LLM推理对低精度、KV缓存、内存带宽和批处理优化提出专用设计需求。
手机、PC和XR平台把NPU作为本地多模态和隐私计算的基础单元。
国产NPU加速卡在智算中心和行业云中推进集群验证和模型迁移。
智能驾驶和座舱多模态推动高算力、低功耗和车规安全设计。
CANN、MagicMind等工具链能否覆盖主流模型决定商用落地速度。
MoE、多模态和长上下文会改变算子、内存和互连需求。
自动图优化、算子融合和调度能力决定理论性能兑现率。
FP8、INT4和混合精度支持影响推理效率和模型质量。
模型、框架和数据流迁移成本决定平台替换速度。
HBM和Chiplet封装能力影响云端NPU上限。
