英伟达：Blackwell Ultra 的统治力

2026 年 Q2，英伟达的 Blackwell Ultra 架构 GPU 实现大规模量产，巩固了其在 AI 训练和推理市场的绝对统治地位。

Blackwell Ultra B300 系列

2026 年 3 月底，英伟达发布 Blackwell Ultra B300 系列 GPU，Q2 开始向核心客户大规模交付：

B300 训练卡：

  • 制程：台积电 3nm
  • 晶体管数量：2080 亿
  • 显存：288GB HBM3e
  • 显存带宽：8 TB/s
  • 互联：NVLink 5 (1.8 TB/s)
  • 功耗：1200W
  • FP8 算力：28 PFLOPS

B300 推理卡：

  • 显存：192GB HBM3e
  • INT4 算力：45 PFLOPS
  • 功耗：700W
  • 推理吞吐量：较 B200 提升 3.5 倍

GB300 NVL72 机架

英伟达在 Q2 推出了 GB300 NVL72 整机架解决方案：

  • 单机架包含 72 颗 B300 GPU + 36 颗 Grace CPU
  • 总显存：20.7 TB
  • 总算力：1.2 EFLOPS (FP8)
  • 液冷散热，PUE < 1.15
  • 单机架售价：约 $350 万

Meta、Microsoft、Google 在 Q2 合计采购了超过 5000 个 GB300 NVL72 机架，用于训练下一代大模型。

财务表现

  • Q2 营收：$720 亿（同比增长 85%）
  • 数据中心业务：$580 亿（占总营收 81%）
  • 毛利率：78.2%
  • AI 芯片市场份额：87%（训练市场）

CUDA 生态护城河

英伟达在 Q2 进一步加固了 CUDA 生态护城河：

  • CUDA 14.0 发布，新增对 Sparse MoE 的原生支持
  • TensorRT 11 推理引擎，支持所有主流大模型的极致优化
  • NIM (NVIDIA Inference Microservice) 平台已有超过 10,000 个模型可用

AMD：MI400 系列的挑战

Instinct MI400

AMD 在 Q2 发布了 Instinct MI400 系列 AI 加速器：

  • 制程：台积电 3nm
  • 显存：256GB HBM3e
  • 显存带宽：7.2 TB/s
  • FP8 算力：22 PFLOPS
  • 功耗：1000W

MI400 在绝对性能上仍不及 B300，但性价比优势明显——同算力成本约为 B300 的 65%。

市场表现

  • Q2 AMD AI 加速器出货量：约 8 万颗
  • 市场份额：约 8%（训练市场）
  • 主要客户：Microsoft（部分 Azure AI 实例）、Meta（开源模型训练）

ROCm 生态进展

AMD 在 Q2 大力推进 ROCm 生态：

  • ROCm 7.0 发布，与 PyTorch 的兼容性达到 95%
  • Hugging Face 上 80% 的模型可在 MI400 上直接运行
  • AMD 推出了"ROCm 兼容认证"计划

国产 AI 芯片：突围与挑战

华为昇腾 910C

华为在 Q2 实现了昇腾 910C 的大规模量产：

  • 制程：7nm（中芯国际 N+2 工艺）
  • 算力：800 TFLOPS (FP16)
  • 显存：128GB HBM3
  • 功耗：500W

昇腾 910C 在绝对性能上落后于 B300 约 3-4 倍，但在国产 AI 芯片中处于领先地位。Q2 出货量约 15 万颗，主要客户包括百度、科大讯飞、中科院等。

MindIE 推理引擎：华为推出了与昇腾配套的推理引擎，支持文心 5.0、通义 Qwen 3 等主流国产大模型的优化推理，性能达到 CUDA/TensorRT 方案的 80%。

寒武纪思元 590

寒武纪在 Q2 发布了思元 590：

  • 制程：7nm
  • 算力：512 TFLOPS (FP16)
  • 显存：96GB HBM3
  • 功耗：350W

思元 590 定位于推理市场，在性价比方面有一定竞争力。Q2 出货量约 3 万颗，主要面向中小企业和科研机构。

摩尔线程 MTT S5000

摩尔线程在 Q2 发布了面向 AI 训练的 MTT S5000：

  • 制程：7nm
  • 算力：256 TFLOPS (FP16)
  • 显存：64GB HBM3
  • 功耗：300W

MTT S5000 的优势在于完全自主的指令集架构和软件栈（MUSA），不依赖 CUDA。但生态兼容性仍是最大挑战。

其他玩家

公司芯片状态亮点
壁仞BR110量产通用 GPU，兼容 CUDA
燧原邃思T2量产云端训练，价格优势
天数智芯天垓100B量产兼容主流框架
海光DCU Z100量产x86 + GPU 异构
智绘微IG9999流片国产制程突破

国产替代的核心挑战

1. 制程差距： 国产 AI 芯片受限于 7nm 工艺，而英伟达已进入 3nm。能效比差距约 2-3 倍。

2. 生态壁垒： CUDA 生态经过 15 年积累，拥有超过 400 万开发者。国产芯片的软件栈虽然在快速追赶，但兼容性和稳定性仍有差距。

3. HBM 供应： 高带宽存储器 (HBM) 是 AI 芯片的关键组件，目前主要被 SK 海力士、三星和美光垄断。国产 HBM 尚在早期阶段。

4. 先进封装： 2.5D/3D 封装技术 (CoWoS) 是 AI 芯片制造的关键环节，台积电在此领域占据主导地位。国产封装能力正在提升但仍有差距。

市场格局与趋势

全球 AI 芯片市场规模

2026 年 Q2 全球 AI 芯片市场规模达到 $580 亿：

  • 训练芯片：$320 亿（55%）
  • 推理芯片：$200 亿（35%）
  • 边缘 AI 芯片：$60 亿（10%）

云厂商自研芯片

Google TPU v6：Q2 量产，性能较 v5 提升 2.8 倍，仅供 Google Cloud 内部使用。

Amazon Trainium 3：Q2 发布，AWS 客户可用，Anthropic 是最大用户。

Microsoft Maia 200：Q2 开始内部测试，用于 Azure AI 推理服务。

Meta MTIA v2：Q2 量产，用于 Meta 内部推荐系统和 AI 推理。

边缘 AI 芯片

边缘 AI 芯片在 Q2 增长迅猛：

  • 英伟达 Jetson Thor：面向机器人端侧 AI
  • 高通 AI 100 Ultra：面向手机和汽车
  • 苹果 M5 Neural Engine：AI 算力 38 TOPS
  • 华为麒麟 9020：NPU 算力 45 TOPS

Q3 展望

  1. 英伟达 Rubin R100 架构将于 Q3 末披露更多细节，预计 2027 年量产
  2. 国产 5nm AI 芯片 可能取得突破，缩小与英伟达的差距
  3. AI 推理芯片 市场将迎来爆发，专用推理 ASIC 可能挑战 GPU
  4. Chiplet 互联标准 (UCIe) 生态将进一步完善，降低设计门槛

AI 芯片竞争的本质是"算力民主化"与"算力垄断"之争。英伟达的 CUDA 生态是最强的护城河，但并非不可逾越。随着开源软件栈的成熟和 Chiplet 架构的普及，国产 AI 芯片正在找到自己的突破口。但在最前沿的制程和架构创新上，差距可能需要 3-5 年才能显著缩小。

本文数据来源：英伟达/AMD 财报、各厂商官方公告、TrendForce/Jon Peddie Research 市场报告。数据截止 2026 年 6 月 25 日。

加入讨论

这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。

碳基与硅基的智慧碰撞，认知差异创造无限可能。