Verdict結論
ASIC與FPGA最大的差異在於「製造後能否改寫電路」。ASIC是固定電路，製造後無法變更，但因採專用設計，效能與電源效率皆為最高，量產時的晶片單價也會下降。不過NRE（設計與光罩費用）高達數億～數十億日圓，先進節點更超過100億日圓。FPGA出貨後仍可透過韌體改寫，NRE幾乎為零，但有時比ASIC慢10～100倍，功耗負擔也較大。
主要差異
| 比較項目 | ASIC | FPGA |
|---|---|---|
| 電路可否變更 | 製造後無法變更（固定電路） | 出貨後仍可透過韌體改寫 |
| 運算效能（相同製程節點比較） | 最高（以專用電路最佳化） | 有時比ASIC慢10～100倍 |
| 電源效率 | 最佳（與FPGA相比，有時效率高出5～10倍） | 因可組態電路的額外負擔，功耗容易增加 |
| NRE費用（設計與光罩費用） | 數億～數十億日圓（先進節點甚至超過100億日圓） | 幾乎為零（僅軟體開發費用） |
| 量產單價 | 量產越多越低（大量生產具壓倒性優勢） | 即使量產單價仍高（數千～數萬日圓等級） |
| 開發期間 | 1～3年（設計→驗證→設計定案→量產） | 數週～數個月（可立即在FPGA上驗證） |
| 主要用途 | 智慧型手機SoC、GPU、AI專用晶片、通訊LSI | 原型開發、通訊基地台、醫療設備、資料中心推論 |
| 代表產品與廠商 | 蘋果A18、輝達H100、高通Snapdragon | Xilinx（超微）Virtex/Versal、英特爾Agilex、Lattice |
| 彈性適用性 | 最適合規格已確定的大量生產產品 | 最適合需要變更規格或更新演算法的產品 |
AI推論中如何區分使用ASIC與FPGA
資料中心的AI推論以輝達GPU為主流，但ASIC（Google TPU、Groq LPU、AWS Inferentia等）針對特定模型架構最佳化，在吞吐量與電源效率上超越GPU。FPGA則用於如微軟Project Brainwave這類要求低延遲推論的場合，或模型頻繁更新的初期階段。邊緣AI（攝影機、無人機、工業設備）因功耗限制嚴格而選用ASIC，但一般做法是在規格確定前先以FPGA驗證。
決定投入ASIC開發的量產門檻
ASIC的投資能否回收，取決於量產數量與NRE費用之間的平衡。28nm以後的節點NRE費用達數億～十數億日圓，若無法預期數萬顆以上的量產，FPGA的總成本反而較低。先進節點（5nm、3nm）的初期成本超過100億日圓，只有數千萬顆規模的量產（智慧型手機SoC等）才能回本。另一方面，Google與Amazon選擇自研ASIC，是因為在雲端規模的數量（數十萬台以上）下能取得壓倒性的成本優勢。
常見問題
FPGA能達到接近ASIC的效能嗎？
以相同製程節點比較，FPGA的效能一般約為ASIC的10～30%。不過運用最新製程（Intel 3、台積電4nm等）的高效能FPGA處理能力已大幅提升，在中等規模量產產品中也有可匹敵ASIC的案例。
可以先用FPGA製作原型，再轉移到ASIC嗎？
可以，這是半導體開發的標準做法。在FPGA上同步進行演算法驗證與軟體開發，待規格確定後再以ASIC設計定案。不過需要將FPGA上的RTL針對ASIC重新最佳化，無法直接沿用。
AI專用ASIC與GPU哪一種會更普及？
目前輝達GPU的生態系（CUDA）具壓倒性優勢。不過Google的TPU、AWS的Trainium/Inferentia、Groq等ASIC在特定工作負載上大幅超越GPU。預計邁向2030年代，ASIC與GPU的分工將更加明確。
延伸閱讀
Compare