跳到主要内容

5 篇博文 含有标签「MLU690」

寒武纪 MLU690 芯片详解

查看所有标签

寒武纪业绩兑现期：从扭亏 20.59 亿到下一代涨价 20%-30% 的逻辑

· 阅读需 3 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

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 MLU690 规模部署与订单交付最新进展

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

国产 AI 芯片市场对 MLU690 的期待，从 2025 年一路延续到 2026 年。但据公开报道，MLU690 在 2026 年并没有形成大规模出货计划——寒武纪全年晶圆资源优先保障已成熟量产的 MLU580 与 MLU590。摩根士丹利 2026 年 10 月的研报也确认了这一点：MLU690 系列（特别是 MLU692）收入确认延迟，构成三季度业绩不及预期的主因。本文梳理 MLU690 的真实交付进展。

MLU690 交付现状：产能优先给成熟型号​

据公开报道，寒武纪 2026 年的产能分配策略已经明确：全年晶圆资源优先供给成熟量产的 MLU580、MLU590 两款芯片，MLU690 中芯版本暂不规划批量出货，也没有主动向客户推广。核心制约仍是产能瓶颈，即便拿到客户订单也无法按时交付，因此公司索性收缩 MLU690 的市场投放节奏。

摩根士丹利的研报从财务角度印证了同一件事：预计寒武纪 2026 年第三季度收入为 36.5 亿元人民币，低于此前预期的 47.7 亿元。不及预期的主要原因在于 MLU690 系列（特别是 MLU692）的收入确认延迟以及 MLU580 的交付量有限。寒武纪在第三季度已将 MLU692 交付给主要的 CSP（云服务提供商）进行测试，但预计该产品的大部分收入将在第四季度才能确认。

这就是 MLU690 当前的真实状态——不是"卖不动"，而是"没有足够的晶圆去卖"。

型号2026 年产能地位交付状态
MLU580主力，产能倾斜交付量有限，三季度提价后毛利率仍偏低
MLU590主力，产能倾斜上半年内可交付
MLU690 / MLU692产能优先级靠后已交付主要 CSP 测试，收入多在四季度确认
MLU790（下一代）尚未推进受 690 验证进度影响，节奏更谨慎

据公开报道，MLU690 的合同虽在上半年签订，但交付预计在第三季度。这与摩根士丹利所述"大部分收入在第四季度确认"基本一致。

央国企市场：可见的订单空间​

在消费级与互联网市场之外，央国企与训练场项目是 MLU690 的主要落地方向。据公开报道，2026 年央国企市场的可见商机空间预计在 10 万至 20 万卡，其中上半年预计可落地订单约为 5 万卡。这 5 万卡中，有 3 万卡将用于与京能合作的国家训练场项目，另外 2 万卡来自其他央国企计算项目扩容（如浙江台州、昆山的项目）以及上海、安徽合肥等地的训练场和电信运营商项目。

值得注意的是，央国企订单的竞争格局并不宽松。据公开报道，在央国企市场寒武纪并非绝对的第二供应商，市场地位大约能排进前五；在信创领域华为是绝对的第一供应商，占据超过 60% 的市场份额。对寒武纪构成最大竞争压力的是平头哥和昆仑芯——这两家公司背靠阿里云和百度云，具备算力消纳能力，能通过云服务输出算力，而寒武纪无法做出此类承诺。

超节点布局：停滞状态​

超节点是 2026 年国产算力的主战场，但寒武纪在这条线上基本缺席。据公开报道，寒武纪自己没有做超节点，也没有明确的自建超节点计划。当前主要是给一些做超节点的厂商提供产品做验证和适配，2026 年还没有客户明确要求寒武纪去部署超节点，而且产能也不支持这么做。

现有产能仅能勉强满足字节的八卡基础服务器订单，字节自身也没有超节点部署计划，相关计划更偏 2027 年。腾讯和阿里虽有超节点方向的规划，但寒武纪没有办法保证供货，所以没有真正推进到客户部署层面。目前更多是与 OEM 厂商做平台适配，比如阿里的盘古、浪潮、新华三等平台已经做过适配，但没有量产安排。

还有一个被忽视的连锁反应：MLU690 的延迟量产会进一步拖累下一代 MLU790 的流片进度。MLU690 本身承担 790 前置大规模商用验证任务，缺少足量客户真实场景数据迭代，下一代芯片的研发与流片节奏会持续延后。

研判​

寒武纪当前的处境可以用一句话概括：需求不缺，晶圆不够。据公开报道，摩根士丹利预计寒武纪 2027 年向 CSP 客户的出货量将接近 35 万颗，主要得益于 MLU692 的产能爬坡和下一代 MLU580 产品的推出；代工方面主要依赖中芯国际的 N+2/N+1 产能。HBM3e 仍是关键供应瓶颈，但供应链调研显示寒武纪拥有一定库存，并有望随国内产能爬坡获得长鑫存储的一部分 HBM3e 产量。

财务侧的压力同样真实：HBM 成本上升对单位经济效益造成压力，MLU580 即使三季度提价，毛利率仍将保持在相对较低水平。摩根士丹利维持增持评级，目标价从 1408 元上调至 1700 元，但明确将三季度称为"业绩低谷"。

对客户而言，MLU690 在 2026 年不是可规模化规划的选项；2027 年随着产能爬坡与 790 产品线就位，它才会真正进入放量期。这一年多的窗口期，寒武纪要证明的是晶圆产能能否转化为可持续的交付能力。

寒武纪 MLU690 深度解析：700+ TFLOPS FP16 与国产训练卡的寒武纪时刻

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

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/BF16700+ TFLOPS
INT42800+ TOPS
互联MLU-Link 890 Gbps/卡
TDP400–500 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590H100 SXM对比 H100
显存196GB HBM396GB HBM2e80GB HBM32.45×
显存带宽3.35 TB/s~2 TB/s3.35 TB/s持平
FP16700+ TFLOPS345 TFLOPS989 TFLOPS~71%
INT8 推理反超（INT4 2800+ TOPS 口径）1380 TOPS1979 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。

国产 AI 芯片三巨头对比（2026）：昇腾、寒武纪、摩尔线程，谁是中国版 H100？

· 阅读需 8 分钟
Charles Qing
AI Hardware Analyst

在美国对华芯片出口管制背景下，中国 AI 芯片市场正在形成"三足鼎立"格局。本文将深度对比华为昇腾、寒武纪 MLU、摩尔线程 MTT 三大国产 AI 芯片厂商的技术路线、产品规格、软件生态和商用进展。

核心要点​

  • 华为昇腾：国产 AI 训练芯片领导者，昇腾 950 已量产，软件生态最成熟
  • 寒武纪 MLU690："中国版 H100"，算力接近 H200，能效比优势明显
  • 摩尔线程 MTT S5000：全功能 GPU 路线，2026 年 6 月实现对 Qwen3.5、GLM-5.2 的 Day-0 适配
  • 共同挑战：受美国出口管制影响，主要面向中国市场，国际市场受限

一、厂商概览​

厂商成立创始人上市2025 营收主要客户
华为昇腾2018（部门）任正非未上市（华为全资）~¥20B（估算）中国政府、国企、军工
寒武纪2016陈天石（中科院）2020-07（科创板 688256）~¥5.2B字节跳动、阿里、百度
摩尔线程2020张建中（原 NVIDIA 中国）2023-12（科创板 688495）~¥1.5B（估算）政府、国企、游戏公司

战略定位差异​

厂商技术路线核心优势主要挑战
华为昇腾AI 训练专用（Da Vinci 架构）软硬件协同优化、运营商渠道受美国制裁，制程受限
寒武纪AI 训练专用（MLUarch 架构）能效比高、价格有竞争力软件生态成熟度不足
摩尔线程全功能 GPU（MUSA 架构）图形 + AI 通用计算、Day-0 适配算力不及专用 AI 芯片

二、旗舰产品对比​

1. 华为昇腾 950DT（2026 年旗舰）​

项目参数
BF16 算力1,000 TFLOPS
显存144GB HiZQ 2.0（自研 HBM）
显存带宽4 TB/s
TDP400W
制程N+2（7nm 改进版）
发布2026-04
量产2026-Q2
单价~¥80,000（估算）

关键优势：

  • ✅ 大模型推理吞吐量高：128GB 大显存，对 DeepSeek R1（671B MoE）友好
  • ✅ 软件生态最成熟：CANN 算子覆盖率 ~85%，支持 PyTorch、TensorFlow
  • ✅ 运营商渠道强：中国移动、中国电信大规模采购

关键劣势：

  • ❌ 制程受限：N+2 性能不及 TSMC 4nm
  • ❌ 能效比一般：400W TDP，能效比 2.5 TFLOPS/W

2. 寒武纪 MLU690（2026 年旗舰）​

项目参数
BF16 算力600 TFLOPS
显存64GB HBM3
显存带宽2 TB/s
TDP280W
制程TSMC 7nm
发布2025-Q4
量产2026-Q1
单价~¥140,000（估算）

关键优势：

  • ✅ 能效比最高：280W TDP，能效比 2.14 TFLOPS/W（H100 的 1.5 倍）
  • ✅ 价格有竞争力：~$20,000，比 H100 便宜 33%
  • ✅ 已获得头部客户订单：字节跳动、阿里、百度

关键劣势：

  • ❌ 显存容量小：64GB 限制大模型训练规模
  • ❌ 软件生态不成熟：NeuWare 算子覆盖率 ~75-85%，复杂 LLM 需要手工优化

3. 摩尔线程 MTT S5000（2025 年旗舰）​

项目参数
FP16 算力~1,000 TFLOPS（推测）
显存80GB GDDR6X
显存带宽1.6 TB/s
TDP~350W
制程TSMC 4nm（推测）
发布2025-02
量产2025-Q2
单价~¥50,000（估算）

关键优势：

  • ✅ 全功能 GPU：图形 + AI + 通用计算，应用场景更广
  • ✅ Day-0 适配能力强：2026 年 6 月实现对 Qwen3.5、GLM-5.2、MiniMax M3 的 Day-0 适配
  • ✅ 价格最低：~¥50,000，性价比高

关键劣势：

  • ❌ 算力不及专用 AI 芯片：FP16 算力约为 H100 的 50%
  • ❌ 显存带宽低：1.6 TB/s（H100 的 48%），限制大模型训练性能

三、算力对比（BF16/FP16）​

芯片BF16 算力显存显存带宽TDP能效比
华为昇腾 950DT1,000 TFLOPS144GB4 TB/s400W2.5 TFLOPS/W
寒武纪 MLU690600 TFLOPS64GB2 TB/s280W2.14 TFLOPS/W
摩尔线程 MTT S5000~1,000 TFLOPS80GB1.6 TB/s~350W~2.86 TFLOPS/W
NVIDIA H100989 TFLOPS80GB3.35 TB/s700W1.41 TFLOPS/W
NVIDIA H200989 TFLOPS141GB4.8 TB/s700W1.41 TFLOPS/W

关键洞察：

  1. 华为昇腾 950DT 算力最高（1,000 TFLOPS），但能效比一般
  2. 寒武纪 MLU690 能效比最高（2.14 TFLOPS/W），TDP 仅 280W
  3. 摩尔线程 MTT S5000 全功能优势，但显存带宽低

四、软件生态对比​

厂商软件栈框架支持算子覆盖率成熟度
华为昇腾CANNPyTorch, TensorFlow, MindSpore~85%⭐⭐⭐⭐ (4/5)
寒武纪NeuWarePyTorch-Cambricon, TensorFlow-Cambricon~75-85%⭐⭐⭐ (3/5)
摩尔线程MUSIFYPyTorch, TensorFlow, ONNX~70%⭐⭐⭐ (3/5)
NVIDIACUDA全支持~99%⭐⭐⭐⭐⭐ (5/5)

软件生态成熟度评估​

华为昇腾 CANN：

  • ✅ 优势：算子覆盖率最高，支持 MindSpore（自研框架）
  • ❌ 劣势：学习曲线陡峭，文档不完整

寒武纪 NeuWare：

  • ✅ 优势：兼容 PyTorch、TensorFlow，迁移成本低
  • ❌ 劣势：复杂 LLM 模型需要手工优化

摩尔线程 MUSIFY：

  • ✅ 优势：Day-0 适配能力强，支持 ONNX
  • ❌ 劣势：算子覆盖率最低，图形 + AI 双引擎复杂度高

五、商用进展对比​

厂商2026 年商用进展主要客户出货量
华为昇腾昇腾 950 量产，中国移动大规模采购中国移动、中国电信、政府~100K 片/年（估算）
寒武纪MLU690 量产，字节跳动、阿里采购字节跳动、阿里、百度~50K 片/年（估算）
摩尔线程MTT S5000 量产，Day-0 适配 Qwen3.5政府、国企、游戏公司~30K 片/年（估算）

2026 年 6 月最新动态​

华为昇腾：

  • ✅ 昇腾 950DT 全面放量
  • ✅ 与中国移动签署 10 亿元采购协议

寒武纪：

  • ✅ MLU690 量产出货
  • ✅ 字节跳动采购 ~20K 片

摩尔线程：

  • ✅ 完成对 Qwen3.5、GLM-5.2、MiniMax M3 的 Day-0 适配
  • ✅ MTT S5000 第二代发布

六、选型建议​

场景 1：万亿参数训练（GPT-4 级）​

推荐：华为昇腾 950DT

理由：

  • ✅ 144GB 大显存，支持超大规模模型训练
  • ✅ 软件生态最成熟，算子覆盖率 ~85%
  • ✅ 运营商渠道强，获中国政府支持

备选：寒武纪 MLU690（能效比高，但显存容量小）

场景 2：百亿-千亿参数训练​

推荐：寒武纪 MLU690

理由：

  • ✅ 能效比最高（2.14 TFLOPS/W），TCO 低
  • ✅ 价格有竞争力（~$20,000）
  • ✅ 已获得头部客户（字节、阿里）验证

备选：华为昇腾 920（算力更强，但能效比一般）

场景 3：AI 推理（云端）​

推荐：华为昇腾 950PR（推理专用）

理由：

  • ✅ 推理性能优化好，实际吞吐量高
  • ✅ 128GB 大显存，对 MoE 模型友好
  • ✅ 软件栈成熟，部署成本低

备选：摩尔线程 MTT S5000（全功能 GPU，推理 + 图形）

场景 4：边缘 AI / 端侧推理​

推荐：摩尔线程 MTT S5000

理由：

  • ✅ 全功能 GPU，支持图形 + AI
  • ✅ 价格最低（~¥50,000）
  • ✅ Day-0 适配能力强

备选：华为昇腾 310（低功耗，8W TDP）

场景 5：国产化替代项目（政府、国企）​

推荐：华为昇腾 950DT

理由：

  • ✅ 中国政府首选，运营商大规模采购
  • ✅ 软硬件协同优化，性能稳定
  • ✅ 获得国家大基金支持

备选：寒武纪 MLU690（能效比高，价格有竞争力）

七、未来路线图​

厂商2026 H220272028
华为昇腾950DT 放量960（FP8 ~2 PFLOPS）970（N+3 制程）
寒武纪MLU690 放量MLU790（5nm，BF16 ~1,000 TFLOPS）MLU890（3nm）
摩尔线程MTT S5000 第二代MTT S6000（HBM3，FP16 ~1,500 TFLOPS）MTT S7000

八、总结：谁是中国版 H100？​

维度华为昇腾 950DT寒武纪 MLU690摩尔线程 MTT S5000
算力⭐⭐⭐⭐⭐ (5/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)
显存⭐⭐⭐⭐⭐ (5/5)⭐⭐ (2/5)⭐⭐⭐ (3/5)
能效比⭐⭐⭐ (3/5)⭐⭐⭐⭐⭐ (5/5)⭐⭐⭐⭐ (4/5)
软件生态⭐⭐⭐⭐ (4/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)
价格⭐⭐⭐ (3/5)⭐⭐⭐⭐ (4/5)⭐⭐⭐⭐⭐ (5/5)
综合能力⭐⭐⭐⭐ (4/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)

最终结论：

  • 华为昇腾 950DT 是最接近 H100 的国产 AI 训练芯片，综合能力最强
  • 寒武纪 MLU690 是能效比最高的国产 AI 芯片，TCO 最低
  • 摩尔线程 MTT S5000 是最便宜的全功能 GPU，适合边缘 AI 和图形 + AI 场景

参考资料​

声明：本文数据基于公开资料整理，实际规格以厂商官方为准。MirrorFrog 持续更新国产 AI 芯片数据，欢迎提交修正。

更新日志：

  • 2026-06-23：初始版本发布

寒武纪 MLU690 vs NVIDIA H100 深度对比：国产 AI 芯片能否替代 H100？

· 阅读需 6 分钟
Charles Qing
AI Hardware Analyst

2026 年，在美国对华芯片出口管制背景下，寒武纪 MLU690 作为"中国版 H100"备受关注。本文从算力、显存、功耗、软件生态、实测性能、价格等维度深度对比，帮助您做出选型决策。

核心结论（先看这里）​

维度MLU690H100胜者差距
BF16 算力600 TFLOPS989 TFLOPSH100+65%
显存容量64GB HBM380GB HBM3H100+25%
显存带宽2 TB/s3.35 TB/sH100+68%
TDP280W700WMLU690-60%
能效比2.14 TFLOPS/W1.41 TFLOPS/WMLU690+52%
软件生态NeuWare（75% 覆盖率）CUDA（100% 覆盖率）H100差距大
价格~¥140,000~¥200,000MLU690-30%
供货国内现货受管制MLU690✅

一句话总结：MLU690 算力约为 H100 的 60%，但功耗仅 40%，价格仅 70%，适合中国市场 AI 训练和推理。

1. 规格对比（详细）​

1.1 算力对比​

精度MLU690H100 SXM5H200 SXM5说明
FP8~300 TFLOPS（推测）3,958 TFLOPS3,958 TFLOPSH100 支持 FP8，MLU690 可能不支持
BF16/FP16600 TFLOPS989 TFLOPS989 TFLOPSH100 领先 65%
FP32~150 TFLOPS（推测）60 TFLOPS60 TFLOPSMLU690 推测值，H100 实际更高
INT81,200 TOPS1,979 TOPS1,979 TOPSH100 领先 65%

关键发现：

  • ✅ MLU690 在 BF16 精度下达到 H100 的 60% 算力
  • ⚠️ H100 支持 FP8（4 位），MLU690 可能不支持（需要确认）
  • ⚠️ H100 的 INT8 算力更高，适合推理场景

1.2 显存对比​

项目MLU690H100H200说明
容量64GB HBM380GB HBM3141GB HBM3eH200 容量最大
带宽2 TB/s3.35 TB/s4.8 TB/sH200 带宽最高
类型HBM3HBM3HBM3eH200 使用最新 HBM3e

关键发现：

  • ⚠️ MLU690 显存容量比 H100 少 20%（64GB vs 80GB）
  • ⚠️ MLU690 显存带宽比 H100 低 40%（2 TB/s vs 3.35 TB/s）
  • ❌ 运行 70B+ 参数模型时，MLU690 可能显存不足（需要模型并行）

1.3 功耗对比​

项目MLU690H100H200
TDP280W700W700W
能效比（FP16/W）2.14 TFLOPS/W1.41 TFLOPS/W1.41 TFLOPS/W
8 卡服务器功耗~3.5kW~6kW~6kW
年电费（¥0.6/kWh）~¥18,400~¥36,800~¥36,800

关键发现：

  • ✅ MLU690 功耗仅 H100 的 40%，数据中心电力成本大幅降低
  • ✅ MLU690 能效比领先 52%，更适合大规模部署
  • ✅ 对于推理场景（功耗敏感），MLU690 优势明显

2. 软件生态对比​

2.1 框架支持​

框架MLU690（NeuWare）H100（CUDA）说明
PyTorch✅ 支持（PyTorch-Cambricon）✅ 原生支持MLU690 需要额外安装插件
TensorFlow✅ 支持（TensorFlow-Cambricon）✅ 原生支持同上
JAX⚠️ 部分支持✅ 原生支持MLU690 支持有限
ONNX⚠️ 部分支持✅ 原生支持同上
vLLM⚠️ 适配中✅ 原生支持MLU690 需要等待社区适配

2.2 算子覆盖率​

类别MLU690H100说明
基础算子✅ 95%✅ 100%卷积、矩阵乘法等
Transformer 算子✅ 85%✅ 100%Attention、LayerNorm 等
自定义算子⚠️ 需要手写✅ CUDA C++MLU690 开发难度大
LLM 推理优化⚠️ 基础支持✅ 完善（FlashAttention、PagedAttention）H100 领先

关键发现：

  • ⚠️ NeuWare 生态仅 5-6 年发展，算子覆盖率约 75-85%
  • ❌ 复杂 LLM 模型（如 GPT-4、Claude）可能需要手工优化
  • ✅ 常见模型（Llama、Qwen、GLM）已基本适配

3. 实测性能对比​

3.1 训练性能​

模型MLU690（训练时间）H100（训练时间）加速比
Llama 7B~48 小时（推测）~30 小时1.6x
Llama 70B~7 天（推测）~4.5 天1.6x
Qwen 72B~8 天（推测）~5 天1.6x

注意：以上数据为推测，实际性能取决于软件优化程度。

3.2 推理性能​

模型MLU690（tok/s）H100（tok/s）说明
Llama 7B~80 tok/s（推测）~120 tok/sH100 领先 50%
Llama 70B~20 tok/s（推测）~35 tok/sH100 领先 75%
Qwen 72B~18 tok/s（推测）~30 tok/sH100 领先 67%

关键发现：

  • ⚠️ H100 推理性能领先 50-75%
  • ✅ 但 MLU690 功耗仅 40%，能效比更高
  • ✅ 对于成本敏感的推理场景，MLU690 更划算

4. 价格对比​

4.1 硬件采购成本​

项目MLU690H100H200
单卡价格（国内）~¥140,000~¥200,000~¥300,000
8 卡服务器（含整机）~¥1,200,000~¥1,800,000~¥2,600,000
成本差-+50%+117%

4.2 TCO（3 年）​

项目MLU690H100说明
硬件采购¥1,200,000¥1,800,000MLU690 便宜 33%
电费（3 年）¥55,200¥110,400MLU690 便宜 50%
机房成本¥150,000¥250,000MLU690 便宜 40%
TCO（3 年）¥1,405,200¥2,160,400MLU690 便宜 35%

关键发现：

  • ✅ MLU690 的 TCO 比 H100 低 35%
  • ✅ 对于大规模部署（100+ 卡），成本优势明显

5. 选型建议​

5.1 选 MLU690，如果...​

  • ✅ 您的业务主要在中国市场
  • ✅ 您受美国出口管制影响，无法采购 H100/H200
  • ✅ 您对功耗敏感（边缘数据中心、电力成本高的地区）
  • ✅ 您的模型是常见架构（Llama、Qwen、GLM）
  • ✅ 您有国产化替代需求（政府、国企、军工）

5.2 选 H100/H200，如果...​

  • ✅ 您的业务在全球市场
  • ✅ 您需要训练顶级前沿模型（GPT-4 级）
  • ✅ 您的模型使用复杂算子（需要 CUDA 生态）
  • ✅ 您对性能要求极高（低延迟推理）
  • ✅ 您可以合法采购 H100/H200

5.3 混合部署（推荐）​

场景推荐方案
训练H100（高性能） + MLU690（低成本扩充）
推理MLU690（成本敏感） + H100（低延迟）
国产化项目全部 MLU690
国际市场全部 H100/H200

6. 未来展望​

6.1 MLU690 的不足​

  • ⚠️ 软件生态不成熟：算子覆盖率 75-85%，复杂模型需要手工优化
  • ⚠️ 显存容量小：64GB 限制了对 70B+ 参数模型的支持
  • ⚠️ 互联性能弱：Cambricon Link 带宽低于 NVLink
  • ⚠️ 国际市场受限：受美国出口管制影响

6.2 MLU690 的改进方向​

  • 📅 MLU790（2027 年）：预计 5nm 制程，算力提升 2x
  • 📅 显存升级：下一代可能支持 HBM3e，容量提升至 128GB
  • 📅 软件优化：NeuWare 生态持续改进，算子覆盖率目标 95%

7. 总结​

维度MLU690H100推荐场景
算力⭐⭐⭐⭐⭐⭐⭐⭐⭐H100 适合顶级训练
显存⭐⭐⭐⭐⭐⭐⭐H100 适合大模型
功耗⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合推理
生态⭐⭐⭐⭐⭐⭐⭐⭐H100 适合复杂模型
价格⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合大规模部署
国产化⭐⭐⭐⭐⭐❌MLU690 适合中国市场

最终建议：

  • 🇨🇳 中国市场：优先选择 MLU690（国产化 + 低成本）
  • 🌍 国际市场：优先选择 H100/H200（性能 + 生态）
  • 💡 混合部署：训练用 H100，推理用 MLU690

参考资料​

声明：本文数据基于公开资料和合理估算，实际性能以厂商官方测试为准。MLU690 的软件生态在快速发展中，建议持续关注 NeuWare 更新。

最后更新：2026-06-23