国产 AI 芯片实战盘点：昇腾、寒武纪、海光、壁仞、摩尔线程走到哪了
最后更新：2026-09-19｜数据截止 2026 年中：本文只做定性盘点与路线比较，不引用未经证实的跑分、良率和出货数字；各厂产品代际、制程与客户随时间变化很快，具体规格与合作以厂商官方信息为准。
本文是产业观察，回答一个被反复问到的问题：国产 AI 芯片到底能不能用、谁在真出货、卡在哪。 出口管制的来龙去脉在 国产 AI 芯片与算力管制，产品矩阵和单卡/整柜分层在 英伟达 AI 产品矩阵，CUDA 生态壁垒另有专篇；本文只做一件事：把主力玩家按「产品—约束—软件栈—客户」逐类摆清楚，并点明它们各自押注的路线。
先说结论
- 国产 AI 芯片不是「有没有」，而是分层分化。 推理与中小规模训练已能在多个行业场景规模落地，最前沿的万卡级大模型训练仍是最难的高地；不同厂商按「背靠大厂 / 独立上市 / 兼容生态创业」分成几类，身位和打法差异很大。
- 真正的瓶颈是「先进制程 + 高速互联 + 软件生态」三件事叠加，而不是单卡峰值。 单卡靠架构和封装可以逼近，但制程受限压功耗与良率、高速互联（NVLink 对应物）难做、软件迁移成本高，三者共同决定能不能组成好用的大集群。
- 路线上分两派：「自主生态」派以华为昇腾为代表，自建指令集/软件栈 CANN，靠集团客户与政企闭环；「兼容生态」派以摩尔线程 MUSA、海光对 ROCm 的兼容为代表，优先降低 CUDA 迁移成本、快速上车。 前者天花板高、生态冷启动难；后者上手快、长期受制于兼容深度与性能折损。
- 决定胜负的是「真客户 + 持续迭代」，不是发布会参数。 能在互联网大厂、运营商、政企智算中心形成规模复购、并把软件栈和大模型适配打磨成熟的玩家，才会活到最后。
一句话：国产 AI 芯片已度过「做不出样片」的阶段，进入「拼系统、拼生态、拼真实出货」的中盘——推理先破、训练攻坚，自主派筑墙、兼容派抢时间，最终比的是谁能在受限制程下，把卡、互联、软件和客户一起跑通。
一、先立坐标系：用四个维度看一家国产芯片公司
单看跑分很容易被误导，本文统一用四个维度给每家公司定位：
- 产品定位：主攻训练、推理，还是训推一体；是单卡对标，还是做整机/集群/整柜。
- 硬约束：制程节点（决定功耗、成本、良率上限）、HBM/先进封装供给、片间/柜间高速互联能力。
- 软件栈：是自建编程模型与算子库（自主生态），还是兼容 CUDA/ROCm 降低迁移门槛；大模型框架（PyTorch 等）和主流模型的适配成熟度。
- 真实客户：是否进入互联网大厂、运营商、金融、政务智算中心等规模采购，有无复购，还是主要靠试点和补贴。
这四维里，前三维决定「技术上能做到哪」，第四维决定「商业上能不能活」。下面按公司背景分三类盘点。
二、三类玩家全景
国产 AI 芯片公司按出身和打法大致可分三类：
| 玩家 | 背景 | 产品方向 | 软件栈路线 | 主要客户特征 |
|---|---|---|---|---|
| 华为昇腾 | 大厂自研 | 训推一体、整机/集群 | 自主 CANN/指令集 | 政企、运营商、集团生态 |
| 寒武纪 | 独立上市、AI 芯片原生 | 训练/推理加速卡与整机 | 自研软件栈 | 智算中心、政企、互联网 |
| 海光信息 | CPU+DCU，x86/生态延续 | DCU 加速、偏 GPGPU | 类 ROCm 兼容路线 | 服务器、政企、行业市场 |
| 壁仞科技 | 通用 GPU 创业 | 高算力通用 GPGPU | 通用 GPU 软件栈/兼容 | 受制程与管制影响明显 |
| 摩尔线程 | 通用 GPU 创业 | 训推一体、图形+计算 | MUSA，兼容 CUDA 降低迁移 | 行业、信创、开发者生态 |
说明：表中只做结构性定位，不列具体型号跑分；各厂产品迭代很快，且受出口管制影响，某些产品的制程、供货和命名会发生变化，落地判断请以官方最新信息为准。
2.1 华为昇腾：自主生态派的标杆
昇腾是国产阵营里体系最完整的一家：不只做加速卡，还有自研指令与软件栈 CANN（Compute Architecture for Neural Networks，昇腾的异构计算架构与编程工具链）、AI 框架（昇思 MindSpore 等）、从卡到整机到集群的系统，以及华为集团的服务器、云、政企渠道。它的优势是闭环——硬件、软件、整机、客户和服务在一个体系里，能在大模型训练这种「软硬协同 + 集群工程」场景里做端到端优化，也最有动力和能力长期养自主生态。
代价是生态冷启动：主流大模型和算子默认按 CUDA 写，迁到 CANN 要做适配与调优，开发者习惯和第三方库丰富度需要时间。昇腾的打法是靠政企、运营商、金融和集团生态的确定性需求「以市场养生态」，用规模项目反哺软件成熟度。它代表的判断是：只要自主体系能在关键行业闭环，就能绕开「必须兼容 CUDA」的路径依赖。
2.2 寒武纪：AI 芯片原生的独立厂商
寒武纪是较早以 AI 加速芯片为主业的上市公司，产品线覆盖云端训练/推理加速卡、整机与边缘。它走自研架构与软件栈路线，客户集中在智算中心、政企和部分互联网场景。作为独立公司，它的优势是聚焦与资本市场支持，挑战是没有大厂那样的自有生态和稳定内部订单，必须在公开市场与英伟达、昇腾、以及兼容派竞争，业绩对大客户项目节奏较敏感。它的价值在于提供了「非大厂自主架构」的供给选项，是国产算力多元化的重要一环。
2.3 海光：靠生态延续切入的 CPU+DCU 路线
海光以 CPU 起家并延伸出 DCU（深度计算单元，类 GPGPU 加速器），最大特点是生态延续性强：技术路线与 CUDA 之外最成熟的开放 GPU 软件栈 ROCm（Radeon Open Compute，AMD 主导的开源 GPU 计算生态）相近，迁移成本相对低，又有成熟的服务器与政企渠道。它适合那些「想脱离英伟达单一供给、但又不想重写全部代码」的行业客户。短板同样是先进制程与最高端互联/整柜能力受约束，在最前沿训练集群上仍需追赶。
2.4 壁仞与摩尔线程：通用 GPU 创业派的两种处境
- 壁仞科技走高算力通用 GPU（GPGPU，General-Purpose GPU，把 GPU 用于通用并行计算）路线，产品定位高端训练，发布时强调峰值算力。它最典型地体现了创业派的困境：单颗芯片设计可以很激进，但先进制程、HBM/CoWoS 供给和出口管制会直接影响量产与迭代，且软件生态要从零积累。它的处境说明「设计得出旗舰」和「规模交付出好用的集群」之间隔着制程、封装、互联、生态四道坎。
- 摩尔线程同样走通用 GPU，但更强调用兼容降低上车成本：其 MUSA（摩尔线程统一系统架构） 提供对 CUDA 类程序的兼容/迁移工具，让存量 CUDA 应用较容易跑起来，同时兼顾图形与 AI 计算、建设开发者生态。它代表的判断是：在生态绝对弱势期，先兼容、先能跑、先圈开发者，比从零立标准更现实。
三、两条路线之争：自主筑墙，还是兼容抢时间
盘点下来，真正的战略分野在软件生态：
| 维度 | 自主生态派（昇腾/寒武纪） | 兼容生态派（MUSA/类 ROCm） |
|---|---|---|
| 上手/迁移成本 | 高，需适配调优 | 低，尽量兼容存量 CUDA |
| 长期天花板与自主性 | 高，自有标准不被卡 | 受兼容深度与上游牵制 |
| 性能优化空间 | 软硬一体可深度优化 | 兼容层可能有性能折损 |
| 生态冷启动 | 难，靠确定性市场养 | 相对易，借存量开发者 |
| 主要风险 | 第三方库/人才不足 | 兼容永远慢半拍、壁垒浅 |
这不是谁对谁错，而是不同资源禀赋的选择：有闭环市场和全栈能力的玩家（华为）押注自主，长期换取不被生态卡脖子；缺少自有生态的创业派和延续开放生态的厂商（摩尔线程、海光）押注兼容，先解决「能跑、有人用」。 现实很可能是长期并存：关键行业用自主体系保证安全与深度优化，长尾应用用兼容方案降低门槛。而无论哪派，都要回答同一张考卷——见下一章。
3.1 软件适配到底难在哪：从「能跑」到「好用」
把国产卡用起来，软件上通常要过三关，这也是当前体验差距的真正来源。第一关是框架接入：让 PyTorch 等主流框架能把计算下发到国产卡，自主派靠自研后端 + 适配层，兼容派靠 CUDA/ROCm 兼容；多数主流大模型在头部国产平台上已能跑通训练或推理。第二关是算子完备度：框架之下有成百上千个算子，常用大算子（矩阵乘、注意力、归一化）优化到位并不难，真正耗时的是大量长尾和新算子，每遇到一个未支持或性能不达标的算子，就要么自研、要么回退，直接影响迁移周期和最终性能（与 CUDA 护城河 讲的「最后一公里」完全对应）。第三关是性能与稳定性调优：同一模型在国产卡上常要重新做并行切分、通信与内存优化，才能逼近理论利用率，而万卡级长时间训练的容错和一致性更要靠真实作业打磨。
正因如此，评估一家国产芯片公司的软件成熟度，与其听「全面兼容 CUDA」的口号，不如看三个硬指标：主流开源大模型是否开箱即用且持续跟进、长尾算子的覆盖与更新速度、有没有大客户在生产环境长期大规模运行并复购。 这三项比单卡跑分更能预测它的生死。
3.2 出货与客户：真需求集中在哪
从落地看，国产 AI 芯片的真实需求目前高度集中在几类买方：一是运营商、政务云与智算中心，承担自主算力基建，采购规模大但对单位经济性和利用率敏感；二是金融、能源、制造等受合规驱动的行业，重视数据不出域与供应安全；三是互联网大厂，在特供卡供给受限、成本压力上升时，用国产卡承接部分推理和非最前沿训练，作为多元供给的一环。
一个必须正视的现实是：部分国产算力采购带有政策与补贴属性，装机量不等于有效利用率。 判断行业是否真正成熟，要看这些卡能不能在没有补贴的场景里、仅凭性价比和软件体验赢得复购，以及智算中心的上架率与实际出租率。这与当年不少「建好却空转」的算力中心是同一道考题——芯片公司的终局裁判，永远是真实负载，而不是出货榜单。
四、所有玩家共同的三道坎
抛开路线差异，国产 AI 芯片要真正顶上，都得翻过三座山——这也正是 国产 AI 芯片与算力管制 反复强调的「不是买不到单张卡」的具体化。
第一道坎：先进制程与供给。 最尖端 GPU 高度依赖先进逻辑制程和稳定的 HBM/先进封装供给，受出口管制影响，国产高端芯片在功耗、频率、良率和成本上更吃亏，需要用架构、Chiplet 和先进封装做部分补偿（路径见 HBM 与先进封装）。
第二道坎：高速互联与整柜。 如 英伟达 AI 产品矩阵 所述，竞争单位已从单卡变成 NVL72 这样的整柜，万卡训练拼的是盒内/盒间高速互联、通信库和集群稳定性（同批网络篇展开）。国产单卡可以对标，但「几千卡像一台机器」的系统工程仍在追赶。
第三道坎：软件生态。 CUDA 不只是语言，而是 cuBLAS/cuDNN/TensorRT、框架适配、工具链、人才的整套体系（迁移成本由同批 CUDA 篇量化）。这道坎最不性感，却最决定客户敢不敢把核心业务迁上来。
| 关卡 | 性质 | 可压缩程度 | 主要靠谁 |
|---|---|---|---|
| 先进制程/HBM | 硬制造 | 低，长期攻坚 | 代工/存储/设备 |
| 高速互联/整柜 | 系统工程 | 中，需大客户打磨 | 芯片+网络+整机协同 |
| 软件生态 | 开发者网络 | 中低，靠规模与时间 | 框架/算子/人才/客户 |
4.1 容易被忽视的第四件事：整机与交付
除了制程、互联、软件，国产 AI 芯片还要补「整柜级交付」这一课。英伟达卖的早已不是单卡，而是把计算、NVLink 交换、液冷、电源、机柜和管理软件预集成的整套系统（见 英伟达 AI 产品矩阵），客户开箱即得一个可运行单元。国产玩家若只交卡，客户就要自己解决整机设计、高速背板、液冷、供电、组网和大规模稳定性，落地门槛和不确定性大增。因此国内近年明显出现「芯片厂 + 服务器整机厂 + 液冷/电源供应链」联合交付整柜的趋势（液冷环节见同批 A2）。能否从「卖芯片」升级为「交付可用的算力域」，与单芯片性能同样决定竞争力——这也解释了为什么有整机和系统集成背景的厂商在大型智算招标中更占优。
五、变量与置信度判断
- 未来 1~2 年（高置信度）：推理与中小规模训练在互联网、运营商、政企、金融场景规模落地，国产卡成为特供卡之外的现实供给；竞争焦点从「有没有卡」转向「软件好不好用、集群稳不稳、交付出不出量」。
- 未来 2~4 年（中高置信度）：头部 2~3 家（含昇腾体系）与若干细分玩家拉开差距，资源向有真客户、能持续迭代软件栈的厂商集中；「自主闭环」与「兼容抢量」两条路线并存并互相借鉴。
- 未来 3~6 年（中置信度）：国产芯片在大规模训练集群上承担更重要角色，但最前沿万卡训练的效率与生态仍有差距，最终高度取决于先进制程、HBM、高速互联和大模型生态的协同进度。
- 长期 / 低置信度：能否在顶级训练性能与全球通用生态上全面对等，受地缘、制程和网络效应多重变量影响，不宜给出乐观或悲观的单点结论。
六、对不同角色，这意味着什么
- 对用卡企业/模型厂商：选型别只看单卡跑分，要评估软件栈成熟度、主流模型适配、集群互联、供货连续性和厂商会不会长期投入；推理侧可更积极国产替代，前沿训练宜混合部署、分步迁移。
- 对国产芯片厂商：胜负在「真客户复购 + 软件持续迭代 + 集群可交付」，应聚焦少数能做深的行业，与框架、大模型、整机厂共建生态，而非堆发布会参数。
- 对投资者：用四维度（产品/约束/软件/真客户）而非概念筛选，警惕只有样片和试点、没有规模出货与软件投入的标的。
- 对政策与生态：最有效的扶持是拉动真实需求、统一软硬接口标准、扶持框架与算子生态，让厂商在规模项目中迭代，而非只补贴造卡。
结语：从「造得出」到「用得好、交得出」
国产 AI 芯片已经翻过「做不出样片」的山坡，进入更难的中盘：在受限制程下，把卡、高速互联、整柜系统和软件生态一起跑通，并靠真实客户的规模复购养活持续迭代。昇腾代表的自主闭环与摩尔线程、海光代表的兼容上车，是不同禀赋下的合理选择，很可能长期并存；推理先破、训练攻坚则是共同节奏。决定终局的，不会是某次发布会的峰值算力，而是谁能让成千上万张卡在真实业务里稳定、经济、好用地跑起来——这是一场比制造更慢、但也更难被外部力量一夜改变的生态持久战。
数据口径与延伸
- 数据口径：各公司背景、产品方向（训练/推理/训推一体）、软件栈（CANN、MUSA、类 ROCm）、客户类型与「自主 vs 兼容」路线，均来自各厂商公开资料与行业研究的常见口径。本文刻意不列具体型号、制程节点、跑分、良率与出货量——这些变化快且常被夸大或误传，统一以厂商官方信息为准。数据截止 2026 年中；出口管制导致的产品与供货变化以官方规则为准。
- 相关产业观察：国产 AI 芯片与算力管制（管制逻辑与四道墙）、HBM 与先进封装（制造侧约束）、英伟达 AI 产品矩阵（对标对象与整柜化）、中国芯片设计公司三十年。
- 同批待写延伸：CUDA 护城河（C7）、推理芯片专题（C8）、板卡整机 ODM（C9）。
一句话总结：国产 AI 芯片已从「做不出样片」进入「拼系统、拼生态、拼真实出货」的中盘，应按产品定位、制程/互联/HBM 硬约束、软件栈和真客户四维来看——华为昇腾靠自研 CANN 与集团闭环走自主筑墙路线，寒武纪做非大厂的自主架构供给，海光以类 ROCm 延续生态，壁仞、摩尔线程等通用 GPU 创业派则在制程/封装/管制压力下分别冲高算力与用 MUSA 兼容 CUDA 抢迁移时间；推理已规模落地、前沿万卡训练仍受先进制程、高速互联和 CUDA 生态三道坎制约，终局取决于谁能让成千上万张国产卡在真实业务里稳定经济地跑起来，而非谁的发布会参数更高。