跳到主要内容

7 篇博文 含有标签「产业报告」

AI 产业研究报告与趋势分析

查看所有标签

云巨头自研芯片浪潮 2026：OpenAI Jalapeño、Maia 200、MTIA、TPU v8 集体"去英伟达化"

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026 年 8 月 Hot Chips 的周二下午 AI 专场，是本届最有历史意义的一场——不是因为某颗芯片多强，而是因为登台的几乎全是"超算厂商去 NVIDIA 化"的自研 ASIC：Google 第八代 TPU、OpenAI 首颗自研芯片、微软 Maia、Meta MTIA、Cerebras 晶圆级机架同台。当全球最大的 AI 算力买家开始把 GPU 当作"可选项之一"，AI 硬件的权力结构正在松动。

1. OpenAI Jalapeño：9 个月造出一颗芯片​

OpenAI 于 2026 年 6 月 24 日联合博通发布首款自研推理 ASIC Jalapeño，是"自研推理芯片俱乐部"的第五个成员。

维度Jalapeño
合作方博通（Broadcom）+ 台积电制造
定位推理专用 ASIC
设计周期端到端 9 个月（Greg Brockman 称借助 OpenAI 自有模型辅助设计）
成本目标较通用 GPU 栈 token 成本降约 50%
商用时间2026 年底首批部署，长期目标 10GW 自研芯片
合作规模与博通最高 100 亿美元战略合作（2029 年前部署加速器与网络）

演讲标题"You Can Just Build Things … Chips"本身就是信号：最大的 AI 算力买家不再默认 GPU 是唯一路径。

2. Google TPU v8：十年来最大架构转向——训练/推理分芯​

Google 拥有最悠久的自研芯片历史（2016 至今），第八代 TPU 首次将产品线一分为二：

型号代号合作方定位关键规格
TPU 8tSunfishBroadcom训练单 pod 9600 卡、121 FP4 ExaFLOPS、2PB 共享 HBM、ICI 带宽翻倍
TPU 8iZebrafishMediaTek推理288GB HBM、384MB 片上 SRAM（3× 上代）、ICI 19.2 Tb/s

产能方面，摩根士丹利基于供应链访谈估算 2026 年 Google TPU 产量可能超 300 万颗（券商预测，非官方目标）。Google 也是唯一实现自研芯片大规模部署并对外销售算力的厂商（Gemini 跑在 TPU 上）。

3. Meta MTIA：从推荐系统到 GenAI 双使命​

Meta 的自研之路起点最清晰——MTIA 最初为推荐排序硬件而生，正被生成式 AI 拉向双使命。

  • MTIA 300 已部署；400 / 450 / 500 计划在 2027 年前约每 6 个月推出一款；
  • 基于 RISC-V，Meta 称最高 25× 算力增益；
  • 节点沿行业节奏演进：100（7nm）→ 200（5nm）→ 300 系列（3nm + CoWoS）；
  • 与 博通合作，据称另一颗代号 Iris 的芯片已于 2026 年 7 月通过测试；
  • Meta 计划 2026 年 9 月启动其中一款的量产，以将其整体算力翻倍。

4. 微软 Maia 200/300：部署最领先​

微软 Maia 200 于 2026 年 1 月 26 日发布，是四家中部署最先进的：

维度Maia 200
制程台积电 3nm，1400 亿+ 晶体管
算力10+ PFLOPS FP4 / 5 PFLOPS FP8
显存216GB HBM3E，7 TB/s
功耗750W
部署已在得梅因（Des Moines）数据中心运行，服务 OpenAI GPT-5.2 与 Microsoft 365 Copilot

微软称其在特定基准上约 3× 亚马逊 Trainium 性能。短期策略是"自研 Maia + 外购英伟达"双路线并行——自研芯片从设计到量产需要时间，英伟达成熟生态短期内无法替代。

5. 亚马逊 Trainium 3 与 Anthropic 自建团队​

  • 亚马逊：Trainium 系列已商用，累计部署 140 万颗（官方披露），是数十亿美元业务；优势在 AWS 客户基数——企业可在英伟达 GPU 与自研芯片间选择。Trainium 3 延续这一路线。
  • Anthropic：2026 年 8 月宣布组建自建芯片团队，尚无 tape-out 或量产时间表，初期定位为补充（而非取代）与 NVIDIA/AMD/AWS/Google Cloud 的现有合作，目标是为 Claude 架构量身打造、摆脱对单一 GPU 的依赖。

6. NVIDIA 的回应：不是更快的 GPU，而是全栈​

容易把叙事简化成"四家造芯片、英伟达防守 GPU"。但 NVIDIA 在 Hot Chips 拿了 6 个 slot：RISC-V 教程、Vera CPU、Rubin GPU、BlueField-4 DPU、Spectrum-X 多平面网络、以及 LPU 加速器。

一颗 hyperscaler ASIC 只替换了这五个支柱中的一个。如果 CPU、NIC、交换 fabric 与软件都来自同一家供应商，把加速器换掉省下的，比加速器那一行账单暗示的要少得多。Rubin 的打法是一个横跨七颗芯片、五种机柜的全栈 AI 工厂平台——竞争回应是"全栈位置"，而非"更快的一颗芯"。

7. 趋势判断：推理去 GPU 化，训练仍 GPU 主导​

  • 推理侧：CUDA 护城河明显变浅。推理在端点层面可并行、可替换，自研 ASIC 通过剪掉通用性税（只实现 LLM 实际执行的操作）换取更低 cost/token。Groq LPU、Cerebras、各家 TPU/ASIC 都在同一指标上竞争。
  • 训练侧：Foundation model 仍用 GPU 训练，短期内无人认真挑战。NVIDIA 在训练的三道护城河（最快硅 + NVLink + CUDA）依旧牢固。
  • 结论：自研芯片不是"替代英伟达"，而是在推理这一最大、增长最快的战场上，给买家一个可信的谈判外部选项——这本身就足以重塑 AI 基础设施的经济学。

相关链接​

参考资料​

本文基于 2026 年 8 月 Hot Chips 现场报道、企业公告与行业分析整理。部分产能与性能为券商估算或厂商公布口径，实际以量产产品为准。

HBM4 量产元年：三星良率突破80%、三巨头齐过英伟达认证，AI 算力供给的最后一道瓶颈

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

如果说 2025 年是 HBM3E 的产能爬坡年，那么 2026 年就是 HBM4 的量产元年。NVIDIA Vera Rubin 与 AMD MI400 两代旗舰同时押注 HBM4，让这块"AI 芯片上的内存"第一次成为决定整机柜交付节奏的战略物资。而 8 月密集披露的良率与认证数据，正在重写全球 HBM 供应版图。

1. 黄金良率突破：三星六个月从不足六成冲上 80%​

据韩国《首尔经济日报》8 月 9 日披露，三星电子 HBM4 良率已于 8 月初正式跨过 80% 的"黄金良率"门槛——较其原定年底达成的目标提前了四个多月。

时间节点三星 HBM4 良率备注
2026 年 2 月（量产启动）不足 60%产线爬坡期
2026 年 8 月初约 80%跨过规模量产 / 稳定盈利分水岭

半导体行业素有"80% 良率为黄金良率"之说——它既是晶圆厂竞争力的标尺，也被视为大规模商业化供给的财务转正点。推动这一跃迁的关键，是三星在 热压非导电薄膜（TC-NCF）键合工艺 上的突破，以及底层 1c DRAM 良率早已站上 80% 所提供的稳定基底。同期，三星 HBM4E 可靠性测试良率也已突破 70%。

业界评估，SK 海力士的 HBM4 良率同样迈入 80% 区间。两大巨头在量产品质上的差距正被快速抹平。

2. 供应版图：SK 海力士握有 Rubin 六至七成分配​

黄仁勋 6 月 5 日在首尔公开确认：三星、SK 海力士、美光三家均已通过 Vera Rubin 的 HBM4 认证——这是三大存储厂首次同时获得同一平台的公开认证。

但认证只是"进门券"，分配份额才是话语权：

厂商2026 年 Rubin HBM4 分配（估算）备注
SK 海力士60%–70%凭借 HBM3/3E 世代积累的客户关系与 MR-MUF 封装工艺
三星25%–30%良率跃迁后份额快速提升
美光剩余部分HBM4 曝光有限，份额相对稳定

Counterpoint Research 预测 2026 年 HBM4 市场格局为 SK 海力士 54% / 三星 28% / 美光 18%。三星已设定阶梯式追赶目标：Q3 HBM4 营收环比三倍增长、下半年 HBM4 占 HBM 总营收超 60%、年底 HBM 整体市占率向 38% 靠拢。

3. 真正的瓶颈：从晶圆转向"后端堆叠"​

随着前端良率企稳，AI 加速器供应链的节奏，不再取决于"能产多少晶圆"，而取决于后端堆叠、键合、测试、出货的速度。

  • 行业分析师将 HBM 堆叠列为 AI 芯片供应链第二严重的瓶颈，仅次于 TSMC 的 CoWoS 先进封装产能。
  • HBM 占 2026 年 DRAM 晶圆产量的约 25%；每片 HBM 晶圆消耗约 3–4 倍于普通 DRAM 晶圆的资源（额外 TSV 与堆叠步骤），每redirect一片晶圆就等于从现货市场抽走 3–4 单位商品内存。
  • 三星正考虑将部分传统内存后端产线（天安、温阳）迁往越南以释放 HBM 后端产能——侧面印证后端吞吐已是整条链最紧的环节。

4. HBM4 规格速览：带宽与能效的代际跃迁​

规格HBM4（12-Hi / 16-Hi）HBM4E
单栈容量36 GB / 48 GB—
引脚速率11.7–13.0 Gbps16 Gbps
单栈带宽最高 3.3 TB/s最高 3.6 TB/s
总线位宽2048-bit—
能效较 HBM3E 提升 40%—
热阻 / 散热改善 10% / 提升 30%—

三星 HBM4 于 2026 年 2 月量产，11.7 Gbps 的引脚速率已超出 Vera Rubin 兼容所需的 8 Gbps 行业基线；HBM4E 样品则于 5 月 29 日率先发往主要客户。

5. 价格权力延续至 2027：供给仍将是紧平衡​

TrendForce 判断，HBM 供应商的定价权将贯穿 2027 年，原因是供给持续受限：

  • 2027 年 HBM bit 出货量预计年增 50%–60%，但仍跟不上需求增速，市场维持紧缺；
  • 行业已预期显著涨价；
  • 对 NVIDIA 与 AMD 而言，一个更强的三星意味着更多供货选择与更从容的交期——在内存成为 AI 服务器最紧一环的市场里，第二、第三供应商的存在本身就是缓冲。

对整机柜而言，HBM 成本已是最大推手：Rubin Ultra 机柜预估售价高达 2100 万美元，HBM 占其中相当比重。

6. 对中国的启示：HBM 出口管制加速国产迭代​

HBM 是当前 AI 芯片管制的核心环节之一。在海外 HBM4 军备竞赛白热化的同时，国产 HBM 技术迭代被同步推快——华为昇腾路线图已明确将"推动国产 HBM 技术迭代"写入产品节奏（950 系列推进国产 HBM 配套，960/970 系列规划于 2027–2028 年陆续推出）。

短期看，HBM4 的紧缺会直接传导到 Rubin / MI400 的交付节奏；长期看，谁能锁定稳定的 HBM4 供给，谁就握住了 2027 年 AI 算力扩张的阀门。

相关链接​

参考资料​

本文基于 TrendForce、Seoul Economic Daily、TechTimes 等 2026 年 8 月公开报道整理。HBM 分配份额与市占率为第三方机构估算，非厂商官方确认数据。

国产三强 2026 H2：国产化率突破40%向60%迈进，昇腾960路线图、MLU690与S5000生态齐发力

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026 年，中国 AI 芯片市场格局已从"英伟达单极主导"转向"海外厂商领先、国产多路线追赶"。据产业研究数据，2025 年中国 AI 加速卡整体市场约 400 万张，其中国产出货 165 万张，份额首次突破 40%；随着产品迭代与晶圆厂配套跟进，2027 年国产化率有望提升至 60%–70%。本文聚焦华为昇腾、寒武纪、摩尔线程"国产三强"的 2026 下半年最新进展。

1. 华为昇腾：950 产能排满，960 路线图亮相​

昇腾以"架构 + 生态全栈协同"为核心优势，2025 年出货约 80 万颗，占国产厂商总份额 50%。产品迭代节奏清晰：

时间产品说明
2025 Q1昇腾 910C主力过渡型号
2026 Q1昇腾 950PR推理旗舰
2026 Q4（计划）昇腾 950DT训练旗舰，推动国产 HBM 迭代
2027–2028昇腾 960 / 970路线图产品

950 系列产能已进入"排满"状态：950PR 于 2026 年 4 月量产，6 月月产能跳升至 50–60 万片（环比近 10 倍），全年目标 120 万片、确定性 100%；字节跳动以 56 亿美元锁定 35 万片，腾讯 / 阿里 / 百度合计锁定 40 万片。

昇腾 960 路线图规格（据路线图披露）：

指标昇腾 960
架构昇腾第六代（Da Vinci v6）
FP8 算力约 4 PFLOPS
显存288GB
显存带宽9.6 TB/s
超节点Atlas 960 SuperPoD，15,488 张卡，灵衢光电融合总线
首发2027 Q4（路线图）

上一代昇腾 384 超节点已累计商用超 750 套，落地互联网、运营商、金融、教育、医疗等 20 多个行业——华为称其为"国内唯一训练出 SOTA 模型的超节点"。

2. 寒武纪 MLU690：下半年量产，切入字节招标窗口​

寒武纪是昇腾未上市背景下的核心国产算力龙头，技术代差持续缩小：

  • 思元 590（7nm）：性能等效 A100 的 80%，已支持 DeepSeek，持续适配千问 3、GLM 等主流大模型；
  • 思元 690 系列：将于 2026 下半年正式量产，有望在下半年字节招投标窗口期实现订单放量；
  • 业绩确定性：股权激励目标显示未来 3 年营收增速均超 100%，2026 年营收目标 135 亿元、2027 年 270 亿元、2028 年 600 亿元。

寒武纪充分受益于"国产 CSP 资本开支 + 国产大模型与国芯全面适配"的行业红利，是国产化率提升最直接的弹性标的。

3. 摩尔线程 MTT S5000：全功能 GPU + 生态突围​

摩尔线程走"全功能 GPU"差异化路线，旗舰 MTT S5000 基于第四代"平湖"MUSA 架构：

指标MTT S5000
稠密 AI 算力1000 TFLOPS
显存80GB
显存带宽1.6 TB/s
卡间互联784 GB/s
精度FP8 到 FP64 全精度（训推一体）
安全可靠首批通过国家《安全可靠测评》（I 级）

其工程化能力已获验证：基于 S5000 的夸娥（KUAE）智算集群训练线性扩展效率达 95%，万卡扩展计算效率损耗控制在 5% 以内；已支持断点续训，有效训练时长占比超 90%；并从零完整训练出语料超 25 万亿 Token 的 MoE-236B 基础大模型。

生态是摩尔线程最深的护城河：MUSA 已实现 100% 核心数学库兼容、3000+ PyTorch 算子兼容、覆盖 55 类核心 AI 算子，获 vLLM 与 SGLang 官方支持，主流模型 Day-0 适配，开发者突破 80 万人。其 PD 异构分离方案以 2:1 比例实现 S5000 对国际高端 GPU 的等效替代，显著降低推理成本。

第五代"花港"架构（2025-12 发布）支持 FP4 到 FP64 全精度，算力密度较上一代提升 50%、能效提升 10 倍，可支持十万卡以上集群；基于该架构的"华山"（训推一体）与"庐山"（图形渲染）新芯片研发累计投入已超 9 亿元。

4. 软件生态决胜：Day-0 适配常态化​

硬件之外，软件生态的兑现是 2026 年国产算力的分水岭：

  • 华为 CANN 异构计算架构与 MindSeries 套件已全面开源，社区孵化 67 个项目、超 1244 万行代码，月活开发者超 3500 人；
  • 国产大模型与国产芯片"发布即适配"闭环基本成型：腾讯混元 T3（295B）、DeepSeek-V4、GLM-5.2 均完成 Day-0 适配；
  • 2026 年被视为"国产超节点元年"，华泰证券测算 2028 年中国超节点架构市场规模有望达 3414 亿元，2026–2028 年复合增长率 194%。

5. 产业判断：从"能不能做出来"到"能不能用得好"​

国产三强正沿三条路径收敛：

  1. 华为：以超节点系统级能力 + 全栈软件锁定政企与互联网大客户；
  2. 寒武纪：以训练侧代差缩小 + 大客户招标放量冲击营收拐点；
  3. 摩尔线程：以全功能 GPU 通用性 + 成熟 CUDA 兼容生态覆盖云边端全场景。

三家的共同短板仍在于高端制程与 HBM 供给——这恰是海外管制的核心环节。但随着国产 HBM 迭代与晶圆厂配套跟进，2027 年国产化率向 60%–70% 迈进具备现实路径。

相关链接​

参考资料​

本文基于 2026 年 8 月公开产业研究、券商观点与企业公告整理。部分出货量与市占率为第三方估算，非官方确认数据。

推理加速卡市场 2026：占加速器市场60%-70%，GPU 与 ASIC 份额反转，五大流派混战

· 阅读需 5 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

过去三年，整个 AI 硬件故事都是"训练"：谁有最多 H100、谁能把十万卡连成集群。这场竞赛基本尘埃落定——NVIDIA 赢了。但下一战场"推理"正在完全不同的规则下开打：衡量标准不是峰值 FLOPS，而是 cost-per-token（每 token 成本）、时延与功耗。2026 年，推理芯片第一次在规模上压倒训练，成为 AI 加速器的主战场。

1. 推理成为主战场：80%–90% 的算力花在推理上​

训练一个大模型要花数亿美元——一次。但模型上线后，它要日复一日回答数十亿次查询。一个热门消费级模型可能需要上万颗加速器 7×24 小时运行才能跟上需求。因此：

  • 推理约占一个模型生命周期算力的 80%–90%；
  • 推理芯片将占 2026 年约 $400B AI 加速器市场的 60%–70%，而 2023 年这一比例仅约 40%；
  • 推理芯片增速（预计年增 52.7%）显著高于训练芯片（28.4%），推理侧算力需求占比 2026 年首次超过训练侧，达 54%（约 $1010B）。

推理的经济学很直接：训练成本被摊销到微不足道，推理成本成为整张账单。每降低 1% 推理成本，都直接流向利润——对 OpenAI 这种推理流量达 hyperscale 体量的公司，Half 的账单是后面跟着一堆零的数字。

2. 市场规模：结构性增长拐点已至​

市场2026 规模增速备注
全球推理专用芯片$412.7B+38.4%较训练芯片增速高 14.2 pct
中国推理专用芯片$118.6B（占全球 28.7%）+44.1%亚太增速最强单一市场
全球 AI 训练/推理芯片（含 GPU/NPU）突破 $1850B+40.2%GPU 占约 62%

中国市场国产化替代加速，国产推理芯片出货占比达 34.6%，较 2025 年提升 9.8 pct。

3. 技术路线份额反转：GPU 放缓，ASIC 飙升​

路线2026 出货份额趋势
GPU52.6%仍居首，但增速放缓至 22.7%
ASIC 定制芯片41.3%从 2022 年 17.8% 大幅攀升
FPGA稳定特定低时延场景

GPU 凭借生态成熟度仍是主力，但 NPU/ASIC 在能效比上已实现对同代 GPU 1.8 倍的优势，推动其在边缘与端侧采用率快速攀升。专为推理优化的 ASIC 出货量预计达 1150 万颗，单位成本较 GPU 降低约 35%。

4. 五大流派混战​

流派代表产品核心优势适用场景
通用 GPUNVIDIA Rubin / B200 / H200生态成熟、训推一体前沿训练 + 高交互推理
LPU（语言处理单元）Groq LPU极低时延、确定性吞吐实时对话、高并发推理
TPU（推理专用）Google TPU 8i（Zebrafish）288GB HBM、384MB 片上 SRAM、ICI 19.2 Tb/sGoogle 规模化推理
自研 ASICOpenAI Jalapeño、微软 Maia 200、Meta MTIA针对自家模型剪掉通用性税，cost/token 降 ~50%hyperscaler 自有负载
风冷推理卡Intel Crescent Island350W 风冷、480GB LPDDR5X、tokens/watt成本敏感中长尾推理

OpenAI 与博通合作的 Jalapeño 目标将推理 token 成本较通用 GPU 栈降低约 50%——这是第五个加入"自研推理芯片俱乐部"的成员（前有 Google TPU、亚马逊 Inferentia/Trainium、微软 Maia、Meta MTIA）。

5. 核心指标转向：cost-per-token 与 tokens/watt​

推理竞赛与训练竞赛的根本不同在于切换成本低：

  • 训练需要 10 万卡集群 + NVLink + CUDA，迁移成本极高；
  • 推理在端点层面" embarrassingly parallel"——不需要百万卡集群，一个能快速便宜出 token 的节点即可，per-endpoint 可替换。

这意味着 NVIDIA 的三道护城河（最快硅、NVLink 扩展、CUDA）在推理侧都不再绝对。当最大的 AI 买家（OpenAI）开始把 GPU 当作"可选项之一"，GPU 溢价就开始消蚀——定价权依赖稀缺性，而自研芯片从两个方向同时攻击稀缺性：既减少商户芯片需求，又给买家一个可信的谈判外部选项。

6. 边缘与端侧爆发：长尾化信号​

需求端呈现显著长尾化与碎片化：

场景2026 需求规模增速
云端推理$198.2B（占 48%）+24.5%（放缓）
边缘推理$126.5B（占 30.7%）+52.3%
端侧推理$88.0B（占 21.3%）+68.9%
智能驾驶推理$67.3B+58.2%
工业质检 / 机器人推理$42.1B+63.7%

推理负载的时延敏感性与功耗约束正在重塑芯片架构设计优先级——这也解释了为何 Crescent Island 这类"风冷大显存"方案能找到生存空间。

相关链接​

参考资料​

本文基于 2026 年公开市场研究、券商报告与行业分析整理。市场规模与份额为第三方机构测算，口径不一，仅供参考。

国产GPU上市潮：四小龙资本市场集结，摩尔线程MTT S5000对标H100

· 阅读需 5 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

从 2025 年 12 月到 2026 年 7 月，短短半年，至少 6 家 AI 芯片企业登陆或即将登陆资本市场。加上已上市的寒武纪、海光信息、天数智芯，国产 GPU 军团总市值正逼近 2 万亿元。这标志着国产 GPU 从"能用"迈向"好用"的关键爬坡期。

1. "四小龙"资本市场集结​

企业上市状态拟募资 / 发行价保荐机构
摩尔线程已上市（科创板 sh688795，2025-12-05）发行价 114.28 元，募资 80 亿元中信证券
沐曦股份IPO 受理（2026-06-30）39.04 亿元（投资总额 50 亿元）华泰联合
燧原科技过会（2026-06-15）60 亿元—
壁仞科技港股 / 冲刺中——

已上市阵营：寒武纪（sh688256，2020-07-20 科创板）、海光信息、天数智芯（港股）。摩尔线程一季度实现账面盈利 2,935 万元，沐曦亏损收窄 57.7% 并给出 2026 年盈亏平衡时间表。

2. 摩尔线程 MTT S5000：对标 H100​

摩尔线程宣布旗舰 AI 训推一体 GPU MTT S5000 成功完成智谱新一代大模型 GLM-5 全流程适配验证，实测性能"突破国产算力天花板"：

指标MTT S5000
架构第四代"平湖"架构
FP8 算力1 PFLOPS（1,000 TFLOPS）
显存带宽1.6 TB/s
定位训推一体全功能 GPU，对标 NVIDIA H100
量产状态已规模量产，集群已上线支持万亿参数训练

落地验证：联合智源研究院完成具身大脑模型 RoboBrain 2.5 全流程训练；联手硅基流动实现 DeepSeek-V3 高性能推理，单卡速度接近国际顶尖产品。募投资金投向三大方向：新一代 AI 训推一体芯片、新一代图形芯片、新一代 AI SoC 芯片。

WAIC 2026 新进展：摩尔线程展出 MTT C256 超节点（首创一层 Scale-up 256 卡全互联、亚微秒级时延）与"模型训练工厂 / 词元生产工厂 / 智能体生产工厂"三大 AI 工厂方案；公司预告 2026 年上半年营收 16.5–17.5 亿元，同比增 135%–149%。

3. 寒武纪：思元590/690 双旗舰​

芯片制程算力显存客户 / 状态
思元590（MLU590）7nm ChipletINT8 512 TOPS / FP16 345 TFLOPS96 GB HBM2e字节推理主力，综合性能约 A100 的 80%，2026 初规模出货
思元690（MLU690）5nm 级（中芯 N+2）FP16 700+ TFLOPS / INT8 2800+ TOPS196 GB HBM3（带宽 3.35 TB/s）双 die 封装、MLU-Link 890 Gbps；对标 H100 约 70%（纯推理 80–90%）；字节为最大客户，2026 初量产

寒武纪是国内唯一"端边云统一架构"AI 芯片厂商，统一 MLU 指令集覆盖思元 220（端）→ 370（边）→ 590/690（云），同一套 NeuWare 工具链跨算力层级部署。

资本与业绩双爆发：寒武纪 2026 年 6 月 30 日总市值突破万亿元，成为科创板首支"万亿股"，年内涨幅超 75%。业绩层面，2026 Q1 营收 28.85 亿元（同比 +160%）、扣非净利 9.34 亿元；2025 全年营收 64.97 亿元（同比 +453%）、归母净利 20.59 亿元，终结长期亏损。字节跳动累计部署超 10 万张思元 590/690，为最大客户。

4. DeepSeek-V4 效应：改变预期坐标系​

2026 年 4 月 24 日，DeepSeek 发布万亿参数旗舰 DeepSeek-V4。与一年前 V3 发布时"国产芯片能不能跑大模型"的争论不同，这次华为昇腾、寒武纪、海光、沐曦、摩尔线程、昆仑芯、平头哥、天数智芯等多家国产芯片在发布当天即完成适配。

评判坐标系正在改变：从"性能达到英伟达同代产品的百分之多少"，转向"能不能承接头部大模型的真实工作负载"。

产业解读​

  1. 资本弹药到位：密集 IPO 为国产 GPU 的研发迭代与产能扩张提供充足资金，从"技术突破"迈向"商业正循环"。
  2. 训推一体成主流路线：摩尔线程走全功能 GPU 路线（图形+AI+通用计算），与华为昇腾"专注 AI"形成差异化。
  3. 软件生态是胜负手：Day-0 适配、统一软件栈（MUSA / NeuWare / MXMACA）的成熟度，正取代单纯的峰值算力，成为国产 GPU"好用"的核心标尺。

相关链接​

参考资料​

本文持续跟踪国产 GPU 上市进程与产品迭代。

华为昇腾950系列产能与订单深度：950PR月产能跳升10倍，字节56亿美元锁定35万片

· 阅读需 5 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

昇腾 950 系列（950PR 推理 / 950DT 训练）已成为国产 AI 算力的核心供给。据多家券商与行业调研，950 系列产能已 100% 排满、现货稀缺，全年 120 万片目标"确定性 100%"，并存在上调至 150 万片的预期。本文汇总截至 2026 年 7 月的产能与订单数据。

1. 产能节奏：6月环比近10倍跳升​

时间950PR 月产能备注
2026年5月5–6 万片基本满产
2026年6月50–60 万片环比接近 10 倍；中芯、华虹一供全线加班
2026年 Q3（预计）70–80 万片单月
2026 全年目标120 万片有上调至 150 万片预期

产业链交付吃紧：高速背板、液冷连接器交货周期从 2 周拉长至 6–8 周，订单已排至 2027 年。

2. 订单结构：头部云厂 + 运营商 + 海外​

客户锁定量金额 / 备注
字节跳动35 万片 950PR56 亿美元，2026 Q3 起集中交付
腾讯 / 阿里 / 百度约 25 万片 950PR + 15 万片 950DT合计约 40 万片
三大运营商超 20 万片集采，用于智算中心与 AI 专网
海外韩国 2,000 片、马来西亚 3,000 台服务器、俄罗斯万卡级集群从试点转向商用

3. 出货预测：稳居国产第一​

据科智咨询测算：

指标20252026（预测）
华为昇腾总出货量81.2 万张102.6 万张
其中 950PR—约 80 万片
其中 950DT—约 10–20 万片

华为已完成由 910 系列向 950 系列的产品切换。互联网行业已成为昇腾最大应用市场，竞争优势正由单一硬件性能延伸至软件生态与系统能力。

4. 出海：Q4 正式入韩​

据韩媒 ETNews 报道，华为计划 2026 Q4 以昇腾系列及 Atlas 950 SuperPod 正式进入韩国市场：

  • 已完成本土分销商协议，选定 SK Shieldus 等两家渠道伙伴；
  • 主力产品为 950PR（4 月已量产交付） 与 950DT（Q4 同步推出）；
  • 官方口径：950PR 推理性能达 H20 的 2.87 倍，定价约为其 1/4。

5. WAIC 2026：1024 卡真机首秀确认​

WAIC 2026（7月17–20日上海）上，华为 Atlas 950 SuperPoD 真机首次公开亮相，现场展出 16 台计算柜、1024 张昇腾卡 规模，并斩获大会最高荣誉 SAIL 大奖：

  • 核心指标：总算力 1 EFLOPS FP8 / 2 EFLOPS FP4，256 TB 全局统一内存编址，灵衢 2.0 互联、3 μs 超低 RTT 时延；
  • 满配形态：128 计算柜 + 32 互联柜 = 160 机柜、占地约 1000 ㎡，搭载 8192 颗昇腾 950DT，计划 2026 年 Q4 上市；
  • 商用基础：上一代 384 超节点已累计商用超 750 套，落地 20+ 行业；
  • 软件生态：CANN 已于 2025 年底全面开源，社区孵化 67 个项目、超 1244 万行代码，月活开发者超 3500 人。

WAIC 首秀确认了 950 系列"超节点优先"的产品逻辑：单卡算力之外，系统级有效算力（互联带宽 + 统一内存 + 低时延）才是国产算力对标国际旗舰的关键维度。

昇腾路线图回顾​

产品定位关键指标（官方路线图）
950PR推理1 PFLOPS（FP8）/ 2 PFLOPS（FP4），互联 2 TB/s
950DT训练超节点核心，Q4 推出
960训练/推理2 PFLOPS（FP8）/ 4 PFLOPS
970下一代规划中

产业解读​

  1. 国产替代从推理迈向训练：950PR（推理）率先放量，950DT（训练）Q4 跟进，配合 Atlas 950 SuperPoD 万卡互联，国产算力首次具备"训练替代"完整拼图。
  2. 产能是最大变量：订单确定性极高，但中芯/华虹先进制程产能、HBM 供应、先进封装仍是放量瓶颈——这也是"现货稀缺"的根源。
  3. 出海打开第二曲线：韩国、马来西亚、俄罗斯、拉美的批量采购，标志国产算力从"内循环"走向"外循环"。

相关链接​

参考资料​

本文数据以官方与主流券商调研为准，产能/订单为动态数字，将持续更新。

2026全球AI算力报告及算力产业十大趋势重磅发布

· 阅读需 9 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年5月29日，在天津举办的2026世界智能产业博览会期间，由中国智能计算产业联盟、国家超级计算天津中心、天津市人工智能学会、深圳市人工智能行业协会、至顶科技、至顶智库联合发布了《2026全球AI算力发展研究报告》。

该报告深入分析了全球AI算力产业的发展现状与未来趋势，揭示了算力产业进入"智算驱动、体系重构"的全新发展阶段。

核心观点​

1. 算力成为国家战略要素​

全球算力产业正迈入"智算驱动、体系重构"的全新发展阶段。伴随"词元经济"的兴起，算力已成为支撑国家技术突破、产业竞争与战略布局的关键基础要素。

算力正从传统信息技术支撑演变为驱动科技创新与工业革命的战略性底座。

2. AI算力发展覆盖全链路​

AI算力发展需覆盖芯片、整机、计算集群全链路升级，同时需匹配模型训练、推理、数据准备各环节的差异化算力需求。

  • 训练端：超大规模模型预训练需要万卡级算力支撑
  • 推理端：超大规模模型需要千卡算力
  • 数据准备：需要数十到数百卡算力规模

训练与推理两端的算力需求仍将持续增长。

3. 国内AI芯片产业特色路径​

国内AI芯片产业走"自主可控+集群突破+软硬整合+性价比优势"路线，区别于国外追求单芯片绝对算力的路径，更符合大规模算力部署需求。

4. 算力中心能耗挑战与解决方案​

算力中心已成为全球电力需求增长最快的领域。未来需构建"短期风光储一体化、中期核能、长期氢能"的多元能源供给体系。

同时，太空算力将成为解决地面算力瓶颈的新方向。

5. 算网融合成为核心方向​

未来算力将向"算网融合"方向发展，实现算力像水电一样随取随用，成为国家现代化基础设施体系的核心组成部分。

算力网已纳入国家"十五五"规划重大工程项目，与水电等公共基础设施并列成为现代化基础设施体系核心。

关键数据​

算力性能演进​

指标演进趋势
芯片算力从TFLOPS量级提升至数十PFLOPS
整机部署形态从单机八卡演进为千卡级超节点架构
计算集群规模从千卡集群拓展至数十万卡集群
集群功耗从千瓦级提升到吉瓦级

全球算力中心容量及能耗预测​

  • 全球算力中心总容量：预计2030年从2026年的102GW增长至220GW

    • 其中AI负载容量从62GW提升至156GW，占比提升至71%

  • 美国算力中心年耗电量：预计从292TWh增长至606TWh，占全美电力需求比重提升至11%

  • 中国算力中心总容量：2030年预计接近60GW，AI负载占比提升至48%

  • 全球算力中心电力消耗：根据IEA基准情景预测，2030年将从2024年的约415TWh增长到约945TWh，年均增速约15%

具身智能算力支撑数据​

  • 云端算力：可实现日均生成PB级交互数据，大模型训练周期从月级缩短至周级
  • 端侧算力：数十至数百TOPS算力可完成10-50ms低时延实时感知决策

产业趋势分析​

算力技术架构趋势​

1. 异构计算架构升级​

从传统CPU+GPU架构，向GPU+LPU+CPU+DPU新型异构推理架构演进。

CPU在异构架构中承担任务调度、数据预处理、串行任务处理、系统互联的核心作用。2010年"天河一号A"率先实现CPU+GPU架构规模化落地，引领全球智算底层架构方向。

2. 算力扩展路径清晰​

  • Scale Up（纵向扩展）：通过提升单节点硬件配置追求极致性能
  • Scale Out（横向扩展）：通过增加节点实现负载分担与高可用性

两者共同构成算力系统能力的核心支撑。

3. 超节点服务器成为主流​

具备超高互联带宽、低通信时延优势，可缩短模型训练周期。

代表产品：

  • 华为昇腾384超节点
  • 中科曙光scaleX640超节点
  • 阿里云磐久AL128超节点
  • 浪潮元脑SD200
  • 昆仑芯超节点方案

4. 长上下文处理技术优化​

通过**压缩稀疏注意力（CSA）、重压缩注意力（HCA）**与滑动窗口机制协同，构建"粗粒度+细粒度、稀疏+稠密"的长上下文建模体系，提升算力使用效率。

代表应用：DeepSeek-V4的注意力架构设计。

AI算力关键领域发展趋势​

AI芯片领域​

国际厂商：

  • NVIDIA：

    • 凭借Blackwell与Rubin架构领跑高端训练和推理市场
    • GTC 2026台北（6月1日）重磅发布：
      • Vera Rubin平台全面量产：NVL72机架系统，智能体吞吐量比Grace Blackwell提升10倍
      • Vera CPU正式发布：88核Olympus自研Armv9.2架构，LPDDR5X 1.5TB，1.2 TB/s，全球首款原生支持FP8的CPU
      • RTX Spark AI PC芯片：与联发科、微软联合研发（代号N1X），Blackwell GPU 1 PFLOP，128GB统一内存，台积电3nm
      • Nemotron 3 Ultra开源模型：SSM+MoE混合架构，推理速度提升5倍，成本降低30%
    • 依托CUDA生态持续扩大竞争优势

  • Google：依托自研TPU深化软硬件垂直整合

  • Google：依托自研TPU深化软硬件垂直整合

  • AWS：通过Trainium训练芯片与Inferentia推理芯片协同，提供高性价比云端算力方案

国内厂商： 形成以华为昇腾910C、昆仑芯P800、摩尔线程MTT S5000、沐曦曦云C600为代表的产品矩阵。

2026年华为发布"韬（τ）定律"，以系统性降低时间常数为目标，通过逻辑折叠等技术提升晶体管密度，推动国产芯片技术演进。

AI工作站领域​

  • 形态覆盖：分为塔式、移动、迷你三类，适配不同部署场景
  • 算力等级覆盖：分为入门级、专业级、企业级三类，可覆盖从个人开发到企业级部署的全场景AI算力需求

AI服务器领域​

  • 按功能可分为训练AI服务器和推理AI服务器
  • 按部署方式可分为云端AI服务器和边缘AI服务器

具备高算力输出、高内存带宽、高速互联等能力，适配大规模并行计算任务。

AI算力中心领域​

  • 呈现"高AI占比、高功率密度、高电力消耗"的发展趋势
  • 超大规模AI算力中心成为建设重点
  • 能源供给向多元清洁化方向发展

太空算力成为新方向，可依托太空持续光照、极寒真空、无大气干扰的环境优势，解决地面算力中心的能源、散热、互联瓶颈。

目前Starcloud公司、国星宇航已开展初步探索。

算力应用场景趋势​

1. 科研范式变革​

"干湿闭环"研究范式成为主流，将AI驱动的"干实验"与自动化实验验证的"湿实验"通过数据反馈形成闭环，推动科学研究从经验驱动转向模型驱动。

2. 合成生物学赋能​

AI的多任务学习与未知空间探索能力，可破解生物系统"序列—结构—功能"的复杂映射，在蛋白质合成、基因编辑与核酸疫苗领域实现应用突破。

如AlphaFold系列模型实现蛋白质结构预测革命性突破。

3. 具身智能支撑​

云端与终端算力高效协同，为具身智能提供全栈算力支撑，覆盖海量数据处理、高保真仿真、模型训练、端侧实时感知决策全链路闭环。

算力基础设施发展趋势​

算网融合成为核心方向，从"先互联再成网"向全国一体化算力网演进。

三大电信运营商已开展自有算力与全国分散社会算力的互联工作，推动算力普惠化供给。

产业生态趋势​

国产算力生态持续完善，政企学研协同加深。中国智能计算产业联盟、国家超级计算天津中心、各地人工智能学会、行业协会、产业服务机构共同搭建交流平台，推动算力技术研发、标准制定、成果转化与人才培养，助力国产算力产业高质量发展。

结论与展望​

  1. 算力成为国家战略竞争力核心要素，全球主要国家纷纷加大算力基础设施投入，抢占AI时代战略制高点。

  2. 国内AI芯片产业走特色化发展路径，通过集群突破、软硬整合、性价比优势，在大规模算力部署场景中形成竞争优势。

  3. 算力技术架构持续演进，异构计算、超节点服务器、长上下文处理技术成为重要发展方向。

  4. 算力应用场景不断拓展，从科研范式变革到合成生物学、具身智能，AI算力深度赋能前沿领域。

  5. 算力基础设施向算网融合方向演进，未来算力将像水电一样成为普惠化、随取随用的公共基础设施。

参考文献：

  • 《2026全球AI算力发展研究报告》（中国智能计算产业联盟等机构发布）
  • 2026世界智能产业博览会（天津，2026年5月29日）