44 篇博文 含有标签「Domestic Chips」

国产 GPU 厂商中，摩尔线程是 2026 年上半年财报最亮眼的一家。据其 2026 年半年度报告，MTT S5000 智算集群已实现规模化销售，营收 17.36 亿元、同比增长 147.42%，这一数字已超越 2025 年全年的 15.06 亿元。规模化的信号不是发布PPT，而是在无锡的智算中心投运两个多月就接近满载。

财务与出货：规模化销售的最硬证据​

据公开报道，摩尔线程 2026 年上半年实现营业收入 17.36 亿元，同比增长 147.42%；毛利总额 9.89 亿元，同比增长 103.78%，整体毛利率 56.95%；归属于上市公司股东的净利润为 -1156.31 万元，较上年同期 2.71 亿元的亏损大幅收窄 95.73%；扣非净利润 -1.51 亿元，亏损收窄 52.37%。

关键的一句话在半年报里：旗舰级 AI 训推一体智算卡 MTT S5000（PH100 芯片）智算集群已实现规模化销售，并在北京、无锡、杭州等多地完成部署与交付，且首批通过国家《安全可靠测评》。

指标	2026 年上半年	2025 年全年	同比
营业收入	17.36 亿元	15.06 亿元	+147.42%
毛利总额	9.89 亿元	—	+103.78%
整体毛利率	56.95%	—	—
归母净利润	-1156.31 万元	—	亏损收窄 95.73%
扣非净利润	-1.51 亿元	—	亏损收窄 52.37%

这组数字的含义需要放在国产算力的语境里理解：国产 GPU 长期被质疑"只能做政府试点、无法支撑生产负载"。营收超过上年全年、亏损收窄 95%，意味着 S5000 正在从验证走向可重复的集群交付。

无锡智算中心：两个多月接近满载​

最有说服力的单一案例来自无锡。据报道，摩尔线程在无锡惠山区建设的 AI 算算中心于 2026 年 6 月 11 日投运，一期运行 2000 张 MTT S5000，搭建在摩尔线程自研的夸娥（KUAE）智算集群系统之上，投运一个多月后利用率接近满载。

该中心已有 20 多家客户在测试或使用集群，包括中国头部高校、国家实验室、科研院所与 AI 初创企业，其中无锡本地用户占比近半。基于该中心算力资源落地的 AI 智能体应用已有六类，涵盖政务、医疗、教育、芯片设计等场景——医疗领域无锡惠山区人民医院与南京邮电大学合作部署了近 30 个临床辅助模型；教育领域华东师范大学启创平台集成了 300 多个教育 AI 智能体；EDA 领域芯华章利用该算力加速低功耗无线芯片的端到端设计。摩尔线程副总裁方朝霞表示，目标规模是迈向万卡级算力。

训练与生态：国芯训国模的成果​

据公开报道，在 2026 年 9 月 3 日的半年度业绩说明会上，摩尔线程董事长、总经理张建中表示，公司基于 MTT S5000 智算集群已完成 MoE-236B 超大参数基础大模型从零训练，并完成智源具身大脑模型 RoboBrain 2.5、5D 世界模型 EvoPhys-World 等前沿模型的全流程训练。

这一成果的量级需要留意：MoE-236B 的语料超过 25 万亿 Token，是从零起步完整训练的；北大 EvoPhys 团队则在 S5000 全功能 GPU 上完成了 5D 世界模型 EvoPhys-World 的全栈原生训练。摩尔线程联合创始人张钰勃进一步介绍，公司已打通具身智能从合成数据生成、大模型训练、仿真验证到端侧硬件部署的完整链路。

产品侧的三个动作值得关注：MTT C256 超节点架构规划采用计算与交换一体化的高密设计，服务万卡乃至十万卡级训练与推理集群；PD（Prefill-Decode）异构分离方案把高算力需求的 Prefill 计算池（S5000）与高带宽的 Decode 生成池分池部署，支持 KV Cache FP8 与 1M 超长上下文；此外摩尔线程联合中国移动研究院、之江实验室等产业伙伴，通过 OISA 协同创新平台正式发布了《OISA 高密超节点参考设计技术规范》。

需要注意的约束​

规模化的另一面是产能瓶颈。据公开报道的行业调研，S5000 在阿里仅有少量采购测试，字节做了小规模灰度测试（几百片），原因是客户担忧量产后供应；2026 年 4-5 万卡的出货目标仍可能有之江实验室、运营商及地方算力平台项目支撑。此外，高阶双带版本尚未量产，主要卡在双带性能和带间互联指标，需重新流片优化；S6000 目前未回片，预计 2026 年底提供小批量样品。

生态侧也有坦率之处：S5000 尚未发布足够多的独立复现基准，官方性能指标多为厂商声明。同时 PD 异构分离方案中的 Decode 池使用国际主流 GPU，这说明纯国产方案在长上下文解码环节仍有工程缺口。

研判​

摩尔线程 2026 年上半年交出的答卷，是国产 GPU 商业化进程中少见的硬数据：营收翻倍以上、集群接近满载、模型训练跑通闭环、拿到安全可靠测评。但从投资与采购视角看，仍有三个问题待解：营收集中度与复购比例尚未披露、产能是否支撑 4-5 万卡的年度目标、以及 S6000 回片后能否补上 HBM 容量短板。

《OISA 高密超节点参考设计技术规范》的发布是一个容易被忽视的信号——摩尔线程正在从卖卡转向输出系统标准，这与昇腾走超节点架构、百度走天池超节点是同一方向。国产算力的竞争维度，已经从单卡参数转向系统与标准的话语权争夺。

谈起华为昇腾，话题总是围绕 910B、910C 乃至最新的 950 系列在云端大模型训练上的鏖战。但在数千公里之外的路口摄像头、工厂质检台和安防盒子中，真正大规模部署的其实是另一颗芯片——昇腾 310B。它不跑大模型训练，却是国产边缘 AI 交付量最大的推理底座之一。

从 310 到 310B：一次务实的迭代​

昇腾 310 是 2018 年随达芬奇架构一同亮相的首代边缘推理芯片，昇腾 310B 则是它的全面升级版，约在 2025 年前后以新命名体系广泛铺货。它延续了达芬奇架构的双 AI Core 设计，集成 4 个 TAISHAN V200M 处理器核，支持 FP16 与 INT8 混合精度计算。制程方面官方并未大张旗鼓宣传，公开资料多记为 12nm 级工艺。

核心规格如下：

参数	昇腾 310（初代）	昇腾 310B
架构	达芬奇	达芬奇（升级版）
INT8 算力	16 至 20 TOPS	8 或 20 TOPS（两档可选）
FP16 算力	8 TFLOPS	4 或 10 TFLOPS（对应两档）
内存	LPDDR4X	LPDDR4X 8GB 或 12GB
内存带宽	25.6 GB/s	最高 51.2 GB/s
芯片功耗	未公开	约 8W（整机典型 21 至 25W）
视频编码	H.264/H.265	满配 20 路 1080P 30FPS

8 瓦功耗里的工程哲学​

昇腾 310B 的价值不在于峰值算力，而在于能效与工程完备度。芯片级功耗约 8W，意味着它可以塞进无风扇的枪机摄像头和巴掌大的边缘盒子，靠被动散热常年 7 乘 24 小时运行。芯片同时集成视频编解码引擎，满配可解码 40 路 1080P 视频，做到"解码、推理、编码回流"一条龙，这对安防视频结构化场景是刚需。

软件层面，它共享昇腾的 CANN 工具链与 AscendCL 运行时，与云端 910 系列同一套开发体系。开发者在 310B 上写的推理代码，未来迁到 Atlas 300I Duo 或 910 服务器上改动极小，这种"端边云同构"正是华为全栈路线的护城河。

落地形态：开发板、智能小站与模块​

昇腾 310B 的典型载体有三类：其一是香橙派等厂商推出的 AI 开发板，20 TOPS 档的版本已成为高校和中小企业接触昇腾生态的最低门槛；其二是 Atlas 200 系列模组与 Atlas 500 智能小站，面向安防、工业质检的量产部署；其三是各板卡厂商的核心板与整机方案，支持 PCIe 3.0、多路 MIPI 摄像头接口，适配无人机、机器人等移动场景。

据公开报道，围绕 310B 的整机方案已覆盖智能安防、智慧交通、工业检测、无人零售等大量行业场景，配合模型压缩技术可在片上跑 YOLO 系列检测、OCR 与轻量级语音模型。

小结：边缘推理不性感，但很重要​

云端大模型是聚光灯下的战场，而边缘推理是颗粒度最细、出货量最大的市场。昇腾 310B 没有惊艳的参数，却以低功耗、完整工具链和端边云一致的软件生态，成为国产边缘 AI 难以绕开的基石。对于需要大规模视频分析、低成本私有化部署的团队，它值得放进选型清单的第一梯队；对于想学习昇腾生态的开发者，一块 310B 开发板也是最便宜的入场券。

2022 年 8 月，成立仅三年的壁仞科技发布了 BR100：台积电 7nm、CoWoS 封装、双 Chiplet 设计，INT8 算力 2048 TOPS，宣称性能对标英伟达同代旗舰的三倍以上。这是当时中国通用 GPU 离世界最先进水平最近的一次。两个月后，一切被按下了暂停键。

纸面规格：至今仍属激进的野心​

BR100 的规格即使放在今天看依然激进。它采用壁仞自研指令集与双 chiplet 架构，核心参数如下：

参数	BR100	BR104（同代次旗舰）
FP16 算力	1024 TFLOPS	512 TFLOPS
INT8 算力	2048 TOPS	1024 TOPS
FP32 算力	256 TFLOPS	128 TFLOPS
显存	64GB HBM2e	32GB HBM2e
显存带宽	约 2.3 TB/s	约 2.3 TB/s
制程封装	台积电 7nm，2.5D CoWoS，双 Chiplet	台积电 7nm
整卡功耗	550W	300W

BR100 还率先采用 PCIe 5.0 接口，并通过自研 BLink 片间互联支持多卡扩展。在设计层面，它证明了国内团队完全有能力定义一流的大芯片。

两次制裁：供应链的釜底抽薪​

BR100 的参数恰好踩在美国出口管制红线之上。2022 年 10 月美国 BIS 新规生效，台积电随即停止为壁仞代工；2023 年 1 月，壁仞紧急推出被外界视为"降规"版本的 BR106 以绕开限制；2023 年 10 月，公司被正式列入实体清单，先进制程代工通道彻底关闭。两次打击之间，联合创始人先后离职，团队经历了极短时间内的产线切换与产品迭代，研发节奏被迫中断，新一代芯片开发一度搁浅。

这段经历揭示了国产大芯片最脆弱的一环：设计能力可以追赶，但流片通道、HBM 供应和先进封装一旦被切断，纸面性能再高也无法变成产品。

曲折后的重生：从参数竞赛到商业闭环​

转机出现在 2024 年之后。随着国内云厂商将算力预算硬性切给国产芯片，壁仞完成了向系统级方案的转型：2025 年 8 月双芯配置的 BR166 量产并成为收入主力；软件端通过 BIRENSUPA 平台实现 CUDA 兼容与大模型优化；2025 年世界人工智能大会上，又联合伙伴推出智算一体机与基于光互连交换的超节点方案。

财务数据也随之反转：2024 年公司营收仅 3.37 亿元，2025 年达 10.35 亿元，同比增长 207%，毛利率改善至 53.8%。2026 年 1 月 2 日，壁仞在港交所上市，成为"港股 GPU 第一股"，首日收涨约 76%；2026 年上半年预计收入 11.5 亿至 13 亿元，同比暴增约二十倍，亏损收窄约八成。

小结：纪录易破，交付难成​

BR100 的故事给行业留下三条启示：其一，芯片公司在地缘政治面前的抗风险能力，与技术领先性同等重要；其二，规格竞赛不等于商业成功，量产交付、软件生态与客户结构才是护城河；其三，国产替代的真实需求是"稳定可得"而非"极限参数"，这正是壁仞完成转型的市场逻辑。纪录可以被刷新，但只有走完从流片到集群交付的全流程，一颗 GPU 才算真正成立。

国产GPU的资本化进程在2025年底到2026年初按下了快进键：三个月内，头部企业密集挂牌、递表、辅导，一笔接一笔的募资公告刷新纪录。这不是简单的上市潮，而是一次行业级的弹药补充——钱最终流向哪里，暴露的是各家对技术路线的终极判断。

三个月走完的资本梯队​

时间线值得逐条记录：2025年12月5日，摩尔线程登陆科创板，募资80亿元；12月17日，沐曦股份接棒上市，募资约42亿元。2026年1月2日，壁仞科技挂牌港交所，募资55.83亿港元，成为港股18C特专科技机制落地以来发行规模最大的新股；1月8日前后，天数智芯在港交所挂牌；1月下旬，燧原科技科创板IPO申请获受理，拟募资60亿元；百度旗下昆仑芯也于1月初向港交所递交上市申请。几家头部公司合计募资约237.8亿元，且截至2025年底，摩尔线程与沐曦的股价涨幅均超过500%。

公司	上市地与时间	募资规模	技术路线
摩尔线程	科创板，2025年12月	80亿元	GPGPU全功能路线
沐曦股份	科创板，2025年12月	约42亿元	GPGPU，全国产工艺
壁仞科技	港交所18C，2026年1月	55.83亿港元	GPGPU，押注推理
天数智芯	港交所，2026年1月	据公开招股信息	GPGPU
燧原科技	科创板受理，拟募资	60亿元	DSA专用架构

钱的流向：通用派与专精派的分野​

募资用途暴露了路线分歧。摩尔线程将约七成资金投向全功能GPU研发与生态建设，其MUSA架构对标CUDA生态、已完成数千个PyTorch算子兼容，走的是"让英伟达开发者无缝迁移"的重生态路线。沐曦更务实，重点之一是全国产供应链建设——基于国产工艺的曦云C600已量产，同时押注具身智能等场景芯片。壁仞把六到七成募资投向下一代BR20X系列，公开承认现有产品偏训练、推理优化不足，精准卡位大模型部署阶段的推理市场。燧原则是唯一的DSA路线坚守者，为AI推理做"极致手术刀"，代价是要从零构建自研软件生态。

资本市场的制度配套同样关键：2025年7月上交所推出科创板科创成长层，为暂未盈利的硬科技企业打开更包容的通道，这是整波IPO潮的制度前提。

上市只是起点：再融资与备货竞赛​

一级市场的钱烧得快，二级市场的补弹更凶。壁仞上市十个月内已累计募资近170亿港元：继2026年7月约70.69亿港元配股后，10月初再度以40.40亿港元配售，公告称因新一代BR20X产品进度快于预期，需提前采购、预留产能，约七成资金用于战略供应链采购。背后的行业背景是全链条涨价——据公开报道，台积电将于2027年起上调代工价格3%至6%，三星先进制程涨幅最高达15%，HBM则处于持续涨价周期。

备货数据印证了紧张程度：2026年上半年，寒武纪存货账面价值达82.48亿元，海光信息75.18亿元，摩尔线程从13.32亿元增至35.5亿元，天数智芯增至19.68亿元。在产能吃紧的市场里，资金实力直接决定能否抢到晶圆、HBM与先进封装产能。

研判：融资热度与商业化能力的赛跑​

这轮资本热潮的底层逻辑是AI算力缺口与国产替代的双重红利，但钱多不等于赢家。头部公司中，寒武纪曾用八年才实现单季扭亏，沐曦预计最早2026年盈亏平衡，摩尔线程指引2027年合并盈利——资本市场的耐心正在接受商业化的检验。接下来的看点有二：一是2026年第四季度起壁仞BR20X、摩尔线程与沐曦新一代产品的实际交付，检验募资是否转化为收入；二是若海外高端芯片供给政策进一步松动，国产GPU能否在"从能用到好用"的临界点上站稳。融资热图终会降温，最终留在牌桌上的，是能把晶圆变成万卡集群的公司。

2026 年，国产 AI 芯片行业迎来资本化的集中兑现期：燧原科技登陆科创板、壁仞科技折价配售 H 股、奕行智能完成近 20 亿元融资。从寒武纪到燧原，一条"融资—流片—上市—再投入"的资本飞轮正在成形，而配售折价与估值落差背后，是市场对国产算力的长期信心与短期博弈的交织。

燧原科技上市：科创板 AI 芯片又一个标杆样本​

2026 年 9 月 11 日，燧原科技（688801.SH）正式登陆科创板，首日表现堪称惊艳：

指标	数据
上市日期	2026 年 9 月 11 日
上市板块	科创板（688801.SH）
开盘价	410 元/股
较发行价涨幅	+188.37%
盘中最高价	468 元（较发行价 +229%）
上市当日市值	1764.44 亿元
最大机构赢家	腾讯（浮盈超 300 亿元）

开盘即上涨 188%，盘中一度冲到 468 元的高点，最终以 1764.44 亿元市值收官——这个定价水平说明二级市场愿意为"国产 AI 算力第二梯队龙头"支付相当高的溢价。作为燧原多轮融次的核心投资方，腾讯在这笔长期投资上获得的浮盈超过 300 亿元，也成为产业资本陪跑 AI 芯片公司最成功的案例之一。

从产品侧看，燧原此前已在站点卡片中沉淀了完整的云端训练与推理产品线，此次上市为其后续的大规模流片与集群交付提供了资本弹药。

已上市公司版图：从寒武纪到天数智芯​

燧原并非孤例。目前国产 AI 芯片上市公司已经覆盖了 A 股和港股两个市场：

公司	上市地	代码	定位
寒武纪	A 股科创板	688256.SH	通用智能芯片，云端训练+推理
摩尔线程	A 股科创板	—	全功能 GPU
沐曦	A 股科创板	688802.SH	GPU 计算加速
天数智芯	港股	09903.HK	通用 GPU
燧原科技	A 股科创板	688801.SH	云端训练/推理加速卡

A 股科创板聚集了寒武纪、摩尔线程、沐曦、燧原四家，港股则有天数智芯。这种"A 股为主、港股为辅"的上市结构，反映了两地市场对硬科技资产的定价能力差异：科创板对国产 AI 芯片的估值容忍度明显更高，而港股为部分公司提供了更快的上市通道。

一级市场仍在加速：壁仞配售与奕行智能融资​

资本化不止 IPO 一条路。最近两周还有两个标志性事件：

壁仞科技：折价配售 1.3 亿股新 H 股​

据 2026 年 10 月 8 日 AI 日报披露，壁仞科技拟配售 1.3 亿股新 H 股：

• 配售价：每股 31.08 港元，较当日收盘价折让 9.76%
• 配售代理：中金公司 + 瑞银（UBS）

配售是港股上市科技公司最常见的再融资方式，但接近 10% 的折价幅度值得玩味——它说明即便在国产 AI 芯片热度高企的当下，承销方对短期市场承接力仍有顾虑，需要用价格换确定性。

奕行智能：近 20 亿元新融资，投后估值近 150 亿元​

RISC-V 云端 AI 算力芯片独角兽奕行智能完成近 20 亿元新融资，投后估值接近 150 亿元，投资方阵容包括华泰创新、钟鼎资本和中芯聚源。RISC-V 路线切入云端 AI 算力，意味着国产芯片的指令集架构选择也在多元化。

需求侧的真实支撑：份额从 0 到 41%​

资本故事能讲通的前提是需求真实存在。Counterpoint 数据显示，国产 AI 芯片的市场份额变化是一条陡峭的曲线：

年份	国产 AI 芯片份额
2022 年	≈ 0
2025 年	41%（Counterpoint）

在国产市场中，华为昇腾占据了约 62% 的份额，是绝对的龙头。华为轮值董事长徐直军此前"能产多少供多少"的表态，也从侧面印证了国产算力的供需缺口——这不是营销话术，而是产能爬坡速度追不上需求增长的行业现实。

出口管制持续收紧的背景下，英伟达对华供应受限，国产替代的需求被进一步锁定。这也是二级市场愿意给出高溢价的底层逻辑：份额替代的斜率，决定了这些公司的收入曲线。

分析：估值飞轮、落差修复与配售折价的博弈​

"融资—流片—上市—再投入"的飞轮​

国产 AI 芯片行业的资本化路径已经清晰：

1. 一级市场融资：产业资本（腾讯、中芯聚源）+ 财务资本（钟鼎）+ 政府基金共同注资
2. 流片与产品迭代：资金转化为芯片产品与集群交付能力
3. 上市退出与定价：科创板/港股为早期股东提供退出通道，同时完成公开市场定价
4. 再投入：募集资金用于下一代芯片研发，飞轮进入下一圈

燧原上市让腾讯浮盈超 300 亿元，这种示范效应会反过来刺激更多产业资本投入尚未上市的 AI 芯片公司——奕行智能此轮融资的顺畅程度，某种程度上就受益于这个正反馈。

一级市场估值 vs 二级市场定价的落差与修复​

一级市场和二级市场对 AI 芯片公司的定价逻辑并不相同：一级市场看赛道和团队，估值往往基于融资轮次间的比价；二级市场则要面对真实财报、产能兑现和竞争格局的检验。上市首日 +188% 的涨幅，本质上是一级市场定价与二级市场定价之间落差的集中修复。这种落差修复能持续多久，取决于公司能否把估值转化为持续的营收增长。

配售折价说明的短期博弈​

壁仞 9.76% 的配售折价是另一个信号：即便行业景气度高，大额再融资仍需要向短期资金让利。一级市场火热、二级市场"热中有谨慎"，这种温差正是当前国产 AI 芯片资本化最真实的写照——长期逻辑没有分歧，分歧在于节奏。

小结​

2026 年的国产 AI 芯片资本化呈现三条并行主线：燧原等公司通过 IPO 完成"一级到二级"的价值兑现；壁仞等已上市公司通过配售补充弹药但接受折价博弈；奕行智能等新势力在一级市场继续拿到大额融资。份额从 0 到 41% 的替代曲线是所有故事的共同底层支撑，而华为昇腾 62% 的国产市场统治力则框定了竞争格局。对投资者而言，需要同时关注两个变量：替代斜率的持续性，以及高估值与盈利兑现之间的时间差。飞轮已经转起来，但每一圈对资金消耗和技术迭代的要求都更高。

国产替代不是"把英伟达换成国产卡"一句话能概括的决策。合规压力、负载类型、迁移成本、供货确定性、预算五个维度都要过一遍，本文用站内芯片卡数据把每一步落到具体型号上。

一、替代决策五问​

动手选型前，先回答五个问题：

1. 合规要求：是政策强制的信创场景（政府、国企、金融），还是成本驱动的自愿替代？前者看《安全可靠测评》等资质，后者看性价比。
2. 负载类型：训练还是推理？Prefill 还是 Decode？不同负载的答案完全不同——昇腾 950PR 是推理 Prefill 卡，拿它做 FP16 密集训练就是选型错误（站内卡明确提示：FP16 训练应选 910C，其 800 TFLOPS 对 950 系列的 486–547 TFLOPS 保持领先）。
3. 生态迁移成本：现有 CUDA 代码库有多少算子依赖？团队有没有非 NVIDIA 平台经验？迁移成本有时比卡价更高。
4. 供货确定性：产能爬坡与 HBM 供应决定交付周期，头部型号已经在涨价排队。
5. 预算口径：国产卡价格已从"替代品折价"转向"供给稀缺溢价"，预算要按动态报价做。

二、国产主要选项对比​

以下数据全部取自本站芯片卡：

型号	架构	FP16/BF16 算力	低精度	显存 / 带宽	互联	软件栈	参考价
昇腾 910C	Da Vinci 双芯	BF16 800 TFLOPS	不支持 FP8/FP4	128GB HBM2e / 3.2 TB/s	HCCS 784 GB/s + UB 392 GB/s	CANN	渠道价超 ¥11 万
昇腾 950DT	Da Vinci v5	BF16 547 TFLOPS	FP8 1,034 TFLOPS、FP4 2,007 TFLOPS	144GB 自研 HiZQ 2.0 / 4 TB/s	灵衢 2 TB/s	CANN Next	渠道指示价超 ¥25 万
寒武纪 思元690	MLUarch 双 die	FP16 700+ TFLOPS	INT4 2,800+ TOPS	196GB HBM3 / 3.35 TB/s	MLU-Link 890 Gbps	NeuWare	约 ¥17.5 万
摩尔线程 MTT S5000	MUSA 平湖（第四代）	BF16/FP16 400 TFLOPS	FP8 稠密 1,000 TFLOPS	80GB / 1.6 TB/s	MTLink 784 GB/s	MUSA / MUSIFY	官方指导价 ¥5.5 万
天数智芯 天垓150	ivcore11	FP16 192 TFLOPS	INT8 384 TOPS	64GB HBM2e / 1.2 TB/s	PCIe 4.0	IXUCA	未公开
燧原 云燧T21	邃思2.0	FP16 未公开	TF32 160 TFLOPS	HBM2E（容量未公开）	自研多卡互联	燧原智算软件栈	约 ¥7 万

怎么读这张表：训练优先看昇腾 910C/950DT 与思元690（FP16 算力与显存容量领先，且都有千卡/超节点级方案——思元690 已落地 256 卡超节点，950DT 的 Atlas 950 SuperPoD 1024 卡版本已在 WAIC 2026 真机展示）；FP8 推理看 MTT S5000（FP8 稠密 1,000 TFLOPS 是国产卡中的亮点，且已通过《安全可靠测评》2026 年第 2 号）；视频与低功耗推理看昆仑芯 R200（150W、INT8 256 TOPS、108 路视频解码）；信创训练集群可评估云燧T21（OAM 标准模组，8000+ 卡集群已验证）。

三、软件栈迁移成本评估​

迁移成本是国产替代里最容易低估的一项，各家生态进展差距明显：

• CANN（华为）：进展最快。CANN Next 提供 CUDA 兼容层，约 80% 的标准 PyTorch 推理代码仅需配置修改；2026 年 10 月 DeepSeek 与华为联合发布面向昇腾 950 的开源编程工具与库。生态拐点已现——站内昇腾 960 卡口径显示，CANN 外部开发者占比升至 61%，首次超越内部团队，月活跃开发者突破 5,200 人；PyTorch 官网也已将昇腾收录为中国算力平台。
• NeuWare（寒武纪）：云边端统一一套代码是国内独一份，PyTorch/TensorFlow 适配版齐全，MagicMind 是全球首批商用 MLIR 图编译推理框架；短板在千卡以上分布式训练的工程成熟度，单机 8 卡与百卡小集群表现优异。
• MUSIFY（摩尔线程）：算子覆盖率约 70%–80%（CUDA 为 99%+），复杂 LLM 需手工优化，但 Day-0 适配能力快速进步——2026 年 6–7 月连续完成 MiniMax M3、智谱 GLM-5.2、Qwen3.5 和美团万亿参数 LongCat-2.0 的适配。
• IXUCA（天数智芯）：高度兼容 CUDA 生态，官方口径迁移时间下降 50% 以上，已适配 200+ 模型，覆盖 LLM、CV、NLP、语音等领域。

四、供货现实与价格走势​

供需关系是当前国产算力市场的第一现实：

• 需求侧：华为副董事长徐直军在 HC2026 访谈中的表态是"能产多少供多少"——需求远未见顶，第一约束已从市场转移到产能。
• 产能侧：站内 950DT 卡引用的行业口径显示，中芯国际产能可支撑年产超 100 万颗昇腾芯片，但国产 HBM 产能仅够约 25 万–30 万颗成品加速器，缺口约六成——瓶颈在 HBM 而非逻辑制程。
• 价格侧：HBM 成本攀升推高全线上调——950DT 渠道指示价超 ¥25 万（较两个月前 +20%–50%，Bloomberg 称三个月涨约 60%，已对标 B200）、950PR 突破 ¥8 万（+30%）、910C 超 ¥11 万（+22%）、寒武纪 690 等同期上调 20%–30%。预算必须按动态报价做，且注意以上均为渠道指示价，实际成交随采购规模与捆绑条件浮动。

五、混合部署策略与风险清单​

务实的企业路径是混合部署：NVIDIA 存量卡继续承担成熟训练负载与 CUDA 专有工作负载，国产卡承接增量需求——通常从推理切入（生态迁移成本最低），训练负载在 CANN/MUSA 成熟度验证后逐步迁移。昇腾 910C 集群已验证万亿参数大模型全参数后训练能力（站内卡记载的 DeepSeek V4 Pro 案例），训练迁移的技术可行性正在快速提高。

同时把风险清单贴在采购文档里：

1. 生态风险：算子覆盖不全导致的性能回退与排期延误，先做 POC 再批量采购。
2. 价格风险：涨价周期中锁价窗口短暂，长单尽量锁量锁价。
3. 供货风险：HBM 约束短期无解，关键项目准备备选型号。
4. 人才风险：非 CUDA 平台的工程师储备需要提前 6–12 个月建设。
5. 残值风险：国产卡二手市场流动性弱于 NVIDIA，折旧年限要单独评估。

小结​

国产替代选型的正确姿势是：用五问框架定位自己的真实约束，按负载类型从对比表里筛型号（训练看昇腾与思元690、FP8 推理看 MTT S5000、低功耗视频看昆仑芯），把软件迁移成本算进总预算，在涨价与供货的现实下混合部署、增量替换。更多型号的全字段对比见站内完整对比表，各卡详细规格请进入对应芯片卡页面。

国产 AI 芯片有两条路：一条是自建生态，长痛但自主；另一条是兼容现有生态，短痛但受制于人。海光选择了后者——DCU 系列"类 CUDA"的通用并行计算架构，加上底层兼容 ROCm 的 DTK 软件栈，让大量存量 CUDA 代码几乎不用改写就能跑起来。这在信创市场上是独一无二的卖点。

K100 AI：规格与定位​

海光 DCU 当前的主力出货型号是 K100 AI 加速卡，综合官方与公开采购资料，核心规格如下：

参数	K100 AI	备注
FP16/BF16 算力	192 TFLOPS	部分实测资料记约 180 TFLOPS
INT8 算力	392 TOPS	适合量化推理
FP32 算力	49 TFLOPS	兼顾科学计算
显存	64GB HBM2e	带宽约 896 GB/s（部分资料记 1.2 TB/s）
功耗	350W	PCIe 4.0 x16 接口
对标	约为 A100 的六至八成水平	单卡价格约为 A100 的一半

从规格看，K100 AI 不是算力最强的国产卡，但它的强项在于"友好"：整机环境仍是 x86 加 Linux，CentOS、Ubuntu、麒麟系统，GCC 编译器、MPI、Slurm 调度器全部原样保留，运维团队的学习成本接近于零。

DTK 软件栈：迁移成本低于一成的底气​

海光的 DTK（DCU Toolkit）基于 ROCm 异构计算架构深度定制，编程模型与 CUDA 高度相似。据公开报道，存量 CUDA 代码的迁移成本可低于 10%，PyTorch、TensorFlow、PaddlePaddle 等框架以及 vLLM、SGLang 等推理引擎均有适配，累计适配的大模型超过 365 款，包括 Qwen、Llama 系列等主流开源模型。实测层面，单卡可流畅支持 27B 级别模型的推理，配合 INT8 量化可覆盖更大参数规模。

这套体系的另一层价值在于 HPC：分子动力学、计算流体力学等传统科学计算代码同样基于 CUDA 或 ROCm 生态，海光是少数能同时承接 AI 与 HPC 混合负载的国产平台。

商业表现与下一代布局​

海光的独特性还在于它是国内少有的同时拥有 x86 CPU 与 GPGPU 双产品线的公司。2025 年公司营收 143.77 亿元，同比增长 57%，净利润 25.45 亿元，研发投入占营收近三成二。DCU 出货约 8.3 万颗，落地以金融、政务、制造等传统行业 AI 改造和运营商中小规模智算集群为主。

下一代 K200 据公开报道将于 2026 年第三季度批量交付，规格大幅跃升：FP16 算力 256 TFLOPS，配备 128GB HBM3e 显存、2.4 TB/s 带宽，最大支持 2048 卡集群。届时海光在显存和互联上的短板有望明显补齐。

小结：渐进式国产替代的最优解之一​

海光 DCU 的启示在于：国产替代未必需要一次革命。对于存量 CUDA 资产庞大、团队缺乏芯片适配经验、希望先跑通再扩容的企业，K100 AI 提供了迁移摩擦最小的路径。它的算力上限决定了不适合冲击千亿参数大训练，但在推理服务与混合计算负载中，它是稳妥且现货充足的选择。追求最小改动的团队，海光应当是选型清单上的第一个名字。

工业质检场景的算力账很好算：一条产线的节拍是每分钟几十到几百件，检测窗口以百毫秒计，硬件必须 7 乘 24 小时在粉尘、油污、高温里稳定运行。这套约束下，"算力够用加皮实耐用"压倒一切性能指标。

一、负载分级：你的质检属于哪一档​

轻量级（单帧检测）：缺陷分类、有无检测、二维码识别，YOLO 系列或 ResNet 级模型，单帧推理 10 至 50 毫秒，算力需求 10 至 40 TOPS。一颗 Orin Nano（40 TOPS）就能支撑单相机产线，国产对应方案是算能 BM1684X（约 32 TOPS INT8）与各类 RK3588 盒子。

中量级（多相机、分割与细粒度缺陷）：表面缺陷分割、装配错漏检测，通常 4 至 8 路相机并发，需要 100 至 275 TOPS。Orin NX 加 AGX Orin 是主流选择；高路数场景直接上工控机插 RTX 4060 Ti 16GB 或 4090。

重量级（大模型质检）：少样本缺陷检测、多模态质检（图像加工艺参数）、自然语言交互的质检报告生成，涉及 7B 至 30B 级 VLM。这类负载单帧推理超过 1 秒，通常部署在车间边缘服务器（双卡 4090 或单卡 A100）上，产线端只做采集与预筛。

产线场景	节拍要求	推荐方案	单点预算	理由
单相机缺陷分类	每件 100 毫秒以上	Orin Nano 或 BM1684X 盒子	2,000 至 6,000 元	40 TOPS 内即可，15 至 25W 低功耗
多相机装配检测	每件 200 毫秒以上	AGX Orin 或工控机加 4060 Ti	1.5 万至 3 万元	16GB 显存承载分割模型与多路流
高速产线全检	每件 50 毫秒以内	工控机加 RTX 4090	3 万至 5 万元	高带宽保障单帧低延迟
车间级多产线汇聚	汇聚 8 条线以上	双卡 4090 边缘服务器或 Atlas 500 加 300I Duo	6 万至 15 万元	集中推理摊薄单线成本
信创/政企产线	合规优先	昇腾 Atlas 系列、BM1684X	1 万至 5 万元	满足国产化验收与宽温认证

二、三个阵营怎么选​

NVIDIA Jetson 阵营：生态最成熟。TensorRT 加 DeepStream 的工具链覆盖了从训练到多路视频流部署的全流程，社区案例海量，招人容易。代价是海外供应链风险——出口管制与价格波动是真实存在的采购变量，2026 年 Orin 系列在部分渠道出现过供货紧张。

国产边缘卡阵营：昇腾 Atlas 与算能方案在信创要求场景几乎是必选项。Atlas 300I Duo 单卡约 2 万至 4 万元，低功耗高密度适合机柜式部署；BM1684X 盒子在视频结构化场景性价比较高。主要成本在软件适配：模型要从 PyTorch 转换到各家工具链，部分自定义算子需要原厂支持，预留 2 至 6 周适配期。

桌面 GPU 阵营：4060 Ti 16GB、4090 加工控机箱的方案性能密度最高，适合部署在有人值守的机房或车间控制室。缺点是工业环境适应性弱（风扇散热、防尘要求高），需要额外做机柜防护，且功耗明显高于嵌入式方案。

三、别忽视的工程账​

第一，检测成本要摊到每件产品上算。 一条年检 500 万件的产线，3 万元的盒子三年摊销每件不到 0.3 分钱，加上电费与运维仍然可忽略——所以工业质检的选型矛盾从来不是硬件贵，而是误检与漏检的平衡：漏检成本是召回，误检成本是人工复检的人力。算力选型要为"多模型集成投票"这类提升精度的方案留出余量，而不是贴着最低 TOPS 选型。

第二，数据回灌通道比算力更重要。 现场光照、角度、来料批次变化会让模型性能衰减，边缘设备必须预留把疑似缺陷样本回传云端的能力。规划上建议"边缘推理加云端迭代"：云端一张训练卡（4090 级即可）支撑月度模型更新，通过 OTA 下发。

第三，宽温与认证别省钱。 产线环境温度 0 至 45 摄氏度以上、粉尘、电磁干扰，消费级设备直接上架的故障率很高。工控级外壳、无风扇设计、宽温认证的溢价（通常多 30% 至 50%）是值得花的。

四、结尾建议​

工业视觉质检的选型公式：先定检测延迟与路数，再定梯队；先看合规要求，再定品牌。 单线轻量检测用盒子（Orin Nano 或 BM1684X），多线汇聚用工控机加桌面 GPU 或 Atlas 方案，大模型质检上边缘服务器。给传统制造企业的最后一条建议：第一个产线项目强烈建议与设备商或集成商合作落地，把算力选型交给做过同类场景的人——工业 AI 的失败案例里，八成不是算法不行，而是工程集成与现场运维没做好。

在华为昇腾与英伟达的双雄叙事之外，寒武纪正在写下国产 AI 芯片的第三条故事线：思元690 以 700+ TFLOPS FP16 登顶国产纸面算力，公司实现首次年度盈利，下一代芯片未发先涨 20%–30%。这个曾经靠情怀撑估值的"AI 芯片第一股"，第一次同时握住了技术、商业与定价权三张牌。

一、思元690 核心规格：196GB HBM3 撑起的算力天花板​

按本站芯片卡收录的规格，思元690（MLU690）采用双 die Chiplet 封装，2026 年初量产，核心参数如下：

项目	参数
架构	新一代 MLUarch 架构
制程	中芯国际 N+2（5nm 级），亦见台积电 4nm 双 die 报道
显存	196 GB HBM3
显存带宽	3.35 TB/s
FP16/BF16	700+ TFLOPS
INT4	2800+ TOPS
互联	MLU-Link 890 Gbps/卡
TDP	400–500 W
单价	¥14–15 万

与上代思元590 相比，这是一次全面换代；与 H100 相比，则是典型的"错位竞争"：

指标	思元690	思元590	H100 SXM	对比 H100
显存	196GB HBM3	96GB HBM2e	80GB HBM3	2.45×
显存带宽	3.35 TB/s	~2 TB/s	3.35 TB/s	持平
FP16	700+ TFLOPS	345 TFLOPS	989 TFLOPS	~71%
INT8 推理	反超（INT4 2800+ TOPS 口径）	1380 TOPS	1979 TOPS	部分场景反超

196GB 显存是思元690 最锋利的差异化武器：单卡装下更大的模型与 KV Cache，在推理场景性价比突出；纯推理场景可达到 H100 的 80%–90%。短板同样清晰——FP16 训练算力与千卡以上分布式训练的互联工程成熟度。为此，WAIC 2026 上寒武纪同步落地了 256 卡规模超节点集群方案，已在多地智算中心部署，从"单卡算力"走向"系统级算力"。

二、架构演进：MLUarch 换代与 HBM3 上量​

思元690 的代际跃迁体现在三处：其一，MLUarch 架构换代（市场披露口径称新一代芯片采用 MLUarch 04），配合双 die Chiplet 封装，把晶体管预算投向张量算力与显存通道；其二，显存从 HBM2e 一举上量到 196GB HBM3，3.35 TB/s 带宽与 H100 持平——在国产供应链里率先解决"内存墙"；其三，MLU-Link 890 Gbps 卡间互联已接近 NVLink 4 的 900 GB/s 量级，为 256 卡超节点铺路。软件侧的 NeuWare 是国内少有的云边端统一栈：PyTorch/TensorFlow 适配版、NeuBLAS、NeuDNN，以及全球首批商用 MLIR 图编译推理框架 MagicMind。

供应链上，台积电因实体清单停供后，寒武纪全线转向中芯国际 N+2，成为中芯先进制程的最大客户之一；N+2 产能已锁定至 2027 年。

三、涨价 20%–30%：国产芯片第一次掌握定价权​

路透社 2026 年 9 月 10 日报道：寒武纪下一代芯片（市场暂称"690"）重新定价，较两个月前上涨 20%–30%。同期昇腾 950DT 报价突破 25 万元、沐曦、天数智芯等国产卡也集体上调 20%–30%——这不是寒武纪一家的孤例，而是 HBM 成本飙升叠加供不应求下的全行业现象。

值得注意的是官方态度：寒武纪董秘办回应"不要听信市场消息，一切以官方公告为准"。渠道价与官方定价之间存在明显温差——涨价是市场现实，但公司不愿为渠道炒作背书。这背后是国产 AI 芯片定价权的历史性变化：过去国产卡必须以"替代品折价"换取订单，如今供给稀缺让定价逻辑转向"稀缺溢价"。在华为、寒武纪、摩尔线程构成的国产三强格局中，寒武纪第一次拥有了"不降价也能卖动"的底气。

四、首次年度盈利：商业模式的拐点​

如果说涨价反映的是市场热度，盈利则验证了商业模式的成色。按 2026 年上半年行业复盘口径，寒武纪已实现首次年度盈利。配套数据同样亮眼：2026 年 Q1 营收 28.85 亿元，同比增长 160%；2026 年 6 月市值突破万亿元。客户结构上，字节跳动是最大客户（思元580/590/690 合计采购超 50 万颗，约占其采购的 65%），阿里、百度、中国移动相继进入订单名单。

"首次盈利"对国产 AI 芯片行业的标志意义在于：这个赛道第一次出现了不依赖补贴与融资、靠卖芯片本身赚钱的商业模式。研发投入可以自我造血，意味着产品迭代不再以资本耐心为限——这对动辄三年一代的芯片研发周期，是决定性的正循环。

五、命名之辨：思元系列与市场传闻的"690"​

最后回到一个细节：市场上热议的"690"，官方从未正式发布命名。本站芯片卡以"思元690"收录其规格（已量产口径），而路透报道中的"690"实为市场对下一代芯片的暂称，寒武纪对具体命名、规格与定价均保持谨慎，一切以官方公告为准。这种"市场抢跑、官方缄默"的组合本身就是一个信号：在供给稀缺的卖方市场里，厂商不再需要靠预热造势——把名字留到正式发布，反而是一种定价权。

小结​

思元690 代表的"寒武纪时刻"，本质上是三件事同时发生：技术上，700+ TFLOPS FP16、196GB HBM3 与 256 卡超节点让国产训练卡首次形成完整的系统级方案；商业上，首次年度盈利证明了国产 AI 芯片可以自我造血；市场地位上，20%–30% 的重新定价宣告国产芯片开始掌握定价权。当然，考验依然存在：千卡以上训练的互联工程成熟度、NeuWare 与 CUDA 的生态差距、以及下一代芯片能否如期放量。但至少在 2026 年秋天，国产 AI 芯片第一次同时拥有了技术、利润与议价能力。

2022 年发布 MTT S80 时，摩尔线程被寄予"国产游戏显卡之光"的厚望，也因驱动不成熟和游戏兼容问题承受了铺天盖地的质疑。很少有人预料到，两年后这家公司会靠着数据中心卡和智算集群登陆科创板，成为中国 GPU 概念股里最受关注的名字之一。

S80：全功能 GPU 的第一块试金石​

MTT S80 搭载完整的第二代"春晓"芯片，内置 4096 个 MUSA 核心，1.8GHz 主频下提供 14.7 TFLOPS 单精度算力，配备 16GB GDDR6 显存与 448 GB/s 带宽，整卡功耗 255W。它还有两个容易被忽略的亮点：是业内首款配备 PCIe Gen5 x16 接口的显卡，并支持 8K 显示输出与 1080P 360Hz 高刷。

参数	MTT S80（2022）	MTT S4000（2023）
定位	消费级游戏显卡	数据中心智算加速卡
芯片架构	春晓（第二代 MUSA）	曲院（第三代 MUSA）
FP32 算力	14.7 TFLOPS	25 TFLOPS
FP16 算力	未官方标称	100 TFLOPS
INT8 算力	未官方标称	200 TOPS
显存	16GB GDDR6，448 GB/s	48GB GDDR6，768 GB/s
功耗	255W	450W

争议与转向：从游戏玩家到智算中心​

S80 上市后遭遇的现实很骨感：DirectX 游戏需经转译层运行，早期帧率与兼容性均不理想，"买卡看驱动更新"一度成为玩家社区的调侃。但摩尔线程没有在消费市场硬耗，而是快速将重心转向 AI 算力——2023 年底发布的 MTT S4000 基于"曲院"架构，显存翻三倍到 48GB，并补齐了 FP16/BF16 与 INT8 训练推理能力；随后推出的夸娥（KUAE）智算集群方案，可支撑千亿参数大模型训练。

这一转向在财报中体现得非常直接：公司营收从 2022 年的约 0.46 亿元增至 2024 年的 4.38 亿元，2025 年达 15.05 亿元，同比增长 243%，其中 AI 智算产品贡献了绝大部分收入；归母净亏损也从 2022 年的 18.94 亿元收窄到 2025 年的 10.01 亿元。

上市之后：MUSA 生态的长期答卷​

2025 年 12 月 5 日，摩尔线程以 114.28 元发行价登陆科创板，募资约 80 亿元，成为"国产 GPU 第一股"。据公开报道，其 MUSA 架构已兼容约九成 CUDA 语法，工具链支持 PyTorch、TensorFlow 等主流框架，并对 DeepSeek 等开源大模型实现发布即适配。2025 年公司发布第五代"花港"架构，支持 FP4 至 FP64 全精度；旗舰智算卡 MTT S5000 单卡稠密 AI 算力最高 1000 TFLOPS，基于它搭建的夸娥万卡集群已上线服务，密集大模型训练算力利用率达 60%。

小结：活下去，再谈引领​

从 S80 的争议到 S4000 的落地再到 S5000 的万卡集群，摩尔线程三年间完成了一次教科书级的战略调整：不与巨头在消费市场纠缠，而是用全功能 GPU 的统一架构承接 AI 算力需求。对采购方而言，S4000 至今是国产推理与中等规模训练的高性价比选项；对观察者而言，这家公司接下来要回答的问题是，如何在盈利压力下持续支撑高强度的架构研发。