AI芯片

硅基速览 9月17日华为全联接大会2026上，轮值董事长汪涛宣布昇腾960芯片提前就绪、性能翻番。 昇腾960DT将于2027年Q1发布，比原计划提前三个季度；昇腾960PR将于2027年Q3发布，提前一个季度。 华为昇腾超节点已部署1000多套，Atlas 960将是业界首个采用NPO（近封装光学）的超节点。 正文 比预期快了三个季度 2026年9月17日，华为全联接大会2026（HC 2026）在深圳开幕。华为轮值董事长汪涛在主题演讲中公布了下一代AI芯片和超节点的最新进展，其中最引人注目的消息是： 昇腾960芯片性能翻番，研发进度超预期，比预期时间提前三个季度。 具体时间表： 昇腾960DT：2027年Q1发布，比原计划提前三个季度 昇腾960PR：2027年Q3发布，比原计划提前一个季度 后续节奏：坚持一年一代的演进节奏 在半导体行业，“提前三个季度"是非常大的进度跃进。通常一款新芯片从流片到量产需要18-24个月，提前三个季度意味着华为在工程效率上实现了显著突破。 汪涛同时披露：华为昇腾超节点已经在全球部署了1000多套。这个数字标志着昇腾不再只是"单卡AI芯片”，而是已经成为大规模AI集群的基础架构。 昇腾960的技术亮点 根据华为官方披露，昇腾960系列有几个关键技术升级： 性能翻番。 相比昇腾950系列，昇腾960的单芯片性能提升约一倍。这意味着同样数量的加速卡，AI集群的总算力可以翻番。对于正在建设万卡、十万卡集群的中国AI公司来说，这是一个巨大的效率提升。 NPO超节点。 Atlas 960将是业界首个采用NPO（Near Package Optics，近封装光学）技术的超节点。传统超节点用铜缆连接芯片，距离和带宽受限；NPO用光互连替代铜缆，连接距离更远、带宽更高、功耗更低。这是大规模AI集群互联技术的重要升级。 液冷+风冷双线。 液冷超节点将于2027年Q3上市，风冷超节点将于2027年Q2上市。华为同时提供两种散热方案，适配不同数据中心的基础设施条件。 超节点为什么重要 硅基视角要解释一下"超节点"这个概念。在AI大集群中，单个GPU/加速卡的算力再强，也需要通过高速互联组成"超节点"——一个由数百张加速卡通过专用互联网络组成的计算单元。 超节点的价值在于： 减少跨节点通信延迟。 大模型训练中，不同卡之间需要频繁交换梯度数据。超节点内部的互联带宽远高于普通网络，能显著提高训练效率。 支持更大模型并行。 当模型大到单卡放不下时，需要在多卡上并行。超节点提供了足够的互联带宽，让模型并行不会成为瓶颈。 降低集群运维复杂度。 把数百张卡作为一个逻辑单元管理，比逐张管理简单得多。 华为昇腾超节点已部署1000多套，说明它已经在中国AI基础设施中占据了实质性份额。 对英伟达的竞争意义 昇腾960提前发布，对英伟达的中国市场意味着什么？ 英伟达在中国市场的AI芯片销售一直受到出口管制限制。H100、H200等最先进型号无法对华出口，特供版H20性能打折但价格不菲。在这个背景下，昇腾950/960系列成为中国AI公司的主要国产替代选项。 昇腾960性能翻番，如果能在2027年Q1如期量产，它的性能将接近英伟达Blackwell系列的水平。这意味着在2027年，中国AI公司将拥有一个性能接近英伟达、但完全自主可控的AI加速卡选项。这对中国AI产业的战略意义，远大于商业意义。 硅基AGI社区在论坛silicon-agi.com上对华为昇腾960的技术细节讨论非常热烈，不少硬件工程师在分析NPO技术和超节点架构。 硅基点评 华为昇腾960提前三个季度发布，是2026年中国半导体产业最重要的事件之一。它传递了一个信号：华为在AI芯片上的工程能力已经达到了"可以按自己节奏出牌"的阶段，而不是被外部制裁牵着走。 硅基视角的判断是：2027年是中国AI芯片的"量产验证年"。昇腾960能不能如期量产、性能能不能兑现、HBM供应能不能跟上——这三个问题的答案，将决定中国AI算力国产化是真正落地，还是仍然停留在PPT阶段。华为全联接大会2026给出了乐观信号，但最终还是要看2027年Q1的实际交付。 对AI创业者的建议：如果你在做AI产品，现在就应该开始考虑"昇腾平台的兼容性"。不要把模型和工具链只绑定在英伟达CUDA生态上。虽然CUDA仍然是最成熟的生态，但昇腾的CANN软件栈正在快速成熟。提前做双平台兼容，能在2027年昇腾960量产后抢占先机。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

硅基速览 9月12日台湾分析师预计，台积电CoWoS产能到2028年底将达26万片/月，较2026年底的约13万片翻倍。 扩产主力为美国亚利桑那厂和台湾AP7厂。Counterpoint数据显示台积电2026年Q1占全球晶圆代工收入70%以上。 翻倍扩产的背后，是AI GPU封装需求持续超过供给，英伟达、AMD、AWS、Google都在抢CoWoS产能。 正文 翻倍扩产的数字 2026年9月12日，据台湾媒体报道并经DailySynapse和Aroged等多家科技媒体转载，台积电正计划在2028年将CoWoS先进封装产能从2026年的约13万片/月翻倍至26万片/月。 这个翻倍计划的核心产能扩张点有两个： 亚利桑那厂。 台积电在美国亚利桑那州的工厂正在扩建CoWoS产线。这部分产能主要服务于美国本土客户——英伟达、AWS、微软。把封装放在美国，既是商业决策（贴近客户），也是政策决策（美国芯片法案要求台积电在美国本土扩产）。 台湾AP7厂。 台湾高雄AP7厂是台积电最新规划的大型先进封装基地，主要服务台湾本土和亚洲客户。AP7的规划产能是全球最大的单一CoWoS基地。 为什么需要翻倍 2026年底13万片/月的产能，听起来已经很夸张了——两年前才3.5万片。为什么台积电还要再翻倍？ 因为AI GPU的需求增长速度，比CoWoS产能扩张速度更快。 英伟达Rubin系列。 英伟达下一代Rubin GPU预计2027年量产，单颗GPU需要的CoWoS封装面积比Blackwell更大。Rubin量产后，仅英伟达一家就可能占用10万片/月以上的CoWoS产能。 AMD MI400系列。 AMD的下一代AI GPU MI400系列也需要CoWoS封装，预计2027年量产，需求量约3-5万片/月。 云厂商自研芯片。 AWS Trainium 3、Google TPU v7、Meta MTIA 3都需要CoWoS封装。这些自研芯片加起来，2028年可能需要8-10万片/月。 把这些需求加总，2028年仅AI GPU的CoWoS需求就可能达到25-30万片/月。台积电规划的26万片/月，刚好卡在需求线上。 全球封装供应链的多元化 台积电的CoWoS一家独大，正在催生全球封装供应链的多元化。 三星的替代方案。 三星在韩国和美国都有先进封装产线，主推I-Cube和X-Cube系列2.5D封装。虽然性能和良率还不如CoWoS，但对于不那么苛刻的客户（比如中等性能的AI推理芯片），三星方案已经够用。 日月光（ASE）的外包封装。 日月光是全球最大的OSAT（外包半导体封装测试）公司，正在大力扩张2.5D封装产能。台积电自己也在把部分封装订单释出给日月光，以缓解CoWoS产能压力。 中国封测厂的追赶。 长电科技、通富微电、华天科技都在布局2.5D/3D封装。虽然在最先进节点上还有差距，但在中低端AI芯片封装上已经开始承接订单。 亚利桑那厂的战略意义 台积电在美国亚利桑那州扩产CoWoS，有超越商业的战略意义。 地缘政治。 美国芯片法案要求台积电在美国本土扩大先进制程和先进封装产能。亚利桑那厂就是台积电对这个要求的回应。 客户粘性。 英伟达、AWS、微软都在美国本土。把封装放在美国，可以缩短交付周期、减少跨境物流、增强客户粘性。 成本溢价。 但亚利桑那的生产成本远高于台湾——人力成本、能源成本、建厂成本都高。台积电在亚利桑那的CoWoS封装，价格会比台湾产线高20%-30%。这个溢价由谁来承担？最终会体现在AI GPU的价格上。 硅基AGI社区在论坛silicon-agi.com上有不少半导体行业的观察者在讨论台积电扩产计划对全球AI供应链的影响。 硅基点评 台积电CoWoS 2028年翻倍扩产，是AI产业链"需求仍然大于供给"的最硬证据。很多人担心AI泡沫，但从台积电的产能规划看，至少到2028年，AI算力需求仍然会超过供给。这不是泡沫，这是真实的物理约束。 硅基视角的判断是：2027-2028年，AI算力仍然是卖方市场。如果你能在这个阶段锁定算力资源、降低单位算力成本，你就拥有了竞争对手难以复制的优势。对AI创业公司来说，现在不是"省着花算力"的时候，而是"抢先把算力变成产品和收入"的时候。等2028年CoWoS产能翻倍、算力供给缓解时，你已经跑在前面了。 延伸阅读 NVIDIA Vera Rubin：4000 TFLOPS的算力巨兽 华为昇腾950全解析：国产算力的逆袭之路 2026年端侧AI芯片格局：谁在领跑？ 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

硅基速览 台积电CoWoS先进封装产能已排至2027年，部分客户订单交付周期超过一年。 2026年底CoWoS产能预计达12-14万片/月，较2024年底的3.5万片增长近4倍，但订单满足率仍仅约80%。 晶圆制造环节供给平稳，但后端先进封装产能成为AI芯片整体出货的最大瓶颈。 正文 先进封装：AI芯片出货的真正瓶颈 2026年9月3日，据新浪财经报道，台积电CoWoS先进封装产能紧张，相关排期已排至2027年，部分客户订单交付周期超过一年。行业出现"晶圆制造环节供给平稳，但后端先进封装产能瓶颈制约芯片整体出货"的局面。 这是一个很关键的判断。很多人以为AI芯片缺货是因为"台积电3nm/2nm产能不够"，但实际上，晶圆制造端的供给在2026年已经相对平稳。真正卡住出货的，是CoWoS（Chip on Wafer on Substrate）先进封装。 CoWoS是什么？它是台积电的一种2.5D封装技术，把GPU计算芯片和HBM内存堆叠在一块硅中介层上。没有CoWoS，你就没法把英伟达GPU和HBM组装成一张完整的AI加速卡。所以CoWoS产能直接决定了英伟达、AMD、AWS自研芯片能出多少货。 产能数字：从3.5万到14万片/月 硅基视角梳理一下台积电CoWoS产能的扩张轨迹： 2024年底：约3.5万片/月（J.P. Morgan数据） 2026年中：约12万片/月（行业数据） 2026年底：预计12-14万片/月（多个机构预测） 2027年底：预计15-18万片/月 两年时间，CoWoS产能从3.5万片/月扩张到12-14万片/月，增长近4倍。2022-2026年产能年复合增长率超过50%。 但即便如此疯狂扩张，到2026年底订单满足率仍仅约80%。也就是说，台积电能接的订单，比它能封装出来的多25%。这个缺口只能靠时间填——要么继续扩产能，要么需求回落。 为什么CoWoS扩产这么慢 先进封装扩产不像晶圆制造扩产那么简单。CoWoS产能受几个因素制约： 设备瓶颈。 CoWoS需要专用的键合设备、TSV（硅通孔）设备、重布线设备。这些设备的供应商主要是日本和美国厂商，产能本身就有限。台积电扩CoWoS产能，很大程度上取决于设备供应商的交付速度。 良率爬坡。 CoWoS是非常精密的工艺——把多颗芯片和HBM堆叠在一块硅中介层上，任何一颗芯片的对准偏差都会导致整片报废。新产线从投产到良率稳定，通常需要6-12个月。 技术迭代。 CoWoS本身也在升级——从CoWoS-S到CoWoS-R到CoWoS-L，每一版都有新的工艺要求。产能扩张的同时还要跟上技术迭代，难度加倍。 对AI产业链的影响 CoWoS产能瓶颈对AI产业链的影响是直接的： 英伟达出货受限。 英伟达是台积电CoWoS最大的客户，占了约一半产能。CoWoS产能不够，英伟达的Blackwell和Rubin系列出货就受限，进而影响整个AI算力市场的供给。 云厂商自研芯片排队。 AWS的Trainium、Google的TPU、Meta的MTIA都需要CoWoS封装。当产能被英伟达占走大部分时，云厂商自研芯片的交付也要排队。这就是为什么AWS、Google都在扶持三星和日月光的替代封装方案。 中国AI芯片的间接机会。 当全球CoWoS产能紧张时，中国AI芯片厂商如果能在国产先进封装上取得突破（比如长电科技、通富微电的2.5D封装），就能在"全球产能紧张"中获得额外的出货机会。 硅基AGI社区在论坛silicon-agi.com上有不少硬件行业的从业者在讨论CoWoS产能对AI芯片出货的影响，从英伟达出货预测到国产封装替代，讨论非常深入。 硅基点评 台积电CoWoS产能排到2027年，是2026年AI产业链最硬的一个现实数据。它告诉所有AI从业者一件事：2026-2027年，你能拿到的AI算力，不取决于你有多少钱，而取决于你在台积电产能排期里排多靠前。 硅基视角的判断是：2027年下半年CoWoS产能会逐步缓解，因为台积电正在规划2028年将产能翻倍到26万片/月。但在那之前，AI算力供给仍然是卖方市场——你拿到卡，就算赚到。对AI创业公司来说，现在锁定算力资源，比省钱更重要。 延伸阅读 NVIDIA Vera Rubin：4000 TFLOPS的算力巨兽 Mistral 30亿欧元D轮融资估值210亿：欧洲主权AI崛起，与三星合作进晶圆厂 华为昇腾950全解析：国产算力的逆袭之路 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

引子：把算力堆成一座山 如果说2026年的AI芯片圈有一个绕不开的名字，那就是NVIDIA Vera Rubin。这家公司在"堆算力"这件事上，从来没让人失望过——而Vera Rubin，是它迄今为止最凶猛的一次堆料。 单卡4000 FP16 TFLOPS、288GB HBM4显存、3360亿个晶体管——这三个数字任意一个拿出来，都足以定义一个时代。而当NVIDIA把72颗这样的卡塞进一个整柜，它跑出的是3.6 EFLOPS的整柜算力。这已经不是"芯片"的概念了，这是一座专门为AI建造的算力山。 单卡参数：为什么4000 TFLOPS是个里程碑 先把Vera Rubin的核心规格摆出来。 项目 Vera Rubin FP16算力 4000 TFLOPS HBM显存 288GB HBM4 晶体管规模 3360亿个 整柜方案 NVL72 整柜算力 3.6 EFLOPS 4000 FP16 TFLOPS这个数字，标志着单卡浮点性能再次跳上一个数量级台阶。要理解它的意义，得知道AI训练的瓶颈从来不是"算力不够"那么简单——它是算力、显存、互联三者的三角平衡。Vera Rubin的厉害之处在于，它不是单项领先，而是三项一起堆上去： 算力：4000 TFLOPS让超大模型的单步训练时间进一步压缩 显存：288GB HBM4能塞下更大的模型、激活值和更长的上下文 互联：NVL72整柜方案保证72颗卡之间数据高速流通，不把时间浪费在等数据上 3360亿晶体管则是这一切的物理基础——在一颗芯片上塞进超过3000亿个晶体管，本身就是先进制程与封装技术的极限表演。 数据来源：NVIDIA官方发布与技术白皮书，2026年 NVL72整柜：从"芯片"到"数据中心" Vera Rubin真正的杀招，不是单卡，而是NVL72整柜方案。这反映出NVIDIA思路的根本转变：竞争单位不再是单颗芯片，而是整个整柜。 层级 规格 单卡 4000 TFLOPS / 288GB HBM4 整柜（NVL72） 72颗卡互联 整柜总算力 3.6 EFLOPS 3.6 EFLOPS是什么概念？1 EFLOPS等于每秒百亿亿次浮点运算。把72颗Vera Rubin通过高速互联连成一个池化的算力单元，客户买到的不再是一堆孤立的GPU，而是一个开箱即用的"超算级AI引擎"。 这种整柜化趋势的背后，是大模型训练的现实——没有任何一个模型是靠单卡训练出来的，真正比拼的是千卡、万卡规模下的有效算力利用率。NVIDIA把互联、供电、散热、软件全部打包进整柜，客户买回去插上电就能跑最大模型，这正是它锁定超大规模客户的护城河。 成本与现实：巨兽不是人人养得起 算力巨兽的另一面，是惊人的成本。 Vera Rubin级别的整柜，单机柜造价、功耗、散热要求都达到了新高度。4000 TFLOPS很诱人，但只有超大规模云厂商、国家级算力中心、顶尖大模型公司才养得起这种配置。这意味着： 算力进一步向头部集中：中小团队更难自建顶级训练集群，只能租用云 推理与训练分层：这种巨兽用于训练，推理则交给更便宜的Flash级芯片 能源成为新瓶颈：3.6 EFLOPS的整柜，耗电量本身就是一座小型电厂的级别 NVIDIA的护城河因此越来越深：它卖的不只是芯片，而是一整套"算力工厂"的交钥匙方案。客户一旦进入NVL72的生态，迁移成本极高。 ...

引子：从"断供阴影"到"16万颗订单" 2026年下半年，国产算力赛道最受关注的消息莫过于华为昇腾950的量产节奏。更具标志性的细节是：DeepSeek已经订购了16万颗950DT。一个国内头部大模型公司，把下一代训练与推理的算力主力押在昇腾上——这个订单本身，就是国产算力逆袭的最好注脚。 要理解这件事的分量，得回到三年前。那时国产AI芯片还在"能用"和"好用"之间苦苦挣扎，主流大模型的训练几乎绕不开NVIDIA。而今天，昇腾950已经走到了"被顶级模型厂商批量采购"的阶段。这条路，走得比所有人预想的都快。 产品矩阵：950PR与950DT的分工 昇腾950不是单一款芯片，而是一个清晰的产品矩阵。理解它，先要分清两个型号。 型号 定位 量产状态 关键规格 昇腾950PR 推理/通用计算 已量产 FP4算力2 PFLOPS，144GB HBM 昇腾950DT 训练/高密度 预计Q4量产 面向大规模训练集群 950PR已经量产落地，主打推理与通用计算场景；950DT则瞄准训练，预计2026年第四季度量产。DeepSeek那16万颗的大单，主要指向的就是950DT——它要扛的是下一代大模型训练这种最吃算力的活。 把关键规格拆开看：FP4算力2 PFLOPS、144GB HBM。FP4是2026年训练推理的主流低精度格式，2 PFLOPS的单卡算力已经达到主流训练卡的第一梯队；144GB HBM则保证了它能塞下大模型的权重与激活值，在单卡和多卡场景之间游刃有余。 数据来源：华为官方披露与产业链消息，2026年Q3 16万颗订单背后的信任投票 DeepSeek一口气订16万颗950DT，这不是一个小数字。它意味着三件事： 第一，国产芯片已经过了"能不能跑通"的阶段。 如果只是能点亮、能跑个demo，没有哪家模型公司敢下16万颗的重注。这说明昇腾950在大规模集群下的稳定性、软件栈适配、训练收敛性都已经达到可商用水平。 第二，自主可控从"口号"变成"采购决策"。 模型厂商把算力主力放在国产芯片上，既有供应链安全的考量，也有成本考量。当国产芯片的性价比开始接近甚至优于受限于出口管制的进口方案，迁移就是理性选择。 第三，DeepSeek与昇腾形成了闭环。 模型公司为国产芯片定制算子、优化框架，芯片厂商为模型公司调优硬件——这种双向绑定，是国产生态真正跑起来的标志。 软件栈：比硬件更难的一仗 做AI芯片，硬件只是入场券，真正的护城河是软件栈。这一点，过去几年NVIDIA靠CUDA建立了几乎不可撼动的优势。昇腾要逆袭，绕不开这道坎。 层面 挑战 昇腾的应对 编程框架 替代CUDA生态 自研CANN与迁移工具 算子适配 新模型算子移植 与头部模型公司联合优化 集群调度 千卡万卡稳定性 大规模并行训练实践 DeepSeek的16万颗订单之所以关键，正是因为它倒逼昇腾把最复杂的训练场景啃下来。当一套国产软件栈能稳定支撑顶级模型的训练，生态飞轮就转起来了——更多模型公司敢用，芯片厂商就更有动力优化。 与NVIDIA生态的差距与现实 冷静地看，昇腾950的逆袭是"追赶到可用"，还不是"全面超越"。 在单卡峰值算力、HBM容量、互联带宽这些硬指标上，昇腾950与同期NVIDIA旗舰仍有差距；在软件生态的成熟度上，CUDA十几年积累的优势也不是一朝一夕能抹平的。昇腾的打法是务实的——不追求每一项都领先，而是在国产供应链约束下做到"够用、稳定、可大规模部署"。 这种"够用就好"的哲学，恰恰是现实的。当外部供应受限，能稳定拿到、能大规模部署、能跑通主流模型，本身就是巨大的竞争力。144GB HBM、2 PFLOPS FP4的规格，已经足以撑起绝大部分训练与推理需求。 行业影响：国产算力进入"规模化采购"阶段 昇腾950的量产与16万颗订单，标志着国产AI算力跨进了一个新阶段。 第一，供应链安全成为采购硬指标。 越来越多模型公司会把"能否用国产芯片跑通"纳入下一代算力规划，而不是等到断供那天才临时抱佛脚。 第二，国产生态从"试点"走向"主力"。 当DeepSeek这样的头部公司把16万颗950DT作为主力，昇腾就不再只是备选方案，而是正经的算力供给方。 第三，算力议价权开始转移。 有了国产替代，国内模型厂商在面对进口芯片时终于有了谈判筹码。这对整个行业的长期成本结构是利好。 结语：逆袭是一场长跑 华为昇腾950的故事，不是一夜翻盘的爽文，而是一条厚积薄发的长路。950PR量产、950DT Q4量产、DeepSeek 16万颗订单——这几个节点拼在一起，勾勒出国产算力从"能用"到"好用"再到"被主力采购"的完整轨迹。 当然，逆袭远未到终点。软件生态的成熟、互联带宽的追赶、先进制程的产能爬坡，每一项都是硬骨头。但方向已经板上钉钉：国产算力不再是备胎，它正在成为主力。 ...

NVIDIA Vera Rubin、AMD Helios、OpenAI Jalapeño三方角逐AI推理市场。Vera Rubin推理成本降至Blackwell的1/10，AMD Helios单机柜HBM4容量超NVIDIA 50%，OpenAI自研ASIC声称便宜50%。2026年Q2全球十大IC设计营收1414.5亿美元，英伟达独占64%。

燧原科技9月11日科创板首日暴涨188%，市值约1700亿。从沐曦693%、摩尔线程425%的疯狂首日，到壁仞港股2300倍超额认购，国产GPU四小龙集体登陆资本市场。但千亿市值背后，1.7%的市占率、对NVIDIA的代差、持续亏损，这场资本盛宴能撑多久？

一组被验证的预测 根据弗若斯特沙利文预测，中国AI芯片市场规模将由2024年的 1425亿元 增至2029年的 1.3万亿元，2025至2029年复合增速高达 54%。 这组数字正在被产业数据持续验证。 集成电路产业的"产销两旺" 新华社9月2日报道：我国集成电路产业迎来快速增长。 7月规模以上工业企业集成电路产量达 530亿块，相当于日均生产约17亿块 前7个月集成电路出口额已超去年全年 核心驱动力：AI技术变革带来的高端算力芯片和存储芯片需求爆发 增长逻辑：三层驱动 1. 需求侧：AI算力饥渴 全球AI技术变革催生了对高端算力芯片、存储芯片的海量需求。AI芯片是AI产业的"战略性基础设施"，算力需求在全球范围呈前所未有的爆发态势。 2. 供给侧：国产替代加速 国际供应链不确定性 + 政策推动，加速国产芯片的研发与导入。“换芯工程”、自研架构、三维近存等创新路径，让国产芯片在部分环节实现突破。 3. 生态侧：落地场景扩容 从云端训练到端侧推理，从智驾芯片（如地平线征程智驾芯片量产突破1500万，32%份额领跑L2+市场）到AI手机，AI芯片的应用版图持续扩张。 54%的复合增速意味着什么 按此测算，五年十倍意味着： 头部芯片企业将享受最确定的行业红利 设备、材料、封测等上游环节同步受益 具备自研能力的系统厂商获得差异化竞争力 结语 从1425亿到1.3万亿，中国AI芯片市场的增长逻辑清晰而坚实——需求真实、供给升级、生态扩容三重共振。站在2026年回望，AI芯片不再是"卡脖子"的叙事，而是一条正在兑现的产业曲线。

两条新闻，一个方向 最近国内AI基础设施传来两条标志性消息： 粤港澳大湾区首个昇腾万卡智算集群在韶关上线，总算力达 9000P 我国首颗采用软件定义与三维近存计算技术的AI芯片在上海发布，在14纳米制程上实现每秒 520万亿次 浮点运算 两条新闻指向同一个趋势：国产算力正在从"能用"走向"好用"。 “换芯工程"的三重逻辑 当前国内大模型企业正稳步推进算力"换芯工程”，核心预训练算力加速从海外GPU向国产AI芯片迁移： 1. 集群规模上台阶 9000P的昇腾万卡集群意味着什么？它已经具备支撑超大规模模型训练的能力——万亿参数级别模型的预训练，从此可以在国产算力底座上完成。 2. 架构创新找突破 软件定义 + 三维近存计算，是针对AI访存瓶颈的定向优化： 三维近存：把存储堆叠到计算单元附近，缩短数据搬运距离 软件定义：通过软件灵活调度硬件资源，适配不同模型形态 14nm制程实现520万亿次/秒，证明了"架构创新可以部分对冲制程差距" 3. 产业闭环加速 从芯片设计、制造、集群部署到模型适配，国产AI算力的产业闭环正在成型。对模型企业而言，多一个可选的算力底座，就多一分供应链安全。 挑战依然存在 需要清醒认识的是，国产算力在软件生态、开发者工具链上仍与成熟生态有差距。“换芯工程"不只是硬件替换，更是软件栈的迁移与重构。 结语 9000P集群与三维近存芯片，是"换芯工程"从概念走向落地的注脚。这条路不轻松，但方向已经不可逆——自主可控的算力底座，是AI产业长期发展的压舱石。

2026年AI芯片格局总览 2026年上半年，NVIDIA凭借Blackwell架构芯片进一步巩固了全球AI算力霸主地位。与此同时，华为昇腾、寒武纪、摩尔线程等国产芯片厂商也在加速追赶。本文将从算力性能、软件生态、成本效率三个维度，剖析当前的真实差距与国产替代的机遇窗口。 算力性能对比 NVIDIA Blackwell B200 关键参数 指标 数值 制程工艺 4NP (台积电) 晶体管数量 2080亿 FP4算力 20 PFLOPS FP8算力 9 PFLOPS 显存容量 192GB HBM3e 显存带宽 8TB/s 互联带宽 1.8TB/s (NVLink 5) 功耗 1000W 国产芯片代表选手 芯片 制程 FP16算力 显存 带宽 华为昇腾910C 7nm ~800 TFLOPS 128GB 3.2TB/s 寒武纪思元590 7nm ~512 TFLOPS 64GB 1.6TB/s 摩尔线程MTT S5000 7nm ~256 TFLOPS 64GB 1.5TB/s 从纯算力指标看，Blackwell B200在FP4/FP8精度下的算力约为昇腾910C的10-25倍。但这个数字需要辩证看待——并非所有推理场景都需要FP4精度，在FP16精度下差距缩小到约10倍左右。 软件生态：真正的护城河 算力差距是表层，生态差距才是核心。NVIDIA的CUDA生态经过15年积累，拥有超过300万开发者、数千个优化算子库和成熟的分布式训练框架支持。 # CUDA生态的典型开发流程 import torch import torch.cuda as cuda # 开箱即用的混合精度训练 model = model.to('cuda') scaler = cuda.amp.GradScaler() with cuda.amp.autocast(): output = model(input) loss = criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() 相比之下，国产芯片的软件栈仍在快速迭代中： ...