44 posts tagged with "Domestic Chips"

当多数国产 AI 芯片公司all in 大模型算力时，摩尔线程依然坚持"两条腿走路"：一手是 MTT S5000 智算卡撑起的夸娥万卡集群，一手是瞄准 3A 游戏的"庐山"图形 GPU。9 月初的半年度业绩说明会给出了两条线的最新坐标——这条"AI+游戏"并举的路线，正在从权宜之计变成差异化壁垒。

一、MTT S5000：平湖架构的训推一体旗舰​

MTT S5000 基于第四代 MUSA"平湖"架构，搭载 PH100 芯片、4096 个自研 MUSA Core，2025 年 2 月公开参数。核心规格如下：

项目	参数
架构	MUSA 第四代（平湖），PH100 芯片
显存	80 GB（颗粒类型官方未公开）
显存带宽	1.6 TB/s
FP8 稠密算力	1000 TFLOPS（液冷版）/ 920 TFLOPS（风冷版）
BF16/FP16	400 TFLOPS
FP32	100 TFLOPS
INT8	800 TOPS
互联	MTLink 784 GB/s（8 卡节点内全互联）
TDP	500 W（市场口径）
形态	OAM / PCIe，液冷 + 风冷双版本
单价	~$4000–6000（OAM）

几点澄清值得注意：其一，"单卡 AI 稠密算力 1000 TFLOPS"特指 FP8 精度（液冷版），并非 FP16；其二，80GB 显存的颗粒类型官方从未公布，市场流传的"GDDR6X"说法与 1.6 TB/s 带宽自相矛盾，本站已订正为"类型未公开"；其三，S5000 配备硬件级 FP8 Tensor Core，支持 FP8→FP64 全精度，并已基于 FP8 完成 DeepSeek-V4 的 Day-0 适配。加上《安全可靠测评结果公告（2026 年第 2 号）》的通过——AI 训推芯片首次纳入该体系——S5000 同时拿到了信创市场的入场券。

二、万卡落地：夸娥集群与京东云合作​

S5000 的成色，最终要靠集群说话。基于夸娥（KUAE）万卡智算集群的实测数据：

指标	实测值
集群算力	10 EFLOPS
Dense 大模型训练 MFU	60%
MoE 大模型训练 MFU	40%
训练线性扩展效率	95%（64 卡→1024 卡保持 90%+）
有效训练时间占比	>90%
第三方对齐	智源 RoboBrain 2.5 与 H100 集群 loss 差异仅 0.62%

95% 的线性扩展效率背后是 ACE 异步通信引擎——把通信任务从计算核心卸载，实现计算与通信零冲突并行。商业侧，2026 年 3 月签下 6.6 亿元夸娥集群订单；软件侧，MiniMax M3、智谱 GLM-5.2、阿里 Qwen3.5、美团万亿参数 LongCat-2.0 相继完成 Day-0 适配。最关键的落地信号来自 9 月 19 日：京东云与摩尔线程合作的万卡级集群已部署上线服务——从"能跑通"到"规模化服务外部客户"，国产 GPU 集群跨过了商用验证的分水岭。随后的数贸会（9 月 23–27 日，杭州）上，摩尔线程集中展示了 AI 智算卡、万卡级集群，以及"模型训练工厂、词元生产工厂、智能体生产工厂"三层能力，产品覆盖云-边-端全场景。

三、"庐山"GPU：从兼容显卡到渲染范式革命​

图形产品线上，9 月 3 日半年度业绩说明会披露了新一代"庐山"GPU 的指标——基于花港架构，预计 2026 年底推出：

• 3A 游戏渲染性能提升 15 倍；
• 光线追踪性能提升 50 倍；
• AI 性能提升 64 倍。

比倍数更重要的是两项渲染技术的组合：一是硬件光线追踪，原生支持 DirectX Raytracing，让国产 GPU 第一次在光追管线层面与主流标准对话；二是AI 生成式渲染 AGR，基于全自研 MTAGR 1.0，把渲染范式从"逐像素计算"推向"生成"——用 AI 直接生成画面内容，而非暴力算出每个像素。前者补齐了传统管线的硬件短板，后者则是在渲染范式切换窗口期的卡位：当英伟达 DLSS、AMD FSR 都在走向 AI 化时，AGR 让摩尔线程有机会在下一代渲染标准里占据一席，而不是永远追赶。

四、游戏反哺 AI：双架构复用的独特路线​

把两条产品线放在一起看，摩尔线程的打法浮现出独特逻辑：图形与 AI 共享同一套 MUSA 架构底座——SIMT 核心、张量单元、光追核心、统一软件栈全部复用。游戏 GPU 的价值因此不只是营收 diversification：海量游戏场景是最好的架构压力测试与现金流来源，图形侧打磨的调度、显存与光速能力，反向反哺 AI 卡的通用计算质量；而 AI 业务积攒的先进制程流片经验，又拉高图形芯片的天花板。

已登陆科创板的摩尔线程，如今可以用上市平台的融资能力同时养两条产品线。这与纯 AI 芯片公司"单点押注大模型"的路线形成鲜明对比——在国产算力需求旺盛但波动性尚存的市场里，双线作战既是对冲，也是壁垒。

小结​

摩尔线程的 2026 年验证了"全功能 GPU"路线的可行性：MTT S5000 以 FP8 稠密 1000 TFLOPS、80GB 显存撑起夸娥万卡集群，并通过京东云万卡级集群部署完成了规模化商用验证；"庐山"GPU 则以硬件光追与 AI 生成式渲染 AGR 完成了从"国产兼容显卡"到"渲染范式探索者"的技术跃迁。图形+AI 双架构复用的独特路线，让摩尔线程在国产 AI 芯片阵营中占据了一个难以复制的生态位。2026 年底"庐山"如期推出与否，将是这条双线故事的下一次大考。

2026 年 4 月 24 日，DeepSeek V4 开源并宣布全面适配华为昇腾，成为全球首个在国产 AI 芯片上完成全栈推理适配的万亿参数级开源模型。一场"开源模型拉动国产算力、国产算力反哺开源生态"的飞轮，开始加速转动。

Day 0 适配：从后补迁移到原生生长​

过去国产大模型普遍在海外 GPU 上开发训练，再向国产芯片做后补式迁移，成本高、周期长、性能损耗显著。DeepSeek V4 改写了这一模式：据公开报道，其团队联合华为、寒武纪从底层框架开展重构，基于 CANN 与 NeuWare 软件栈重写数十万量级的核心算子，针对稀疏 Attention、GroupGemm 等关键内核深度优化，对昇腾、寒武纪最新旗舰芯片实现发布即适配。

适配潮随即扩散：寒武纪依托 vLLM 框架完成 V4 双版本适配并将代码开源至 GitHub；摩尔线程联合智源 FlagOS 社区在旗舰 GPU 上完成深度优化部署；百度千帆、阿里国际等平台实现 Day 0 接入。多家券商研报预计，2026 年国产算力芯片出货量将实现翻倍增长。

飞轮的四个咬合齿轮​

这条飞轮的运转逻辑可以拆成四步：

环节	作用	标志性进展
开源模型	提供免许可、可深度改造的技术底座	DeepSeek V4 等开放权重，高低搭配分层覆盖
国产算力	承接训练与推理，成本可控	昇腾超节点全球部署突破 1000 套
软件统一	降低跨芯片迁移门槛	FlagOS 推动一次开发、跨芯片运行
应用繁荣	反哺算力与模型迭代需求	国产芯片集群承接大规模线上推理

两个补充齿轮同样关键。其一，昇腾已成为 PyTorch 官方支持的首个中国算力底座，覆盖 90 多个主流第三方社区，全球开发者无需繁琐流程即可调用昇腾算力；其二，智源研究院牵头的开源统一软件栈 FlagOS 已支持英伟达、摩尔线程、华为、海光、天数等多种芯片，直指"换一家芯片就要重学一遍"的行业痛点——软件碎片化曾是国产算力最大的隐性成本。

推理成本下降的正循环​

模型与芯片的深度协同直接压低了推理边际成本。DeepSeek 方面表示，受高端算力供给限制，V4-Pro 服务吞吐量暂时有限，待下半年昇腾 950 超节点量产后，定价有望大幅下调——算力供给的改善会直接传导为应用调用降价，进而加速 AI 向实体经济渗透。硬件形态上，国产厂商也在集体升级：在世界人工智能大会上，壁仞、沐曦、燧原、摩尔线程相继发布超节点产品，阿里云推出可公共云租用的超节点实例，"超节点"已成为国产算力的行业共识。此外，有报道指出，新一代模型在昇腾上完成混合专家并行方案验证后，推理任务实现了 1.5 至 1.73 倍的加速。

结语：飞轮转起来之后​

DeepSeek 效应的真正启示在于：生态壁垒的攻破不靠单点性能对标，而靠"模型免费开放、算力成本可控、软件迁移低摩擦"三者共振。飞轮一旦转起来就会自我强化——更多应用选择国产芯片，芯片出货放大摊薄软件投入，软件更成熟又吸引更多模型原生适配。从"能用"到"好用"仍有距离，工具链成熟度与高端产能仍是短板，但方向已经清晰：国产算力的竞争逻辑，正在从追赶参数转向经营生态。

torch.compile 常被当作"提个速的开关"，但对 AI 基础设施工程师来说，它更大的价值在于暴露了一套清晰的编译栈分层：TorchDynamo 负责捕图，后端负责下沉。理解这套分层，才能看懂国产芯片为什么能在不 fork PyTorch 的前提下接入。

编译栈的三层结构​

PyTorch 2.x 的编译链路可以拆成三层：

1. TorchDynamo：在 Python 字节码层面安全捕获计算图，遇到不支持的语法自动切段（graph break），保证兼容性优先。
2. 后端接口：torch.compile 的 backend 参数既接受内置名称，也接受任意可调用对象，签名为接收一个 FX GraphModule 与示例输入，返回优化后的可执行体。这层是所有第三方硬件的接入点。
3. TorchInductor：默认后端，为 NVIDIA、AMD、Intel GPU 生成 Triton 或 C++ 内核，支持 max-autotune、reduce-overhead 等模式，并通过动态形状追踪避免频繁重编译。

内置后端与自定义后端​

PyTorch 树内提供了一批非实验性后端，可以用 torch._dynamo.list_backends() 枚举：

后端	用途	阶段
inductor	默认后端，性能与开销平衡	生产可用
cudagraphs	CUDA Graph 加速，小批量推理	生产可用
aot_eager	仅做 AOT 捕图不优化，调试用	调试
tensorrt	经 Torch-TensorRT 下沉推理	推理
ipex	Intel CPU/GPU 优化	生产可用
onnxrt / openvino / tvm	各自运行时下沉	实验或推理

自定义后端的最小实现非常简单：写一个函数接收 GraphModule，做完变换后原样返回，就能挂进 torch.compile。厂商的真功夫在于把 FX 图拆分、算子映射到自家指令集、再生成高性能内核，同时处理动态形状与守护条件（guard），避免图缓存失效退化回 eager。

国产芯片的接入实践​

昇腾走的是 torch-npu 路线：以 PyTorch 插件形式提供 NPU 设备支持，vllm-ascend 的路线图里专门有支持 torch.compile（图模式）的条目，通过 ACL 图捕获来降低调度开销。这意味着上层代码基本不需要为编译模式做特殊改造，由插件在算子级完成下沉。类似地，Intel 在 PyTorch 2.5 中增强了 GPU 后端的 torch.compile 支持，并用 AMX 指令优化了 Xeon 上的 FP16 路径。对自研加速器团队而言，官方建议的路径是先让模型在 eager 模式跑通，再逐段评估 graph break 位置，最后决定是注册独立后端还是为 Inductor 扩展设备支持。

实操建议​

接入新硬件时优先确认三点：官方是否提供 PyTorch 插件而非 fork 版框架；插件对 torch.compile 的支持程度是"有接口"还是"经过生产验证"；动态形状场景的重编译频率是否可控。工程师调试编译链路时善用 TORCH_LOGS 环境变量（设为 guards 或 dynamic 可以定位守护失败与过度特化），并用 cache_size_limit 关注图缓存上限——缓存打满会静默回退 eager，性能悄悄掉一半而无人察觉。

华为昇腾与寒武纪之外，一批二线国产 AI 芯片厂商正在 2026 年集体进入收获期：上市潮、大厂订单与超节点产品同时落地，国产算力的第二梯队正在成形。

资本市场：从独角兽到上市公司的批量切换​

2026 年是国产 AI 芯片的上市大年。燧原科技的科创板 IPO 已过会并获注册批复，拟募资 60 亿元，公司自研迭代了四代架构、五款云端 AI 芯片；壁仞科技于 2026 年 1 月 2 日在港交所挂牌，开盘大涨 82%，市值一度突破千亿港元，成为港股 GPU 第一股；天数智芯也在 2026 年 1 月登陆港交所。据业界统计，摩尔线程、沐曦等厂商同样在冲刺科创板，"国产 GPU 四小龙"有望在资本市场聚齐。

厂商	资本进展	2026 年代表动作
燧原科技	科创板过会并获注册，拟募资 60 亿元	联合中兴发布云燧 ESL64-O 无线缆超节点
壁仞科技	港交所上市，市值一度破千亿港元	BR2xx 芯粒光互连千卡超节点，20 余款大模型当日适配
天数智芯	2026 年 1 月港交所上市	据媒体报道与字节跳动洽谈至少 5 万颗推理 GPU 采购
登临科技	据公开报道持续推进融资与商用	聚焦推理加速场景的规模化落地

产品与订单：超节点成为竞争主线​

2026 世界人工智能大会清晰地展示了行业竞争重心的迁移：从单芯片算力比拼转向芯片、高速互联与整机集群的系统级较量。壁仞科技推出基于芯粒架构 BR2xx 芯片的光互连千卡超节点，最多 1024 张 GPU 可共享同一内存空间；燧原科技联合中兴通讯发布的云燧 ESL64-O 超节点采用正交无背板设计，实现零线缆以大幅降低互联成本，其与腾讯云合作的"燎原"智算集群 3.0 已完成数千卡至万卡级部署。

订单侧的突破更具标志性意义。据多家媒体援引消息报道，字节跳动正与天数智芯洽谈采购至少 5 万颗智铠系列云端推理 GPU，若落地将成为继华为、寒武纪之后字节跳动的第三大国产 GPU 供应商；业界普遍认为，国产推理芯片定价约为英伟达同级产品的六到七成，成本优势叠加安全可靠测评的政策导向，正在推动互联网大厂从试点采购转向规模导入。登临科技等专注推理加速的厂商，也在互联网与行业客户中持续推进规模化商用。

生态与隐忧：窗口期不会永远敞开​

软件生态的比拼同样白热化。壁仞科技已对智谱 GLM、DeepSeek、通义千问等 20 余款头部大模型完成当日同步适配，其中 DeepSeek 全系列适配据称仅用数小时；2026 年 5 月，首批 9 款国产芯片获评国家最高安全可靠等级，壁仞、天数智芯等均榜上有名，信创需求的井喷进一步打开了市场空间。

但隐忧同样明确：先进制程产能受限于代工排期，交付能力决定谁能兑现政策红利；英伟达下一代架构随时可能随出口政策变化重返中国市场，国产芯片的时间差优势存在收窄风险。二线厂商能否从"能跑"走向"好用、稳定、规模供货"，仍是决定最终座次的关键。

小结​

2026 年的国产 AI 芯片第二梯队，第一次同时拥有了资本弹药、大厂订单与系统级产品能力。燧原、壁仞、天数智芯的上市潮解决了资金可持续性，超节点与大模型适配解决了生态可用性，剩下的问题——产能与长期竞争力——将在未来两年给出答案。

在 AI 芯片的舆论场里，云端训练卡占据九成话题，但真正以百万级数量铺进街道、园区、工厂和交通路口的，是另一类低功耗边缘芯片。算能科技的 BM1684X 就是其中的隐形冠军：它很少出现在发布会头条，却是安防集成商选型清单上的常客。

规格：把"够用"做到极致​

BM1684X 属于算能第四代自研 TPU（张量处理器），基于 Bernoulli 架构，采用台积电 12nm 工艺。它的高度集成是最大特色——一颗 SoC 同时集成 8 核 ARM Cortex-A53 处理器、TPU 计算单元与视频编解码引擎：

参数	BM1684（第三代）	BM1684X（第四代）
发布时间	2019 年	2022 年
INT8 算力	17.6 TOPS	32 TOPS（INT4 可达 64 TOPS）
FP16 算力	未公开	16 TFLOPS
FP32 算力	2.2 TFLOPS	2 TFLOPS
内存	12GB LPDDR4X	6 至 16GB LPDDR4/LPDDR4X
内存带宽	未公开	约 68.3 GB/s（16GB 配置）
整卡/整机功耗	约 16W	满载约 18 至 20W，被动无风扇
视频解码	32 路 1080P	32 路 1080P 25FPS（H.264/H.265）

为什么集成商爱它​

边缘 AI 的交付逻辑与云端完全不同：客户要的不是峰值算力，而是每瓦性能、每路视频成本和开发周期。BM1684X 在这三点上都有硬通货。

首先是视频能力。32 路 1080P 硬解码加上 AI 推理再编码回流的全流程能力，让一台巴掌大的盒子就能完成一个路口的人脸识别、车牌识别与视频结构化，无需额外服务器。其次是功耗与散热：满载不到 20 瓦、被动无风扇设计、支持宽温运行，意味着它可以装在户外机箱里常年免维护。第三是软件成熟度：SOPHON SDK 提供从模型编译到部署的一站式工具链，支持 PyTorch、TensorFlow、ONNX、PaddlePaddle 等主流框架一键转换，Docker 容器化部署让算法上线如同拷贝文件。

值得一提的是，随着开源小模型成熟，BM1684X 还解锁了新玩法：据公开报道，它已可本地运行 LLaMA2、Qwen、ChatGLM、Whisper 等轻量化模型，把边缘盒子从"视频分析器"升级为"本地小脑"。

形态与生态位​

BM1684X 的落地形态极为丰富：既可以是独立运行的边缘计算盒子（SoC 模式），也可以作为 PCIe 加速卡插入边缘服务器（PCIe 模式）。英码、天启等大量方案商基于它推出标准品与行业定制机，覆盖智能安防、智慧交通、智慧工地、智慧零售、工业质检等场景。在其之上，算能还有更低功耗的 BM1688（16 TOPS）承接成本敏感型需求，形成高配与低配的完整梯度。

从公司背景看，算能由比特大陆的 AI 芯片业务发展而来，继承了多年 TPUNB 自研架构积累；据公开报道，其边缘 AI 产品在国内安防市场占有重要份额，前代 BM1684 的累计出货已达相当规模。

小结：边缘市场没有新闻，只有交付​

BM1684X 的故事没有惊心动魄的转折，只有对真实需求的持续打磨：20 瓦功耗、32 路解码、成熟的 SDK、透明的价格。当行业目光都聚焦在云端大芯片的军备竞赛时，正是这类产品在支撑 AI 的最后一公里。对于需要大规模部署视频分析与边缘推理的团队，BM1684X 仍是当下验证最充分、生态最完善的国产选择之一。

国产DRAM龙头长鑫存储向NAND闪存伸出触角，不只是多一条产品线——在AI重构存储需求的当下，这意味着国产存储原厂格局正在发生结构性变化。

长鑫筹备进军NAND​

据路透社2026年9月中下旬报道，长鑫存储（CXMT）正筹备进入NAND闪存市场：公司已在北京设立NAND研发线，并开始接触AI系统与超算存储领域的客户。

在此之前，长鑫的定位是国产DRAM龙头，专注DRAM存储器的研发与量产。若此次进军NAND落地，长鑫将成为国内少有的同时覆盖DRAM与NAND两大存储品类的原厂。选择在此时点切入，时机耐人寻味：NAND市场长期由三星、铠侠、西部数据、美光、SK海力士等国际大厂主导，但AI对存储需求的剧变，正在为新进入者打开一扇窗。

AI正在改写存储的需求逻辑​

长鑫选择这个时点进军NAND，必须放在AI基础设施变革的大背景下理解。2026年9月，存储行业密集释放出"AI重构存储"的信号：

厂商	时间	动作	关键点
SK海力士	9月17日（AI Infra Summit 2026）	发布"New Spectrum"组合	HBF高带宽闪存、PIM存内计算、eSSD、SALT-KV
美光	9月15日	全球首款超密度服务器内存模组	面向AI服务器内存扩容
华为	9月	OceanStor M900上下文内存存储集群	PB级KV Cache，SSD读写寿命延长16倍

这些动作指向同一个事实：AI负载，特别是大模型推理，对存储提出了全新的要求——海量上下文、频繁随机读写、极低延迟。传统"DRAM管热数据、SSD管冷数据"的分层逻辑正在被改写。

KV Cache与上下文存储：新战场​

最值得关注的是华为OceanStor M900所代表的上下文内存存储方向。大模型推理中，KV Cache用于缓存对话与推理过程中的中间状态，随上下文长度增长而膨胀，成为制约推理吞吐和成本的关键瓶颈。PB级KV Cache集群的思路，是把KV Cache从GPU显存下沉到专用存储层，用SSD阵列承接上下文状态。

代价是SSD写入寿命——KV Cache的写放大远超传统负载。华为宣称通过技术手段将SSD读写寿命延长16倍，正是为了让SSD扛得住这种"内存化"使用强度。SK海力士的HBF（高带宽闪存）和SALT-KV则从介质层面给出了另一种答案。

对长鑫而言，这恰恰是机会所在：AI上下文存储需要海量的高性价比NAND容量，且这一细分市场尚无固化格局。用NAND切入AI基础设施供应链，比在消费级SSD市场硬碰硬更有想象力。

国产存储自给的第二曲线​

从国产替代的视角看，长鑫进军NAND的意义在于打开"第二曲线"：

• 第一曲线（DRAM）：长鑫已在国产DRAM市场站稳，产能与技术持续爬坡，解决了国产存储"有没有"的问题。
• 第二曲线（NAND+AI存储）：NAND研发线与AI/超算客户触达，意味着长鑫瞄准的不是简单复制国际大厂的产品矩阵，而是直连AI基础设施这个增量市场。

结合AI对存储的重新定义——部件正在变成平台，长鑫若能借NAND切入KV Cache、上下文存储等AI存储场景，将实现从"存储部件供应商"向"AI基础设施玩家"的跃迁，这条路径的上升空间远大于传统NAND替代。

存储公司的身份转变​

SK海力士在AI Infra Summit 2026上发布的"New Spectrum"组合（HBF、PIM、eSSD、SALT-KV），以及随后在硅谷成立风险投资部门拓展AI生态投资，都说明头部存储厂商已经完成了自我定位的刷新：存储公司不再是被动跟随CPU、GPU规格的部件商，而是主动定义AI数据架构的平台方。长鑫的NAND布局，正是这股浪潮中的国产注脚。

小结​

长鑫存储筹备进军NAND，表面上是一次品类扩张，实质上是AI时代存储价值重估的缩影：SK海力士、美光、华为密集发布面向AI的存储创新，KV Cache与上下文存储成为新战场，存储公司正从部件供应商转型为AI基础设施平台玩家。对国产存储而言，DRAM之外的NAND第二曲线若能与AI需求红利叠加，国产存储自给将进入新阶段。格局生变，好戏才刚开始。

从"国产兼容显卡"到"硬件光追+AI生成式渲染"，摩尔线程正在完成一次技术范式层面的跃迁——而AI算力与游戏GPU的双线并进，让这次跃迁有了更厚实的商业底座。

"庐山"来了：15倍渲染、50倍光追、64倍AI​

2026年9月3日，摩尔线程在半年度业绩说明会上介绍了下一代高性能图形渲染芯片规划：基于**"花港"架构的新一代GPU——"庐山"**，预计实现三大性能跃升：

• 3A游戏渲染性能提升15倍
• 光线追踪性能提升50倍
• AI性能提升64倍

官方计划于2026年底推出"庐山"芯片（上市时间以官方发布为准）。这三个数字放在一起，勾勒出的不是一次常规的代际迭代，而是一次"重写底座"式的升级：光追50倍意味着硬件光追从"支持"走向"实用"，AI性能64倍则预示着AI能力将从图形附庸升级为核心卖点。

两大核心渲染技术​

"庐山"的性能跃升背后，是两项核心渲染技术支撑：

其一是实时光线追踪。"庐山"基于花港架构设计了硬件光线追踪加速引擎，并支持DirectX Raytracing（DXR）。此前国产GPU普遍通过软件手段或有限硬件支持来兼容光追，而专用加速引擎+DXR支持的组合，意味着"庐山"将具备与主流游戏引擎光追管线对接的能力——这是3A游戏生态的门票。

其二是AI生成式渲染AGR。摩尔线程推出全自研的MTAGR 1.0技术，推动渲染范式"从计算走向生成"。传统光栅化渲染是逐像素计算的暴力美学，而生成式渲染借助AI模型直接生成画面细节，用更少的算力换更高的画质与帧率。NVIDIA的DLSS、AMD的FSR已验证了AI超分路径的价值，MTAGR 1.0则是国产GPU在渲染范式变革上的主动跟进——且选择直接押注"生成"而非仅仅"超分"。

双线并进：游戏GPU与AI算力​

"庐山"的故事不止于游戏。摩尔线程2026年的商业化进展呈现出游戏与AI算力两条腿走路的格局：

时间	事件	意义
此前	登陆科创板上市	打开资本通道，支撑高研发投入
9月3日	半年度业绩说明会公布"庐山"规划	图形GPU技术路线图明确
9月19日（报道）	京东云与摩尔线程合作万卡级集群部署上线	国产GPU万卡集群规模化落地
9月23-27日	数贸会（杭州）展示AI智算卡、万卡级集群	展示"模型训练工厂/词元生产工厂/智能体生产工厂"

在杭州数贸会上，摩尔线程展示的产品覆盖云-边-端全场景：AI智算卡、万卡级集群，以及面向大模型生命周期的"模型训练工厂""词元生产工厂""智能体生产工厂"。这套叙事与京东云万卡集群的落地相互印证——摩尔线程的AI算力业务已经从"卖卡"进入"卖集群、卖工厂"的深水区。

技术跃迁的深层逻辑​

回顾国产GPU的发展路径，第一代产品的核心命题是"兼容"——让Linux桌面、办公软件、视频播放跑起来；而"庐山"的命题变成了"范式"——硬件光追对接主流3A管线、AGR参与全球渲染范式变革、AI性能面向大模型时代。从跟随式兼容到范式级参与，这是国产GPU厂商第一次在图形技术方向上与国际一线站在同一条起跑线附近。

AI性能提升64倍的目标也值得放在行业背景下解读：图形与AI本就同源，硬件光追引擎与AI算力单元共享大量基础能力。"庐山"把AI性能提升作为核心指标，说明花港架构在设计之初就为图形+AI双重负载做了统一规划。

小结​

"庐山"GPU承载着摩尔线程的三重跨越：技术上，从软件兼容走向硬件光追与MTAGR 1.0生成式渲染的范式创新；产品上，从单一显卡走向云-边-端全栈布局；商业上，从科创板上市到京东云万卡集群落地，AI算力与游戏GPU双线并进。3A渲染15倍、光追50倍、AI性能64倍的目标能否兑现，要等2026年底产品揭晓（以官方发布为准），但方向已经清晰：国产GPU不再满足于"能用"，而是开始追求"领先"。

据路透社报道，出口管制推高HBM成本，华为、寒武纪等国产AI芯片厂商集体上调价格——正如戴尔CEO所言，"比涨价更糟的是没货"。

路透社爆料：三位知情人士描绘的涨价全景​

据路透社2026年9月10日援引三位知情人士的报道，因出口管制导致HBM成本飙升，华为、寒武纪等中国AI芯片厂商已大幅上调现有及下一代AI处理器的价格。这不是单一产品的调价，而是一轮覆盖多代产品线的系统性涨价。

产品	年初价格	当前价格	涨幅
华为昇腾950DT加速卡	未公开	指示性价格25万元人民币以上（约37255美元）	两个月内报价最多上涨50%
华为昇腾950PR	约6万元/单卡	突破8万元	约30%
华为昇腾910C板卡（老款）	约9万元	11万元以上	—
寒武纪下一代芯片（暂称690）	未公开	未公开	较两个月前上涨20%-30%

其中最引人注目的是昇腾950DT：其指示性价格已调高至25万元人民币以上（约37255美元），两个月内报价最多上涨50%。年初单卡约6万元的昇腾950PR，现已突破8万元；老款昇腾910C板卡也从年初的约9万元涨至11万元以上——连上一代产品都在涨价，说明短缺是全方位的，而非某一型号的局部现象。

寒武纪官方回应与厂商动态​

在涨价消息流传之际，寒武纪董秘办作出回应："不要听信市场消息，一切以官方公告为准。"这一表态既未证实也未否认。据上述报道，寒武纪下一代芯片（暂称690）已重新定价，较两个月前上涨20%-30%。

与此同时，涨价并非华为与寒武纪的"专属"：沐曦、天数智芯亦有类似的涨价动作。也就是说，这轮价格上行已经从头部厂商扩散至更多国产AI芯片公司，成为行业性现象。对采购方而言，"再等等看会不会降"的观望策略，正在面临价格持续上行的反向风险。

涨价根源：HBM短缺与出口管制双重挤压​

这轮涨价的逻辑链条并不复杂，可以拆成三层：

1. 需求侧：AI算力需求持续爆发，国产AI芯片订单饱满，供不应求是常态；
2. 供给侧：全球HBM持续紧缺，高带宽显存作为AI加速卡最关键的物料，产能增量远远跟不上需求增量；
3. 成本侧：出口限制卡住了国产芯片的上游供应，HBM获取成本大幅飙升，直接推高单卡物料成本。

上游成本抬升叠加供不应求，价格上调几乎是必然结果。对厂商而言，涨价既是转嫁成本的被动选择，也是在新的供需格局下重新校准产品定价的主动机会——毕竟在"有货就能卖掉"的市场里，定价权掌握在供给方手中。

戴尔CEO的警告：2027年可能更严重​

需求侧的信号同样值得警惕。戴尔CEO在高盛大会上表态：半导体结构性短缺短期难以缓解，2027年可能更严重；并且留下一句点睛之语——"比涨价更糟的是没货"。

这句话道破了当前AI算力市场的真实状态：价格上行尚可通过预算调整来消化，而拿不到货则直接卡死算力建设进度，延误的是整个AI战略的落地节奏。HBM作为AI加速卡的瓶颈物料，其短缺正在向上传导为加速卡、服务器乃至智算中心建设层面的系统性不确定性。

对采购决策的影响​

对于正在规划AI算力建设的企业来说，这轮涨价潮至少意味着三件事：

• 预算规划要留弹性：单卡成本模型需要动态更新，参考昇腾950PR两个月上涨约30%的斜率，静态预算很容易失真；
• 交期比价格更关键：昇腾910C这类老款产品都在涨价，说明现货稀缺，早锁定意味着早交付、早形成算力；
• 多供应商组合价值凸显：华为、寒武纪、沐曦、天数智芯全线涨价的环境下，国产+海外、多品牌组合的采购策略更有抗风险能力。

小结​

HBM短缺与出口管制双重压力下，国产AI芯片正在经历一轮罕见的全线上调：华为昇腾950DT报价突破25万元（约37255美元）、两个月最多涨50%，昇腾950PR突破8万元，昇腾910C板卡涨至11万元以上，寒武纪下一代芯片690较两个月前上涨20%-30%，沐曦、天数智芯跟进调价。戴尔CEO"2027年可能更严重"的判断提示我们：这场短缺或许不是短期波动，而是未来数年的行业常态。对采购方而言，与其等待价格回落，不如尽早锁定供货。

开盘暴涨188.37%、市值1764.44亿元——燧原科技的科创板首秀，为国产AI芯片的资本化浪潮再添一把火。

首日表现：高开高走​

2026年9月11日，上海燧原科技股份有限公司正式在上海证券交易所科创板挂牌上市，股票代码688801.SH。开盘价410元/股，较发行价暴涨188.37%，市值达到1764.44亿元；盘中股价最高触及468元/股，涨幅超过229%。

对于一家AI芯片公司而言，这样的首日表现并不常见。它反映的是二级市场对国产AI算力标的的稀缺性定价：在AI算力需求爆发、国产替代加速的双重叙事下，能够提供训练+推理完整产品线的芯片公司，几乎是科创板最炙手可热的资产类别。

指标	数值
上市日期	2026年9月11日
股票代码	688801.SH
上市板块	上交所科创板
开盘价	410元/股
开盘涨幅	188.37%
盘中最高价	468元/股（涨幅超229%）
上市初期市值	1764.44亿元
重要股东	腾讯（浮盈超300亿元）

腾讯作为燧原科技的重要股东，在这场上市中浮盈超过300亿元。从早期一路陪跑到科创板敲钟，腾讯对燧原的持续投入，是互联网大厂深度绑定国产AI芯片公司的典型案例，也印证了一级市场对国产算力赛道的长期押注。

产品底色：云燧训练/推理卡与集群方案​

资本故事之外，燧原的产品线是其估值的底色。燧原科技的核心产品围绕"邃思"DTU芯片展开，基于该芯片打造云燧系列训练加速卡与推理加速卡，并延伸出数据中心级集群方案，覆盖从单卡到大规模部署的完整需求链条。

以燧原T21为例，该卡搭载64GB HBM2E显存，面向大模型时代的显存密集型负载。在HBM容量与带宽成为AI加速卡竞争焦点的当下，大容量HBM配置是衡量产品竞争力的硬指标之一。而集群方案的完整度——从单卡、整机到组网调度——则决定了芯片公司能否真正承接云厂商与行业客户的数据中心级订单。

国产AI芯片的集体资本化​

燧原上市并非孤立事件，而是国产AI芯片企业批量登陆资本市场的最新一站。在此之前，板块格局已经初步成形：

公司	上市地/代码
寒武纪	科创板
摩尔线程	科创板
沐曦	科创板（688802.SH）
天数智芯	港股（09903.HK）
燧原科技	科创板（688801.SH，2026年9月11日）

从训练芯片到推理芯片，从GPU路线到GPGPU、DTU等多技术路线，国产AI芯片公司正在以"科创板为主阵地、港股为补充"的格局完成集体资本化。燧原开盘188%的涨幅，某种程度上是市场对整个板块稀缺性与成长性的集中定价——每一个新上市标的，都在为后来者校准估值坐标。

"融资-流片-上市-再投入"的飞轮​

AI芯片是典型的重资产、长周期行业：一次先进制程流片动辄数亿美元级投入（行业内公认的成本结构），大规模量产还需要持续的产能保障与人员扩张。没有持续的资本供给，技术追赶很难维持节奏。

此番IPO募资，燧原将投向研发与产能两个方向：前者保证下一代芯片的技术迭代与追平能力，后者保证规模交付能力。由此，国产AI芯片行业正在形成一个清晰的飞轮：

1. 融资：一级市场资金支撑芯片流片与团队建设；
2. 流片与量产：产品落地，进入云厂商与行业客户供应链；
3. 上市：借助资本市场完成价值发现与再融资通道建设；
4. 再投入：募资投向下一代研发与产能，进一步缩小与海外厂商的差距。

寒武纪、摩尔线程、沐曦、天数智芯与燧原的接连上市，让这个飞轮转得越来越快。资本市场的持续输血，正在成为国产AI芯片追赶进程中不可或缺的助推器。

小结​

燧原科技科创板首日开盘暴涨188.37%、市值1764.44亿元、盘中最高涨幅超229%，腾讯浮盈超300亿元——这既是资本市场对国产AI芯片稀缺标的的热烈回应，也是"融资-流片-上市-再投入"产业飞轮加速运转的缩影。在HBM紧缺与AI算力需求爆发的双重背景下，国产AI芯片的资本化窗口仍在敞开。后续燧原能否将高估值转化为持续的营收与利润，将是检验这场资本盛宴成色的关键。

On September 22, 2026, multiple media outlets reported that DeepSeek's CEO explicitly stated the company is betting heavily on Huawei chips, expects to receive a new batch of Huawei chips for large-model training, and stressed that "this choice must succeed." Following earlier reports that "DeepSeek planned to procure 160,000 Ascend 950DT units for inference," this is the most significant alignment signal yet in the domestic compute ecosystem — an upgrade from inference procurement to a training bet.

---

1. The Signal Chain: Four Steps to a "Training Bet"​

Piecing together the public information from the past six months, the DeepSeek–Ascend collaboration shows a clear escalation path:

Time	Signal	Nature
Mid-2026	DeepSeek V4 completes ecosystem migration from CUDA to CANN	Software adaptation
August 2026	Report: DeepSeek plans to procure 160,000 Ascend 950DT units for inference deployment	Inference procurement intent
2026-09-17	HC2026: 960DT ready three quarters ahead of schedule, 950DT ramping in Q4	Supply delivery
2026-09-22	DeepSeek CEO: betting on Huawei chips for LLM training, "must succeed"	Training bet

The key change is the workload tier: inference deployment means "cutting costs with off-the-shelf compute," while a training bet means "staking the existence of next-generation models on domestic chips" — training clusters demand an order of magnitude more in stability, interconnect efficiency, and software-stack maturity.

2. Huawei's Ability to Deliver​

DeepSeek's willingness to commit rests on a series of verifiable progress points on Huawei's supply side (all official figures):

• One generation per year, delivered: the 950PR is in mass production, the 950DT ramps in 2026 Q4, and the 960DT moved three quarters earlier than its original 2027 Q4 plan to ready in 2027 Q1 / launch in Q2 — the roadmap's credibility validated twice in a row;
• Deployment scale: Ascend supernodes have been commercially deployed at scale in over 1,000 sets, covering internet, finance, healthcare, and manufacturing;
• Ecosystem maturity: CANN has entered routine open-source operation, with external developers exceeding 61% for the first time and 5,200 monthly active developers; there are over 40 Ascend-native training models, making it the only domestic technology route supporting pretraining;
• Training evidence chain: China Telecom's Xing 4.0-29B-A4B agentic MoE model, open-sourced in September, was announced as trained end-to-end on Ascend (company claim) — "Ascend can train large models" is no longer just Huawei's self-attestation.

See the Ascend 950DT and Ascend 960 spec pages for details; for supernode analysis, see Ascend 960 Official Launch.

3. Why DeepSeek?​

DeepSeek's choice has strong structural drivers:

1. Supply certainty: under export-control constraints, NVIDIA's flagship supply to China keeps tightening; domestic compute is the only plannable large-scale training supply;
2. Cost structure: DeepSeek has always been known for extreme engineering efficiency (the V3 training cost set the industry benchmark), and domestic compute plus supernode system efficiency fits its approach;
3. Betting on ecosystem dividends: CANN open-sourcing plus deep binding with leading model vendors means model vendors can participate in shaping the toolchain's direction — something impossible within CUDA's closed system;
4. Self-fulfilling demonstration effect: a leading lab's public commitment pulls back on Huawei's production scheduling and upstream HBM and system investment, making "must succeed" a rational commitment rather than a slogan.

4. Risks and Open Questions​

Viewed coolly, this route still has three items that need time to verify:

• Actual training scale: the quantity, model type (950DT or 960DT), and delivery schedule of the new batch of chips are all undisclosed;
• MFU methodology: the MFU / latency gains Huawei cites all come from Markov-lab simulations, with no independent third-party measurements yet; the real effective compute of a training cluster depends on long-term data from large-scale production environments;
• Per-card generation gap: the 960DT's 4 PFLOPS (FP4) versus Rubin R200's 50 PFLOPS (FP4) — the per-card gap objectively exists, and training efficiency depends on whether supernode scale and software optimization can compensate; that is precisely the decisive battleground of "system-level competition."

5. Summary​

• DeepSeek confirms betting on Huawei chips for training large models — the first training-grade commitment from a leading lab in domestic compute;
• Signal chain: CUDA→CANN migration → 160,000-unit 950DT inference procurement rumor → 960 ready ahead of schedule → training bet;
• Supporting factors: one-generation-per-year delivery, 1,000+ supernode sets, and 61% external developers in the CANN open-source ecosystem;
• What to watch: actual arrival of the new chips and training-cluster scale, third-party MFU data, and training-compute disclosure in DeepSeek's next release.

---

Further Reading​

• Ascend 960 spec page / Ascend 950DT spec page (this site)
• Ascend 960 Official Launch: FP4 Compute Doubled, World's First NPO Supernode
• Domestic Top Three in H2 2026: Localization Rate Breaks 40%, Heading Toward 60%
• Alibaba Zhenwu V900 Unveiled at Apsara Conference

References​

• Toutiao Tech Morning Report: DeepSeek confirms betting on Huawei chips for large-model training (2026-09-22)
• HUAWEI CONNECT 2026 official announcements (2026-09-17)
• Earlier report: DeepSeek plans to procure 160,000 Ascend 950DT units (2026-08)

This article is compiled from public reports and vendors' official statements. Details such as chip quantities and training-cluster scale are subject to subsequent disclosures from DeepSeek and Huawei.