大厂为何纷纷自研AI芯片？东吴证券研究所研报从成本测算的角度给出了量化答案。以Fabless芯片公司模式测算，一代AI芯片研发投入约32.3亿元，约4.5-7万卡出货量可覆盖前期投入。头部大厂万卡集群建设未曾停歇，训练端单一集群需求量已超10万卡，推理端英伟达FY2024数据中心40%收入来自推理业务。本文基于东吴证券研报，深入分析大厂自研AI芯片的经济性逻辑。
自研成本测算——32亿元投入的规模效应
芯片公司支出涵盖员工薪资、EDA/IP费用、芯片制造费用、销售费用四个方面。以寒武纪、海光信息、翱捷科技为参考，2023年研发人员平均1176人、人均薪酬82.13万元，每年薪资约9.7亿元。一代产品按2年研发周期、薪资占总支出60%计算，总投入约32.3亿元。
单卡售价以1-1.5万美元（A100售价）、毛利率68.21%（英伟达FY2023-FY2025均值）计算，约4.5-7万卡出货量可覆盖前期投入。对于建设万卡乃至十万卡集群的大厂而言，自研芯片的经济性假设成立。
万卡集群——验证自研价值的试验场
头部大厂万卡集群建设未曾停歇。Meta于2024年3月宣布两个24k GPU集群（共49152个H100），xAI已建成10万卡H100集群、明年目标扩展至100万卡。训练端单一集群需求量已逐渐超过10万卡。
推理端同样呈现爆发式增长。英伟达FY2024数据中心有40%的收入来自推理业务。随着AI应用遍地开花，AI推理需求还有更大渗透空间。大厂自研ASIC可从推理场景切入，逐步向训练场景渗透。
自研ASIC的驱动力——成本、供应、差异化
大厂自研AI芯片的核心驱动力有三。第一，成本控制——英伟达GPU价格持续上涨，自研芯片在规模化后单位算力成本有望降低。第二，供应安全——英伟达GPU供应紧张，自研芯片可缓解对单一供应商的依赖。第三，差异化——自研芯片可针对自身工作负载（如推荐系统、搜索、广告）进行定制优化，实现算力效率最大化。
以谷歌TPU为例，已迭代至第六代v6e，专为Transformer架构优化。亚马逊Trainium、微软Maia、Meta MTIA均针对自身AI工作负载定制。自研ASIC与GPGPU并非完全替代关系，而是在特定场景中实现最优性价比的组合。
代工产业链——谁能承接大厂自研需求
大厂自研AI芯片需要具备先进制程、先进封装、高速互连能力的代工伙伴。博通是全球最大AI定制芯片服务商，2024财年AI收入122亿美元同比激增220%，在175亿美元TAM中占约70%份额。Marvell通过HBM重构与CPO集成双重突破，2028年ASIC TAM预计429亿美元。
台企世芯电子（AIchip）、创意电子（GUC）展现出先进制程与系统设计优势。国内中兴通讯、翱捷科技、芯原股份等也为大厂自研提供更多选择。ASIC代工产业链正随着大厂自研需求爆发而迎来结构性增长机遇。
表2：大厂自研AI芯片投入测算| 项目 | 数值 |
|---|
| 研发人数（参考均值） | 1176人 |
| 人均薪酬 | 82.13万元 |
| 每年薪资开支 | 约9.7亿元 |
| 2年研发总投入 | 约32.3亿元 |
| 单卡售价 | 7-10.5万元 |
| 覆盖投入所需出货量 | 约4.5-7万卡 |
