Skip to main content

Charles Qing

AI Hardware Analyst
View all authors

AMD Advancing AI 2026明日开幕：MI400三款CDNA5齐发，Helios机架3 exaFLOPS，OpenAI+Meta锁定12GW大单

· 5 min read
Charles Qing
AI Hardware Analyst

AMD 已确认旗舰 AI 大会 Advancing AI 2026 将于 2026年7月22-23日 在旧金山 Moscone Center 举行，主题演讲定于 7 月 23 日，由董事长兼 CEO 苏姿丰（Lisa Su）主持。大会将补全 Instinct MI400 系列 的可用性时间线、定价与独立基准数据。

1. Instinct MI400 家族：三款 CDNA 5 加速器​

AMD 在 CES 2026 已完整公布 MI400 产品矩阵，三款加速器均基于 CDNA 5 架构、TSMC 2nm 制程，按精度与场景分工：

型号定位关键规格
MI455X（旗舰）大规模训练/推理（机架级）3200 亿晶体管、12 chiplet、432 GB HBM4（12×36GB）、19.6 TB/s、FP4 40 PFLOPS / FP8 20 PFLOPS
MI440X（企业版）本地企业 AI（8 卡节点）低精度 AI（FP4/FP8/BF16），可直接替换 MI300/MI350，兼容既有机房供电散热
MI430X（HPC/主权 AI）高精度科学计算 + AI完整 FP32/FP64，已部署橡树岭 Discovery、法国首台 exascale Alice Recoque

MI455X 与 MI440X 主攻低精度 AI（FP4/FP8/BF16），MI430X 补齐传统 HPC 高精度需求——通过"按精度裁减执行单元"提升能效与性价比。三者均支持 UALink（首批兼容该标准的加速器）与 Infinity Fabric 片间互联，机架扩展走 Ultra Ethernet。

苏姿丰在 2026 Q1 财报会上确认：已向核心客户送样 MI455X GPU，客户需求"超过公司对 2027 年的内部预期"。

2. Helios 机架：3 exaFLOPS 单柜​

AMD 以 Helios 机架级平台 切入超大规模市场：

指标Helios 机架
加速器72 × MI455X
聚合 HBM431 TB
总内存带宽1.4 PB/s
单柜算力最高 3 AI exaFLOPS（Q3 交付目标）
目标客户超大规模训练/推理集群

Helios 采用 AMD 自研 Zen 6 EPYC Venice CPU（每机架 18 颗）+ Pensando Vulcano 800G NIC，通过开放 ROCm 软件栈整合；AMD 还规划了 双宽 128 卡 Helios 变体，单柜算力可推高至 3 AI exaFLOPS 上限。更长远的 MI500 系列（CDNA 6、2nm、HBM4E） 计划 2027 年推出，官方称相对 MI300X 的 AI 性能提升最高达 1000 倍。

3. 12GW 大单：OpenAI + Meta 双重背书​

AMD 手握两份历史级别的算力协议，合计约 12 GW，全生命周期潜在收入或达 1000 亿美元：

客户规模首批部署结构
OpenAI6 GW（多代产品）首期 1 GW，2026 H2 用 MI450"compute-for-upside"：授予最多 1.6 亿股认股权证，随里程碑与股价目标分阶段归属
Meta6 GW定制 MI450 芯片，2026 H2 起部署于下一代数据中心

财务预期​

指标2026 预测
MI400 系列营收~$72 亿（约占数据中心销售 25%）
数据中心 GPU 营收~$150 亿（同比 +114%）
数据中心总营收或达 $287 亿（同比 +73%）

⚠️ 执行风险：AMD 已提示 MI450 于 Q3 量产将拖累毛利率（新品低于公司平均）；先进制程与先进封装（TSMC CoWoS）产能仍是主要约束。

产业解读​

  1. CUDA 护城河被撬动：当 Meta、OpenAI 这类构建全球最大训练集群的公司押注 AMD 硅片，AMD 长期 5–7% 的 GPU 份额天花板正被打破。
  2. 内存优势差异化：432 GB HBM4 / 19.6 TB/s 相较 NVIDIA Rubin 的 288 GB 具备容量优势，对大模型推理（KV Cache 受限场景）尤为关键。
  3. 对标节奏咬紧：MI450 与 NVIDIA Vera Rubin 同在 2026 H2 放量，两强在 HBM4 供应、CoWoS 产能上正面争夺。

相关链接​

参考资料​

本文写于 Advancing AI 2026（7月22-23日，明日开幕）前夕；大会主题演讲定于 7 月 23 日由苏姿丰主持，届时将揭晓 MI400 最终上市时间、定价与独立基准数据，我们将同步更新。

OpenAI 自研 AI 芯片 Jalapeño 深度解析：9 个月流片，推理成本降低 50%

· 10 min read
Charles Qing
AI Hardware Analyst

2026 年 6 月 24 日，OpenAI 与博通（Broadcom）联合发布首款自研 AI 推理芯片 Jalapeño。这款专为大型语言模型推理设计的 ASIC，从设计到流片仅用 9 个月，推理成本降低约 50%，标志着 OpenAI 从纯模型公司转型为全栈 AI 基础设施提供商。

一、核心结论（先看这里）​

维度Jalapeño当前 GPU 方案优势
推理成本-50%基准✅ 成本减半
每瓦性能显著优于当前最先进加速器✅ 能效领先
设计周期9 个月~18 个月✅ 速度快 2x
定位推理 ASIC训练+推理 GPU专用优化
供货仅内部市场采购⚠️ 不对外销售

一句话总结：Jalapeño 是 OpenAI 全栈 AI 战略的关键一步，用自研芯片将推理成本降低 50%，同时开启"AI 辅助设计 AI 芯片"的新范式。

二、Jalapeño 是什么？​

2.1 基本信息​

项目内容
名称Jalapeño（哈拉贝诺辣椒）
类型专用集成电路（ASIC）
定位大型语言模型推理任务
发布时间2026-06-24
流片时间2025-09（推测，9 个月极速流片）
部署时间2026 年底（千兆瓦级数据中心）
合作方博通（Broadcom）、台积电（TSMC）、Celestica
制程TSMC 3nm
架构Systolic Array（脉动阵列）
HBM8 堆栈（推测 HBM3E 或 HBM4）

2.2 为什么叫"Jalapeño"？​

Jalapeño 是一种墨西哥辣椒，以"中等辣度、强烈风味"著称。OpenAI 以此命名，暗示这款芯片：

  • ✅ 辣度适中：不是最激进的架构（相比 Cerebras WSE），但足够有效
  • ✅ 风味强烈：在推理场景下有强烈的存在感（成本降低 50%）
  • ✅ 开胃前菜：这只是"多代路线图的第一步"（博通 CEO 陈福阳）

三、技术深度解析​

3.1 9 个月极速流片：AI 辅助设计芯片的新范式​

通常情况下，从零开始设计一块 ASIC 芯片需要 1.5 到 2 年。而 Jalapeño 从初始设计到制造流片仅用了 9 个月。

关键原因：深度软硬件协同开发

技术手段说明
AI 辅助架构探索OpenAI 用自家前沿模型（GPT-5.3-Codex-Spark）探索芯片架构设计空间
AI 功耗仿真用 AI 模型进行功耗仿真与优化
强化学习优化用 RL 优化芯片布局布线
博通硅实现能力博通提供业界顶尖的 ASIC 实现能力（网络芯片、交换芯片经验）

OpenAI 总裁 Greg Brockman 表示：

"我们利用服务于用户的前沿模型，来优化运行未来模型的基础设施。"

3.2 专为推理优化的架构​

与通用 GPU 不同，Jalapeño 是围绕 OpenAI 对 LLM 推理工作负载的深度理解从零构建的 ASIC：

架构特性说明
降低数据移动架构核心在于减少数据搬运（推理任务的主要瓶颈）
平衡计算-内存-网络资源分配针对推理优化，使实际利用率更接近理论峰值
结合高吞吐与低延迟目标是将当前领先加速器的吞吐能力与最快专用推理系统的低延迟结合起来
支持未来模型不仅支持现有模型（GPT-5、GPT-5.3），也适配未来新一代模型的推理需求

3.3 全栈平台：不只是芯片​

Jalapeño 是一个多代计算平台，而不仅仅是一颗芯片：

组件供应商说明
加速器芯片OpenAI 设计，台积电制造TSMC 3nm，8 堆栈 HBM
网络交换芯片博通 Tomahawk高速互联（与 NVIDIA NVLink 竞争）
电路板、机架、系统Celestica整机架解决方案
软件栈OpenAI深度适配 GPT、Codex、Agent 产品

部署目标：千兆瓦（Gigawatt）级数据中心

博通 CEO 陈福阳表示：

"Jalapeño 将于今年开始与微软和其他合作伙伴一起部署在千兆瓦级数据中心。"

四、性能与成本分析​

4.1 推理成本降低 50%​

虽然 OpenAI 官方新闻稿中针对 Jalapeño 带来的成本节约表述相当保守，仅透露其"每瓦性能大幅优于当前最先进水平"，未给出具体百分比。

但据彭博社报道，博通 CEO 陈福阳透露：

早期内部测试显示，相较于当前主流 AI GPU，Jalapeño 可实现约 50% 的推理成本节省。

对于 OpenAI 的意义：

项目当前（GPU 方案）Jalapeño 方案节省
每天 API 调用数亿次数亿次—
推理成本占比~60-70% 运营成本~30-35%-50%
年算力支出数十亿美元数亿美元节省数十亿美元

4.2 每瓦性能显著优于当前最先进水平​

OpenAI 公告指出：

"Jalapeño 工程样品已以目标频率和功耗成功运行 GPT-5.3-Codex-Spark 等复杂强化学习任务，早期测试显示每瓦性能显著优于当前最先进的 AI 加速器。"

对比对象：NVIDIA Blackwell（当前最先进的 AI 加速器）

指标JalapeñoNVIDIA Blackwell说明
每瓦性能显著优于基准OpenAI 官方表述
推理延迟媲美最快专用推理系统基准目标
吞吐量媲美当前领先加速器基准目标
TDP未公开（推测 400-700W）700-1000WJalapeño 可能更低

五、对 AI 芯片市场的影响​

5.1 "去英伟达化"加速​

Jalapeño 的发布是科技巨头集体挑战英伟达市场主导地位的又一注脚：

厂商自研芯片类型状态与 OpenAI 的关系
GoogleTPU v6e / Ironwood训练+推理✅ 已商用Google Cloud 供应 OpenAI
AmazonTrainium 3训练✅ 已发布AWS 供应 OpenAI
MicrosoftMaia 100训练+推理✅ 已发布OpenAI 独家合作伙伴
MetaMTIA训练+推理✅ 已发布—
AppleNeural Engine端侧推理✅ 已商用—
OpenAIJalapeño推理🚧 2026 年底部署自用 + 可能出售给第三方

5.2 OpenAI 并非要完全"抛弃"英伟达​

Brockman 坦言：

"我们根本无法足够快地获得算力。"

目前，OpenAI 同时在向英伟达、AWS、AMD 和 Cerebras 等多方采购芯片，Jalapeño 是对其爆炸性算力需求的结构性补充，而非替代。

5.3 可能出售给第三方​

博通 CEO 陈福阳特别强调：

"这只是一个'多代路线图的起点'，OpenAI 与博通的目标是共同建设千兆瓦（Gigawatt）级算力集群。"

这意味着，OpenAI 有可能将其硬件出售给第三方，前提是它能从博通和台积电获得足够的供货。

六、Jalapeño vs 其他自研芯片对比​

指标Jalapeño（OpenAI）TPU v6e（Google）Trainium 3（Amazon）Maia 100（Microsoft）
发布时间2026-06-2420242025 Q42023
类型推理 ASIC训练+推理 TPU训练 ASIC训练+推理
制程TSMC 3nmTSMC 4nmTSMC 5nm（推测）TSMC 5nm（推测）
是否对外销售❌ 仅内部（可能未来出售）✅ GCP✅ AWS❌ 仅内部
设计周期9 个月~18 个月~18 个月~18 个月
AI 辅助设计✅ 首款❌ 否❌ 否❌ 否
成本优势-50% 推理成本优化优化优化

关键差异：

  • ✅ Jalapeño 是首款由 AI 辅助设计的 AI 芯片
  • ✅ Jalapeño 设计周期仅 9 个月（行业平均 18 个月）
  • ⚠️ Jalapeño 不对外销售（至少目前如此）

七、未来路线图​

7.1 多代芯片平台​

Jalapeño 只是一个"多代路线图的起点"：

时间事件
2026 年底Jalapeño 初始部署（千兆瓦级数据中心）
2027 年Jalapeño v2（推测，架构优化）
2027-2028 年Jalapeño 训练版本（推测，挑战 TPU/Trainium）
2028 年及以后千兆瓦级算力集群全面建成

7.2 OpenAI 全栈 AI 基础设施战略​

层次OpenAI 自研外包/采购
模型✅ GPT-5、GPT-5.3、Codex—
芯片✅ Jalapeño（推理）NVIDIA GPU、AWS Trainium、AMD GPU
系统✅ 与 Celestica 合作微软 Azure 数据中心
网络✅ 博通 Tomahawk微软 Azure 网络
云平台❌ 无微软 Azure（独家合作伙伴）

八、行业反响与专家观点​

8.1 支持观点​

专家观点
博通 CEO 陈福阳"Jalapeño 只是一个多代路线图的起点，目标是共同建设千兆瓦级算力集群。"
OpenAI 总裁 Greg Brockman"我们利用服务于用户的前沿模型，来优化运行未来模型的基础设施。"
业内人士"Jalapeño 的发布是科技巨头集体挑战英伟达市场主导地位的又一注脚。"

8.2 质疑观点​

质疑点说明
不对外销售目前仅内部使用，第三方无法采购，对英伟达市场份额影响有限
软件生态OpenAI 需要自建软件栈，与 CUDA 生态竞争难度大
供货能力台积电产能有限，能否满足 OpenAI + 博通 + 其他客户的需求？
性能数据不透明OpenAI 未公布具体规格（算力、显存、带宽、TDP），难以客观评估

九、对开发者的意义​

9.1 如果 OpenAI 未来出售 Jalapeño 给开发者...​

场景当前（NVIDIA GPU）未来（Jalapeño）
推理成本基准-50%
推理延迟基准可能更低
软件栈CUDA + TensorRTOpenAI API（可能开源软件栈）
采购难度高（出口管制、供不应求）低（OpenAI 直接供应）

9.2 即使不出售，也值得关注​

  • ✅ 推理成本降低 50% 会倒逼英伟达、AMD、英特尔降低 GPU 价格
  • ✅ AI 辅助设计芯片的新范式会被行业快速复制
  • ✅ 9 个月流片周期会成为行业新基准

十、总结​

维度评价
技术创新⭐⭐⭐⭐⭐ 首款 AI 辅助设计的 AI 芯片，9 个月流片
成本优势⭐⭐⭐⭐⭐ 推理成本降低 50%，年节省数十亿美元
战略意义⭐⭐⭐⭐⭐ OpenAI 从纯模型公司转型为全栈 AI 基础设施提供商
市场影响⭐⭐⭐⭐ "去英伟达化"加速，科技巨头自研芯片阵营壮大
开放性⭐⭐ 目前仅内部使用，未来可能出售给第三方

最终建议：

  • 🇨🇳 中国市场：继续关注华为昇腾、寒武纪 MLU、摩尔线程 MTT（Jalapeño 不对中国出售）
  • 🌍 国际市场：关注 Jalapeño 是否未来对外销售，以及其对英伟达市场份额的影响
  • 💡 开发者：关注 OpenAI API 降价可能性（推理成本降低 50% 可能部分让利给开发者）

参考资料​

声明：本文部分规格为推测值，以 OpenAI 官方技术白皮书为准。OpenAI 将在未来数月内发布详细性能技术白皮书。

最后更新：2026-06-26

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？

· 8 min read
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？

· 6 min read
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

2026 H2 AI 芯片路线图重大更新：Qualcomm 入局、AMD MI400 三款型号揭晓、华为三代路线图

· 7 min read
Charles Qing
AI Hardware Analyst

2026 年 6 月更新——AI 算力卡市场正在经历近年来最剧烈的格局变化。本文将为您梳理最新路线图动态。

核心要点​

  • Qualcomm AI 200/250 正式进入数据中心 AI 推理市场，对标 NVIDIA H200
  • AMD MI400 系列 揭晓三款型号：MI430X（HPC）、MI440X（企业）、MI455X（旗舰）
  • 华为 公布三代路线图：950（2026）→ 960（2027-Q4）→ 970（2028-Q4）
  • Intel Jaguar Shores 时间线存疑，可能延迟至 2027 或之后
  • NVIDIA Rubin R200 已全面量产，Vera CPU + Rubin GPU 组合正式交付

1. Qualcomm：移动芯片巨头进军数据中心 AI​

AI 100 → AI 200 → AI 250​

Qualcomm 在 2025 年 10 月正式发布了 AI 200 数据中心推理芯片，标志着移动芯片巨头正式进入数据中心 AI 市场。

型号发布时间上市时间关键特性
AI 1002025-102026 H2机架级 AI 推理，768GB LPDDR/卡
AI 2502025-102027 H1近存计算架构，10x 有效内存带宽

为什么 Qualcomm 能成功？​

  1. 低 TCO：LPDDR 内存比 HBM 便宜得多
  2. 能效优势：移动芯片设计经验，功耗控制出色
  3. 推理专用：不追求训练性能，专注推理场景
  4. 机架规格：直接液冷，160kW 机架级功耗，Ethernet 互联

市场影响​

  • 对标 NVIDIA H200：AI 200 推理性能接近 H200，但 TCO 低 30-40%
  • 倒逼 NVIDIA：可能促使 NVIDIA 推出推理专用芯片（如 Rubin CPX）
  • 多样化选择：打破 NVIDIA 在推理市场的垄断

2. AMD MI400 系列：三款型号精准定位​

在 CES 2026（2026 年 1 月）上，AMD 正式揭晓了 MI400 系列 的三款型号，精准覆盖不同市场：

MI430X（HPC + 主权 AI）​

特性规格
定位HPC + 主权 AI
FP32/FP64支持（这是关键区别）
适用场景科学计算、气候模拟、国家 AI 基础设施
竞争对手NVIDIA 不做 FP64 的 AI 卡

MI440X（企业服务器）​

特性规格
定位企业 8-GPU 服务器
兼容性兼容现有数据中心基础设施
适用场景企业 AI、私有云、边缘推理
竞争优势比 MI455X 更便宜，更易部署

MI455X（旗舰 AI 训练）​

特性规格
定位旗舰 AI 训练 + 推理
优化精度FP4/FP8/BF16
Helios 机架核心组件
竞争对手NVIDIA Rubin R200

Helios 机架级解决方案​

AMD 在 CES 2026 同时发布了 Helios 机架级 AI 解决方案：

  • 18 颗 Zen 6 CPU（2nm 制程）
  • 72 颗 MI455X GPU
  • 直接液冷
  • 预计 2026 H2 出货

3. 华为三代路线图：950 → 960 → 970​

华为在全联接大会 2025（2025 年 9 月）公布了三代芯片路线图，时间线非常清晰：

昇腾 950 系列（2026）​

型号发布时间关键特性
950PR2026-Q1PR（推理优化），已量产
950DT2026-Q4DT（Decode + 训练），预计全面放量

技术亮点：

  • 新增支持 FP8/MXFP8/MXFP4
  • 互联带宽 2TB/s（相比 910C 提升 2.5 倍）

昇腾 960（2027-Q4）​

  • 算力翻倍：相比 950 系列，各项规格翻倍
  • FP8：预计 ~2 PFLOPS
  • 工艺：N+3（等效 5nm）
  • 定位：对标 NVIDIA B200

昇腾 970（2028-Q4）​

  • 三代旗舰：目前仅公布时间线，规格待定
  • 意义：华为首个覆盖完整代际的路线图
  • 信号：中国国产 AI 芯片已进入"规划驱动"阶段

4. Intel Jaguar Shores：时间线存疑​

原定计划​

  • 发布时间：2026 年
  • 架构：Xe-HPC + Gaudi 融合
  • 制程：18A（Intel 最先进制程）
  • 内存：可能采用 HBM4E（而非原计划的 HBM4）

最新动态​

  • 可能延迟：部分消息源显示可能推迟至 2027 年
  • 竞争对手：AMD MI400 已揭晓，NVIDIA Rubin 已量产
  • 市场压力：Intel 在 AI 芯片市场节节败退，Jaguar Shores 是最后机会

对路线图的影响​

如果 Jaguar Shores 延迟至 2027 年，Intel 在 AI 芯片市场将基本出局。

5. NVIDIA Rubin 平台：已全面量产​

Rubin R200（2026-Q2 全面量产）​

特性规格
HBM288GB HBM4
算力50 PFLOPS FP4
NVLinkNVLink 6（1800 GB/s）
制程TSMC 4NP

Rubin NVL72 机柜（2026 H2 出货）​

  • 72 颗 Rubin GPU
  • 36 颗 Vera CPU
  • 1.8 EFLOPS FP4
  • 直接液冷

Vera CPU（首次亮相）​

  • 架构：自研 CPU，替代 Grace
  • 定位：与 Rubin GPU 深度协同
  • 意义：NVIDIA 从 GPU 公司转型为计算平台公司

6. Google TPU v8：训练/推理正式拆分​

TPU 8t（训练） + TPU 8i（推理）​

Google 在 Cloud Next 2026 宣布 TPU v8 将正式拆分为训练版和推理版：

特性TPU 8t（训练）TPU 8i（推理）
优化方向高算力、高带宽低延迟、低成本
互联光学互联以太网
发布时间20272027

意义​

  • 行业趋势：训练/推理芯片专用化
  • 跟随者：Qualcomm AI 200 也是推理专用
  • NVIDIA 压力：是否需要推出推理专用芯片？

7. Cerebras WSE-4：晶圆级引擎再进化​

核心规格​

特性规格
晶体管1.4 万亿
算力125 PFLOPS FP8
发布时间2026 H2
制程TSMC 5nm

竞争优势​

  • 超大模型训练：单颗 WSE-4 可训练 10T+ 参数模型
  • 低延迟推理：整个模型在单颗芯片上，无通信开销
  • 软件栈成熟：Cerebras 软件栈已支持 PyTorch、TensorFlow

8. 市场格局分析​

训练市场​

排名厂商产品市场份额（预估）
1NVIDIARubin R20070%
2AMDMI455X15%
3GoogleTPU v8t10%
4华为昇腾 9605%（中国为主）

推理市场（新战场）​

排名厂商产品优势
1NVIDIAH200 / Rubin CPX生态成熟
2QualcommAI 200低 TCO
3AMDMI440X兼容性好
4IntelGaudi 4价格低廉

9. 关键趋势​

趋势 1：推理专用芯片崛起​

  • Qualcomm AI 200：移动芯片巨头入局
  • NVIDIA Rubin CPX：NVIDIA 首次推出推理专用芯片
  • Google TPU 8i：训练/推理正式拆分

趋势 2：机架级解决方案成为标配​

  • NVIDIA NVL72：72 GPU + 36 CPU
  • AMD Helios：18 CPU + 72 GPU
  • Qualcomm 机架：160kW 液冷机架

趋势 3：中国国产芯片进入"规划驱动"阶段​

  • 华为三代路线图：950 → 960 → 970
  • 时间线清晰：2026-Q1 → 2027-Q4 → 2028-Q4
  • 意义：从"追赶"到"规划"

趋势 4：HBM 产能成为瓶颈​

  • SK 海力士：HBM4 产能已被 NVIDIA 预订
  • 三星：HBM4E 样品已交付 AMD
  • 影响：MI400、Rubin R200 出货量受 HBM 产能限制

10. 采购建议​

如果您在 2026 H2 采购​

  1. 训练场景：

    • 首选：NVIDIA Rubin R200（性能最强）
    • 备选：AMD MI455X（性价比更高）
    • 国产：华为昇腾 950DT（中国客户）

  2. 推理场景：

    • 首选：NVIDIA H200（生态成熟）
    • 性价比：Qualcomm AI 200（如果可用）
    • 成本敏感：AMD MI440X

  3. HPC 场景：

    • 唯一选择：AMD MI430X（支持 FP64）

如果您在 2027 采购​

  • 等待 Rubin Ultra：性能可能是 R200 的 2x
  • 关注 MI500：AMD 下一代产品
  • 评估 TPU v8：如果已在用 Google Cloud

结论​

2026 H2 将是 AI 芯片市场有史以来最卷的半年：

  • NVIDIA 继续领跑，但优势缩小
  • AMD 三款型号精准定位，市场份额将持续提升
  • Qualcomm 入局推理市场，低 TCO 策略可能颠覆市场
  • 华为 三代路线图清晰，国产替代加速
  • Intel Jaguar Shores 成败在此一举

对于采购决策者，现在是最难做决定的时刻——因为每个选项都有明显的优缺点。

对于技术从业者，这是最好的时代——芯片性能每年翻倍，架构创新层出不穷。

参考资料​

  • AI 算力卡未来路线图 - MirrorFrog 实时更新
  • NVIDIA Rubin R200 深度解析（见本站相关文章）
  • AMD MI400 系列 CES 2026 发布（见本站相关文章）
  • Qualcomm AI 100 发布分析（即将发布）

最后更新：2026-06-20
作者：Charles Qing
标签：#路线图 #市场分析 #采购决策