大语言模型的算力叙事渐入「推理经济学」阶段，黄仁勋在 GTC 柏林把下一个故事讲得非常具体：物理 AI——让模型走进机器人身体和汽车里。这次不是概念，是参考机型与定点车型。

一、Agile ONE SN：人形机器人参考机​

• 合作方：英伟达 × Agile Robots（思灵机器人）
• 规格：31 个自由度，搭载英伟达计算平台与全套软件
• 节奏：2027 年第一季度上市
• 配套：Isaac 平台大扩展——新增参考人形机器人、数据集、运行时与机器人学习框架更新

「参考机」策略与当年 DGX 对 AI 的意义同构：给硬件生态一个标准靶子，让传感器、执行器、模型开发者在同一平台上收敛。GR00T（人形机器人基座模型）+ Isaac 仿真 + 参考硬件 = 机器人版的「模型-框架-算力」三件套。

二、Hyperion：自动驾驶平台拿下德系定点​

要素	配置
传感器	14 摄像头 + 9 雷达 + 3 激光雷达
计算	双 GPU（Orin/Thor 代际）
定点	Volvo、大众、JLR、奔驰下一代车型
Robotaxi	Bolt（与 Lucid）、Einride 等展示自动驾驶运营用例

德系全线定点是关键信号——自动驾驶平台的市场格局此前由英伟达/高通/Mobileye 三分，奔驰与大众商用车的加入意味着英伟达在高端智驾域控的份额继续固化。

三、物理 AI 的算力经济学​

1. 训练在云、推理在端：世界模型（Cosmos 3.5）与机器人策略训练吃数据中心算力，车载/机载推理吃 Thor 级边缘芯片——「云-边-端」的算力分层在物理 AI 上最完整
2. 仿真即训练场：Isaac/Omniverse 仿真管线的算力消耗常被低估——合成数据生成是介于训练与推理之间的第三种负载
3. 单机价值量：一个人形机器人 ≈ 一台高性能边缘服务器的芯片价值量（计算 + 传感处理 + 互联），百万台级出货就是新的 GB 市场

四、国产对照​

国内人形机器人芯片（地平线、寒武纪行歌等）与车载智驾芯片（华为 MDC、地平线 J6）在单点算力上已可对标，但「参考机 + 仿真平台 + 基座模型」的三件套完整度仍是英伟达的结构性优势——这也是昇腾等玩家在机器人侧的下一个投入方向。

延伸阅读：GTC 柏林综述 · Jetson Thor 卡片 · GPU/ASIC/CPU 三分天下

GTC 柏林主题演讲的彩蛋环节：黄仁勋把上周发布的 RTX Spark 笔记本（1 PFLOPS 算力 + 128GB 内存，$2,399 起）与 2016 年他亲手送给 OpenAI 的 DGX-1 同台对比——两台机器同样 1 PFLOPS、128GB 内存，但 DGX-1 需要「两个人抬」，RTX Spark 可以单手拎起。

一、产品矩阵：桌面 AI 三件套​

产品	系统	定位
RTX Spark	Windows PC	个人智能体，$2,399 起
DGX Spark	Linux	开发者构建与扩展应用
DGX Station	桌面工作站	更大内存池的开发验证

「Bringing the Spark to Europe」是 GTC 柏林的专门议程——本地智能体（Local Agents）成为个人 AI 的下一个叙事：模型与数据不出本机，隐私与延迟同时解决。

二、1 PFLOPS 桌面算力意味着什么​

• 能本地跑什么：70B 级开源模型量化推理、中小模型微调（QLoRA）、智能体仿真训练。黄仁勋现场演示了四只「Microduck」机器人鸭——在 RTX Spark 上创建、云端训练、仿真中学习技能
• 对比 2016：DGX-1 当年售价约 $129,000。同算力下，桌面价格曲线十年下降约 50 倍，这正是 Jetson Thor 等边缘产品的逻辑在桌面端的延伸
• 对云的边界：本地推理解决隐私与离线场景，但训练与超长上下文仍属云端——「桌面 + 云」混合工作流将成个人开发者默认形态

三、对开发者的实际影响​

1. 智能体开发的「本地沙箱」：结合 OpenShell 安全架构的思路，本地硬件跑智能体 + 本地沙箱，是成本最低的安全实验环境
2. 国产对标注意：桌面 AI 工作站赛道（128GB 统一内存 + P 级算力）目前国产阵营尚无同价位对标产品，这是一个尚未被国产厂商认真覆盖的细分
3. 软件栈红利：RTX Spark 与 DGX Spark 共享 CUDA 生态——开发者在桌面写的代码可直接扩展到数据中心 GPU，这正是英伟达「全栈桶」的黏性所在

延伸阅读：GTC 柏林综述 · Jetson Thor 卡片 · 完整对比表

据 10 月 19 日路透社报道，AI 云计算初创 Modal 宣布将首次采用英伟达新一代 Vera CPU，为 AI 智能体提供托管服务。这是 Vera CPU 公开的首个独立于 Rubin 平台的客户订单——英伟达的 CPU 第一次被当作「产品」而非「配件」采购。

一、订单要点​

• 客户：Modal（AI 沙盒与智能体托管服务，为智能体安全运行生成的代码提供托管容器）
• 性能口径：早期测试显示，高并发负载下 Vera 的任务吞吐量最高达可比 x86 硬件的 2 倍，同时保持较低的单任务延迟
• 部署方式：不弃 x86——Vera 与现有英特尔/AMD 芯片并行部署，按任务特点调度
• 代价：需要改造部分软件与基础设施以支持 Arm 兼容架构

二、Vera CPU 是什么​

88 个自研 Olympus 核心（Armv9.2）、176 线程、最高 1.5TB LPDDR5X、1.2 TB/s 内存带宽，通过 NVLink-C2C（1.8 TB/s）与 GPU 一致性互联。单体大芯片设计避免跨 die 延迟，详见卡片。

此前 Vera CPU 的定位是 Vera Rubin 平台的「主机 CPU」——负责数据搬运调度与系统编排。Modal 订单标志着它的独立价值开始显现。

三、为什么 AI 代理需要更好的 CPU​

这是 2026 下半年最重要的结构性变化之一：智能体工作负载（任务编排、API 调用、数据查询、每用户常驻虚拟机）主要由 CPU 承担。用户越多、后台任务越多，CPU 需求越高：

• Intel CEO 承认其 CPU 产能只能满足约一半的 AI 相关需求
• Meta 计划部署数千万 AWS Graviton 核心处理 AI 代理负载

Modal 的场景（AI 沙盒 = 大量短生命周期容器）恰好是高并发、低单任务延迟的典型 CPU 负载——Vera 的吞吐优势在这里最有说服力。

四、数据中心 CPU 格局的连锁反应​

1. Graviton（AWS）、Axion（谷歌）、Vera（英伟达）、磐久（阿里）：自研 Arm CPU 在云侧全面铺开，x86 双雄在 AI 负载上的份额被从边缘蚕食
2. 英伟达的「全栈桶」更满了：GPU + CPU + 网络 + 软件，客户整套机房都可以只找英伟达——议价时其他供应商要拼的不再是一颗芯片而是整个平台
3. Arm 生态在数据中心形成正循环：每多一个 Vera 级客户，软件适配的边际成本就降一分

延伸阅读：GPU/ASIC/CPU 三分天下 · GTC 柏林综述 · 完整对比表

10 月 21 日，OpenAI 宣布其前沿模型（含 GPT-6.1 Astra、Sol、Luna）与 Codex 编码智能体进入谷歌云 Model Garden，经 Google Cloud Marketplace 结算，企业可用已有 GCP 消费承诺抵扣。这是 OpenAI 前沿模型首次上架第三大超算云的店面。

一、交易结构​

要素	内容
上架内容	GPT-6 / 6.1（Astra、Sol、Luna）+ Codex 智能体工作流
运行位置	完全跑在谷歌基础设施上，受 Google Cloud 访问控制与数据治理约束
结算	Google Cloud Marketplace，谷歌抽成 1.5%（大额私享报价）- 3%（标准）
抵扣	企业可用已签的 GCP 消费承诺支付
GA	未来数周，先企业私测
微软地位	仍为主要云伙伴、Azure 首发权、2500 亿美元承诺至 2032 不变

二、谁赚谁亏​

• OpenAI：收入 ~500 亿美元年化（9 月底口径），多一个分销渠道、多一条触达 GCP 存量客户的路径，代价是每单被抽 1.5-3%
• 谷歌：云收入 Q2 增 82% 至 248 亿美元、backlog 5140 亿；用自己的 TPU 机群承接竞对模型，按利用率赚两层钱（算力 + 抽成）
• 微软：4 月失去独家权后只剩「首发权」——议价权降级被包装成关系延续
• 企业买家：第一次可以在一张云账单上同时买 Gemini 和 GPT，采购与审计都简化

三、参照系：Anthropic 的 47%​

Anthropic 招股书披露其 2025 年收入的 47%（2.16B/4.6B）经云 Marketplace 流入。这组数字说明：Marketplace 抽成不是边缘渠道，而是 AI 模型分发的主干道之一。当模型能力成为「跨云商品」，渠道费率就成了模型厂商新的毛利变量。

四、对算力市场的连锁影响​

1. 模型与算力解耦加速：企业选云看数据治理与承诺抵扣，选模型看能力排行——「云锁定模型」的旧逻辑失效
2. 谷歌云的复合优势：TPU 自研 + Gemini + 第三方模型店面 + 96 万块 Rubin（A5X 下月 GA），成为供给结构最多元的云
3. 英伟达视角：模型跑在哪朵云上不重要，只要机柜还是它的——GPU 层短期无虞

延伸阅读：Anthropic 财报拆解 · TPU 外部客户版图

中信建投 10 月 21 日研报给国产超节点下了一个明确判断：行业已由方案验证正式进入规模化交付阶段，2026 年是放量元年。这份研报的价值在于把「超节点为什么赢」讲清楚了——不是营销概念，是六个维度的工程优势。

一、超节点 vs 传统集群：六个维度​

维度	传统八卡服务器集群	超节点
算力利用率	跨节点通信损耗大，闲置率偏高	柜内完成高频通信，利用率显著提升
互联带宽	受网卡/交换机瓶颈	柜内高带宽 P2P，统一内存编址
吞吐与时延	All-to-All 跨节点、微秒级以上	单跳 ~100 纳秒级（如 IXL144）
MoE 适配	专家并行通信是灾难	专家权重/激活留在柜内
单卡有效吞吐	名义算力打折严重	接近名义值
扩展方式	加机器、重调优	柜内 Scale-up + 柜间 Scale-out

一句话总结：超节点用系统工程能力，把大模型训练推理中最贵的「跨节点通信」尽可能消灭在柜内。

二、演进路线对照​

• 英伟达：GB200/GB300 NVL72 → Vera Rubin NVL144 → NVL288 → NVL576，更大的 NVLink 域、正交背板、柜间光互联
• 华为：Atlas 950 / 960 SuperPoD，业界首个 NPO 光引擎超节点，单节点 4096 卡
• 国产梯队：阿里磐久 AL128/AL144、天数 IXL144、昆仑芯 32/64 卡（率先量产）、沐曦曦景 S600、燧原 ESL64-O

三、产业链受益顺序​

研报给出的受益传导链（按先后）：

1. 服务器整机、交换芯片、交换机、连接器——超节点渗透率提升的第一波
2. PCB、液冷、电源、CPU——随整机柜形态放量
3. 国产算力芯片——系统级需求带动芯片采购

这与「机柜即产品」的判断一致：竞争单位放大后，瓶颈与利润沿供应链逐环节扩散。

四、需求侧的两个数据锚点​

• IDC：2026 年中国智能算力规模预计 2576.5 EFLOPS，同比增长 87.9%（智能体拉陡需求曲线）
• 工信部：截至 2026 年 6 月底全国智能算力 2185 EFLOPS，算力设施整体上架率 71.4%

上架率 71.4% 意味着存量机房还有约三成余量——这正是天数 IXL144 主打「适配现有机房」、华为 Atlas 860 主打「风冷、无需液冷改造」的市场基础：超节点的下一个战场是部署友好度。

延伸阅读：阿里磐久 AL128 · 昆仑芯超节点量产 · 超节点选型框架

PyTorch Conference North America 2026 上演了教科书式的「独立趋同」：10 月 19 日 AWS 开源 TorchNeuron（Trainium 原生 PyTorch 后端），10 月 20 日谷歌开源 TorchTPU。两家在 48 小时内各自解决了同一个问题——PyTorch 开发者不再需要重写代码就能用上非英伟达芯片。

一、TorchNeuron 是什么​

要素	内容
定位	Trainium 原生 PyTorch 后端（Apache 2.0 公测）
切换方式	.to('neuron') 一行（与 TorchTPU 的 .to('tpu') 对称）
覆盖	官方内部扫描称覆盖按下载量计 99.9% 的真实使用场景
集成	vLLM、SGLang、Ray、Hugging Face Transformers、Neuron 2.33
早期客户	Deepgram（语音 AI 大规模负载）
硬件	Trainium2 / Trainium3

它取代的是旧的 Hugging Face 适配路径——此前 Trainium 支持需要 HF 专属改造而非一等设备接入。AWS 还宣布将持续向 PyTorch 上游贡献代码。

二、两个后端的技术取向对比​

	TorchTPU（谷歌+Meta）	TorchNeuron（AWS）
已知缺口	FlexAttention 未支持、动态形状进行中	稀疏张量/NestedTensor/动态形状未支持、FP8 私测
标杆数据	98% HF 模型无崩溃；InferenceX 2.01 美分/Mtok	99.9% 使用场景覆盖（内部口径）
共同点	都基于 PrivateUse1 后端 + torch.accelerator API，都集成 vLLM/SGLang/Ray/HF

两者仍是 beta——注意力变体、内存捷径等尚未全覆盖，性能数字均为厂商自报，尚无独立交叉基准。但对 CUDA 生态锁定而言，这是结构性松动：硬件迁移成本从「重写」降到「改一行 + 调优」。

三、llm-d 1.0 补上最后一块​

同场发布的 llm-d 1.0（谷歌云 + Red Hat + IBM）提供了多机推理编排层：把众多 vLLM/SGLang 服务器组成一个池，按缓存亲和路由请求、KV Cache 分层下沉、Prefill/Decode 分离。谷歌报告中位首 Token 时延下降超 85%、Ironwood TPU 编码负载吞吐 2.4 倍，且同时支持 NVIDIA/AMD/Intel GPU 与 TPU。框架层（TorchTPU/TorchNeuron）+ 编排层（llm-d）合起来，ASIC 阵营的软件栈第一次完整了。

四、对选型的直接影响​

1. POC 成本骤降：把现有 PyTorch 推理服务搬到 Trainium/TPU 做对比测试，从「数周工程」变成「数天」
2. 采购谈判更硬：CUDA 锁定作为溢价理由的说服力下降，直接用 TCO 计算器比每 Token 成本即可
3. 训练侧仍需谨慎：两个后端都优先覆盖推理与中小规模训练场景，前沿训练负载的迁移还在早期

延伸阅读：TorchTPU 开源详解 · 推理成本经济学 · Trainium 2 卡片

10 月上旬，AMD 在 OCP 2026 场边确认：Helios 机架级 AI 平台的量产、交付与验证正在进行，OpenAI、Meta、微软和 Oracle 的站点已有初始系统安装运行。距离 7 月 23 日 MI455X 正式发布不到三个月，AMD 第一次在机架级产品上跑赢了「发布即交付」的节奏。

MI455X 规格速览（官方口径）​

项目	参数
架构	CDNA 5，TSMC 2nm 计算芯粒 + 3nm I/O 与缓存芯粒
显存	432 GB HBM4（12 颗堆栈），带宽最高 23.3 TB/s
FP4 算力	40.3 PFLOPS（OCP MXFP4 稠密）
FP8 算力	20.1 PFLOPS
互联	UALoE scale-up 3.6 TB/s + UALink scale-out 600 GB/s
量产	2026 Q3 末出货，H2 2026 至 2027 爬坡

机架级：一台 Helios 装 72 颗 MI455X + 18 颗 EPYC Venice CPU，总显存 31TB HBM4，峰值 FP4 2.9 EFLOPS。AMD 估算同测试条件下 Helios 每美元 Token 产出可比 NVIDIA Vera Rubin NVL72 高约 30%（AMD 建模口径，采用预估价格，非实测）。

需求基本盘：三笔吉瓦级协议​

客户	协议规模	节奏
OpenAI	6 GW 多代协议（首期 1 GW MI450）	2026 H2 开始部署，2027 加速；附最高 1.6 亿股认股权证
Meta	6 GW、五年期	2026 H2 起首批交付
Anthropic	最多 2 GW MI450 系列	2026-10-06 官宣，已在使用 MI355X
Oracle OCI	5 万颗 MI450 SuperCluster	2026 Q3 启动，2027 扩容
微软 Azure	ND MI455X v7 虚拟机	2026-07 宣布

加上 9 月底 HPE 宣布的 12 亿美元 Vultr Helios 整机订单，MI450 系列的需求能见度已经排到 2027 年。

争议点：量产节奏的两个版本​

今年年中曾有一份 SemiAnalysis 报告称 2026 年只有工程样片与小批量、大规模爬坡推迟到 2027 Q2。AMD 高管公开否认，坚持 MI455X 按 H2 2026 交付目标推进；8 月 4 日 Q2 财报（营收 115 亿美元，数据中心 67 亿美元同比 +107%）中 Lisa Su 的表述是「Instinct 部署规模化、Helios 开始爬坡」。

两个口径其实兼容：首批 Helios 机柜确实在 2026 下半年交付给了发布客户，但企业级可批量采购的量大概率是 2027 年的话题。计划 2027 年扩容的团队，现在就可以把 Helios 纳入与 Vera Rubin NVL72 并列的评估清单。

与 NVIDIA 的真实差距​

纸面规格上，MI455X 在显存容量（432GB 对 288GB）与单机架 FP4 上有优势；差距在两点：一是机架级生态的成熟度——NVIDIA 的 NVL72 已规模出货多个季度而 Helios 刚开始爬坡；二是 ROCm 软件栈在大规模生产环境的验证广度。AMD 的策略是用「开放标准（UALink/UALoE）+ 更大显存 + 更低单 Token 成本」在 2027 年的采购决策里换到真实份额。

相关阅读​

• AMD MI455X 芯片卡片
• AMD MI355X 芯片卡片
• NVIDIA Rubin R200 芯片卡片

10 月 6 日，华为全联接（HC）大会期间，轮值董事长徐直军与海思首席科学家廖恒面对记者给出两个重磅判断：其一，按华为可统计口径，昇腾在中国市场的份额已经超过英伟达；其二，昇腾当前的主要约束不再是需求，而是供给——「现在能产多少就供多少」。

950 系列供货时间线（官方口径）​

型号	状态	官方口径
昇腾 950PR	2026 Q1 发布并上市	面向推理（Prefill）场景，徐直军称「上市量不算大」
昇腾 950DT	测试中	超节点（训练用）规模供货 2026 年底或 2027 年初

与 8 月「华为云上线」的节奏相比，这次口径把物理超节点形态的规模供货明确放到了 2026 年底至 2027 年初。徐直军同时给出一个重要信号：与各模型厂商的联合测试「训练表现非常不错」，预计 2027 年起大量模型训练将构筑在 950DT 超节点上——如果兑现，2027 年将是国产算力首次承担前沿模型训练主负载的年份。

份额判断的证据边界​

「昇腾份额超英伟达」这个说法需要谨慎引用：徐直军自己承认中国市场统计英伟达份额很难，结论来自「华为能够统计到的数据」，华为未公布支撑该判断的出货或营收数字。第三方可引用的旁证包括路透社 9 月的报道与 IDC 2026 上半年中国 AI 服务器份额数据（英伟达 34%、华为 28%），以及出口管制后英伟达「中国数据中心收入不再纳入展望」的财报事实。合理的表述是：在高端 AI 加速卡的可获得性维度，昇腾已事实性成为中国市场主力供给。

三条供给约束​

徐直军「能产多少供多少」的背后，是三层产能天花板：

1. 先进制程晶圆产能：余承东同日确认国内先进产能跟不上需求——昇腾芯片与 Mate90 系列的逻辑堆叠硅片共享同一产能池，手机与 AI 加速卡在抢同一批晶圆。
2. HBM 内存：摩根士丹利最新报告认为 DRAM 短缺将贯穿整个 AI 周期，连 NVIDIA 都被迫在 Rubin 平台上做减配（机架 LPDDR5 从规划的 54TB 砍到 28TB），昇腾的供应链同样躲不开挤压。
3. 互联部件：NPO 光引擎等新部件在国内供应链的量产成熟度仍需时间。

Peerium 架构：用系统换制程​

同一场合，华为首次系统阐述了 Peerium 计算架构与灵衢（UnifiedBus）总线：让 CPU、NPU、内存与存储在统一协议下组成一台「逻辑计算机」，目标支持百万颗处理器规模。徐直军不回避制程差距——单芯片性能受国内制造限制，但多芯片互连与系统架构是华为自己的路线。华为正在部署和测试 25.6 万张卡规模的 Atlas 950 SuperPoD。

这与 NVIDIA 的路线形成鲜明对照：Rubin 用最新制程堆单卡性能，昇腾用架构补制程差。两条路线孰优，2027 年 950DT 超节点上跑出来的前沿模型训练成绩会给出第一个可验证的答案。

相关阅读​

• 昇腾 950DT 芯片卡片
• 昇腾 950PR 芯片卡片
• 昇腾 960 芯片卡片

10 月 8 日，壁仞科技官方披露：新一代 AI 芯片 BR20X 成功点亮并完成启动测试，正式进入流片后验证阶段，研发进度快于此前预期。同步公布的还有一笔 40.40 亿港元的配售募资——70% 直接投向新一代产品的供应链采购与产能准备。

BR20X：官方口径与边界​

壁仞此次披露的信息边界很清晰：

项目	官方口径
架构	自研指令集、自研计算核心 + Chiplet 架构
数据格式	重点增强 FP8、FP4 原生支持
互联	自研 BLink 2.0，规划最高 1,024 卡 Scale-up 集群
状态	2026-10-08 点亮，流片后验证阶段
下一步	未来数个季度启动送样及量产（待验证认证）

注意两个边界：点亮不等于性能验证完成，更不等于量产良率确认；壁仞尚未公布任何算力、显存或功耗参数，任何具体性能对比都属推测。

40 亿港元募资投向量产​

配售计划：以每股 31.08 港元配售 1.3 亿股新 H 股，募资总额约 40.40 亿港元（净额约 40.20 亿）。其中约 70% 用于新一代产品供应链采购、产能准备及商业化落地，其余用于研发、软件生态升级与营运资金（配售尚需审批）。

这个资金投向透露了行业逻辑的变化：壁仞在公告里明确说，客户需求正「从单颗 GPU 转向集成互连、网络、存储和冷却系统的超节点及机架级算力方案」。国产 GPU 厂商的资本开支已经从「流片钱」转向「产能钱」——先进封装、HBM 采购、整机柜交付能力的投入，比流片本身更烧钱。

四小龙的下一代时间表​

把壁仞放回国产 GPU 第一梯队的坐标系（各家披露口径）：

厂商	下一代产品	关键节点	重点方向
壁仞	BR20X	已点亮，未来数季度送样量产	FP8/FP4 原生，BLink 2.0 千卡 Scale-up
沐曦	曦云 C700	2026 下半年流片、2027 下半年量产	新增 FP4，万卡互连
摩尔线程	华山（AI）/ 庐山（图形）	2026 年内量产 / 上市	第五代花港架构
燧原	第五代云端 AI 芯片	2027 年发布	FP4、跨模态生成

时间表高度收敛：2026 下半年流片或点亮，2027 年量产。2026 年的市场仍由现有量产型号（昇腾 910C、思元690、MTT S5000、曦云 C600）承载，2027 年才是新一代国产高端 GPU 真正可评估的年份。

同周的佐证：工博会上的超节点转向​

10 月 12 日开幕的上海工博会首设「国芯展」，几乎所有主流 AI 芯片企业都把展示重心从单卡换成超节点：天数智芯展出天垓300 IXL144（单机柜 144 颗 GPU）、沐曦展出曦景 S600（单机柜 64 卡全互连）、燧原与中兴合作展出云燧 ESL64-O。壁仞 BLink 2.0 规划的 1,024 卡 Scale-up，瞄准的正是同一个市场。

对采购方的建议是：2026 年内的国产卡选型仍以「现有量产型号 + 超节点方案」为准；BR20X 等新一代产品在官方公布实测数据与量产良率之前，只做技术跟踪、不做采购承诺。

相关阅读​

• 壁仞 BR20X 芯片卡片
• 壁仞 BR104 芯片卡片
• 摩尔线程 MTT S5000 芯片卡片

过去国产 AI 芯片常被诟病「故事丰满、报表骨感」。寒武纪 2025 年报与 2026 一季报给出的是另一组数字：全年扭亏为盈、单季营收同比增近 160%、尚未发布的产品先涨价两三成。国产算力正在进入业绩兑现期。

财务数字一览​

指标	数值	口径
2025 全年营收	64.97 亿元（同比 +453.21%）	年报
2025 归母净利	20.59 亿元（扭亏为盈）	年报
2026Q1 营收	28.85 亿元（同比 +159.56%）	一季报
市值	曾超万亿元（2026 年 6 月）	二级市场

单季 28.85 亿、全年 64.97 亿——2026 年一季度一个季度的收入接近 2025 全年的一半，增长斜率仍在变陡。

MLU690：从纸面到量产​

思元690（MLU690）2026 年初量产后，进展沿两条线推进：

• 产品线：双 die Chiplet 封装、中芯国际 N+2 制程，FP16 算力 700+ TFLOPS 为当前国产纸面算力天花板之一；2026-09 价格口径为官方指导价 190,000 元、市场均价 175,000 元（市场流传价，非公司公告价）。
• 集群线：WAIC 2026 落地 256 卡规模超节点集群方案，已在多地智算中心部署；运营商、金融、互联网行业规模化部署。

涨价的供需逻辑​

据 Reuters 2026-09-10 报道，受 HBM 成本飙升影响，寒武纪对下一代处理器（暂称思元790，预计 2026Q4 出货、2027 放量）的意向报价较两个月前上调 20%-30%。寒武纪董秘办回应「未发布过相关公告，一切以官方公告为准」——即绝对金额是市场流传口径，相对涨幅是 Reuters 报道口径，引用时务必分层。

涨价背后是三重叠加：HBM 等关键供应紧张（与昇腾 950DT 同因）；国内大模型训练与推理国产化率提升带来的需求确定性；智算中心集中采购把国产加速卡从「备选」变「必选」。订单排到数月之后时，涨价既是成本传导，也是筛选客户、平衡产能的手段。

与华为的双头格局​

徐直军 10 月 6 日在 HC 大会确认昇腾中国份额已超英伟达（华为统计口径），同时强调「能满足国内需求还远远不足」。这决定了国产算力市场的基本格局：昇腾供给受制于产能，寒武纪等厂商承接溢出需求。对采购方，昇腾渠道的排队周期反而给了思元690、MTT S5000 等替代方案真实的验证窗口。

风险提示​

• 思元690 的千卡以上分布式训练损耗仍高于成熟生态（MLU-Link 与 NVLink 的工程成熟度差距），单机 8 卡与小集群表现优异，大规模预训练场景需实测
• 价格均为渠道或市场流传口径，采购以正式报价单为准
• MLU-Link 890Gbps 的互联规格与 NVLink 4 900GB/s 接近，但软件栈成熟度差异无法从规格表读出

相关阅读​

• 寒武纪思元690（MLU690）芯片卡片
• 摩尔线程 MTT S5000 芯片卡片
• 华为昇腾 950DT 芯片卡片