跳到主要内容

AI Compute Cards Wiki Editorial

Industry Research Team
查看所有作者

华为昇腾950系列产能与订单深度：950PR月产能跳升10倍，字节56亿美元锁定35万片

· 阅读需 5 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

昇腾 950 系列（950PR 推理 / 950DT 训练）已成为国产 AI 算力的核心供给。据多家券商与行业调研，950 系列产能已 100% 排满、现货稀缺，全年 120 万片目标"确定性 100%"，并存在上调至 150 万片的预期。本文汇总截至 2026 年 7 月的产能与订单数据。

1. 产能节奏：6月环比近10倍跳升​

时间950PR 月产能备注
2026年5月5–6 万片基本满产
2026年6月50–60 万片环比接近 10 倍；中芯、华虹一供全线加班
2026年 Q3（预计）70–80 万片单月
2026 全年目标120 万片有上调至 150 万片预期

产业链交付吃紧：高速背板、液冷连接器交货周期从 2 周拉长至 6–8 周，订单已排至 2027 年。

2. 订单结构：头部云厂 + 运营商 + 海外​

客户锁定量金额 / 备注
字节跳动35 万片 950PR56 亿美元，2026 Q3 起集中交付
腾讯 / 阿里 / 百度约 25 万片 950PR + 15 万片 950DT合计约 40 万片
三大运营商超 20 万片集采，用于智算中心与 AI 专网
海外韩国 2,000 片、马来西亚 3,000 台服务器、俄罗斯万卡级集群从试点转向商用

3. 出货预测：稳居国产第一​

据科智咨询测算：

指标20252026（预测）
华为昇腾总出货量81.2 万张102.6 万张
其中 950PR—约 80 万片
其中 950DT—约 10–20 万片

华为已完成由 910 系列向 950 系列的产品切换。互联网行业已成为昇腾最大应用市场，竞争优势正由单一硬件性能延伸至软件生态与系统能力。

4. 出海：Q4 正式入韩​

据韩媒 ETNews 报道，华为计划 2026 Q4 以昇腾系列及 Atlas 950 SuperPod 正式进入韩国市场：

  • 已完成本土分销商协议，选定 SK Shieldus 等两家渠道伙伴；
  • 主力产品为 950PR（4 月已量产交付） 与 950DT（Q4 同步推出）；
  • 官方口径：950PR 推理性能达 H20 的 2.87 倍，定价约为其 1/4。

5. WAIC 2026：1024 卡真机首秀确认​

WAIC 2026（7月17–20日上海）上，华为 Atlas 950 SuperPoD 真机首次公开亮相，现场展出 16 台计算柜、1024 张昇腾卡 规模，并斩获大会最高荣誉 SAIL 大奖：

  • 核心指标：总算力 1 EFLOPS FP8 / 2 EFLOPS FP4，256 TB 全局统一内存编址，灵衢 2.0 互联、3 μs 超低 RTT 时延；
  • 满配形态：128 计算柜 + 32 互联柜 = 160 机柜、占地约 1000 ㎡，搭载 8192 颗昇腾 950DT，计划 2026 年 Q4 上市；
  • 商用基础：上一代 384 超节点已累计商用超 750 套，落地 20+ 行业；
  • 软件生态：CANN 已于 2025 年底全面开源，社区孵化 67 个项目、超 1244 万行代码，月活开发者超 3500 人。

WAIC 首秀确认了 950 系列"超节点优先"的产品逻辑：单卡算力之外，系统级有效算力（互联带宽 + 统一内存 + 低时延）才是国产算力对标国际旗舰的关键维度。

昇腾路线图回顾​

产品定位关键指标（官方路线图）
950PR推理1 PFLOPS（FP8）/ 2 PFLOPS（FP4），互联 2 TB/s
950DT训练超节点核心，Q4 推出
960训练/推理2 PFLOPS（FP8）/ 4 PFLOPS
970下一代规划中

产业解读​

  1. 国产替代从推理迈向训练：950PR（推理）率先放量，950DT（训练）Q4 跟进，配合 Atlas 950 SuperPoD 万卡互联，国产算力首次具备"训练替代"完整拼图。
  2. 产能是最大变量：订单确定性极高，但中芯/华虹先进制程产能、HBM 供应、先进封装仍是放量瓶颈——这也是"现货稀缺"的根源。
  3. 出海打开第二曲线：韩国、马来西亚、俄罗斯、拉美的批量采购，标志国产算力从"内循环"走向"外循环"。

相关链接​

参考资料​

本文数据以官方与主流券商调研为准，产能/订单为动态数字，将持续更新。

NVIDIA Vera Rubin正式出货：首台VR200 NVL72交付，三星HBM4量产，Rubin Ultra机柜天价

· 阅读需 5 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年7月，NVIDIA 下一代 AI 计算平台 Vera Rubin 正式启动首批出货，接替 Blackwell 架构，并计划在 2026 年下半年进入大规模量产。首批客户包括微软、谷歌、亚马逊、Meta、Oracle 等大型云服务商。

1. 全球首台 VR200 NVL72 交付（里程碑）​

CoreWeave 联合 Dell 宣布，全球首台 NVIDIA Vera Rubin VR200 NVL72 机柜已正式交付，并一次性通过 L11 全机柜级硬件诊断测试。这标志着 Rubin 从路线图走向实物，供应链核心环节（HBM4、先进封装、液冷、超高功率电源）未出现重大卡点。

VR200 NVL72 核心配置​

指标Vera Rubin VR200 NVL72
机柜代号Oberon
GPU72 块 Rubin GPU
CPU36 颗 Vera CPU
单 GPU 显存288 GB HBM4
单 CPU 内存1.5 TB LPDDR5X
整柜 HBM420.7 TB（20,736 GB）
整柜 LPDDR5X54 TB
互联NVLink 6 全互联
推理性能~3.6 exaFLOPS 级别
散热液冷
代际提升单 GPU 计算约 3.5×、内存带宽约 2.8×（对比 Blackwell）

Vera CPU 集成 88 个定制 Olympus ARM 核心，与 GPU 间互联带宽 1.8 TB/s，可作为 GPU 显存扩展池。NVIDIA 已于 5 月完成对 Anthropic、OpenAI、xAI 及 Oracle Cloud 的首批 Vera CPU 交付。

2. 三星 HBM4 量产：关键瓶颈松动​

2026年7月8日，三星电子正式启动面向 Vera Rubin 平台的 HBM4 量产，据报道其 HBM4 量产良率达到 70%（超出 60–65% 的初始预期）。这一关键供应链环节的确认，为 Rubin 大规模部署扫清障碍。

HBM 供应格局（2026 Q1）份额
SK 海力士45%
三星40%
美光15%

HBM4 采用 8 层堆叠（12 层设计计划 2028 年），价格约为 HBM3e 的 2.8 倍。TrendForce 预测 HBM 供给将年增 65%，到 2027 Q4 HBM4 占总产出的 35%。

3. Rubin Ultra 天价：HBM 成本主导​

据美国银行全球研究（BofA Global Research）测算，Rubin 一代将把单台服务器成本推向历史新高：

成本项Rubin VR200（Oberon）对比
单柜 HBM4 用量20,736 GB—
HBM4 单价~$18.40 / GBBlackwell（HBM3e）~$11.26 / GB
仅 HBM4 成本~$38.2 万尚未计入 LPDDR5X
Rubin Ultra 机柜预估售价~$2,100 万IT 之家 / BofA 估算

4. Rubin Ultra 设计调整：原 4 芯片方案取消（据 SemiAnalysis）​

半导体研究机构 SemiAnalysis（2026-06-30） 披露，GTC 2026 发布的原版 4 芯片 Rubin Ultra GPU 已被取消，2027 年实际出货的版本规模与性能均缩减约一半：

  • 取消原因：原版在单一 CoWoS-L 封装内集成 4 颗计算 die + 16 颗 HBM4E，基板在 4 die 配置下出现翘曲（warpage），导致计算 die 与基板接触失效、良率崩塌；替代方案 CoPoS 量产要等到 2028 年底以后，赶不上 2027 节点。
  • 新方案：改为 双 die（与标准 Rubin 同构）+ HBM4E，单 GPU 约 384 GB HBM4E（高于标准 Rubin 的 288 GB），但总算力与带宽仅为原版一半；为逼近原设计的聚合算力，NVIDIA 预计在 Kyber 机架内以"2+2"板级配置 拼出四 die 等效规模。
  • Kyber 机架延迟：配套 Kyber NVL144 机架因中板 PCB 制造难题推迟 12 个月以上至 2028 年，800V 直流供电方案同样推迟至 2028 年。

⚠️ 口径提示：NVIDIA 未就上述设计调整发表官方评论；X 平台亦有声音认为"芯片数量并未改变、属旧闻翻炒"。本段基于 SemiAnalysis 公开报告整理，最终以 NVIDIA 官方披露为准。我们已在 Rubin Ultra 预览卡 中标注"规格待官方确认"。

产业解读​

  1. "Never doubt"时刻兑现：Rubin 首发交付一次性通过 L11，打消了市场对"Rubin 延期"的疑虑，2026 H2 AI 算力供应确定性提前锁定。
  2. 专为 Agentic AI 设计：Rubin 面向智能体工作流、超长上下文推理，将进一步压低万亿参数模型的训练/推理成本曲线。
  3. HBM 是全链条赢家：单机柜 20.7 TB HBM4 用量巨大，SK 海力士、三星、美光及先进封装（CoWoS-L）、液冷、电力改造全链条受益，同时也成为成本与产能的最大约束。

相关链接​

参考资料​

本文持续跟踪 Vera Rubin 量产爬坡与 HBM4 供应链动态。

2026年H1 AI芯片行业复盘：Blackwell Ultra、国产三强与推理新时代

· 阅读需 12 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年上半年，AI芯片产业发生了历史性转折——产业重心从"训练竞赛"转向"推理效率"，国产芯片市场份额首次突破40%，NVIDIA以Blackwell Ultra筑高壁垒，推理专用芯片赛道百花齐放。

一、算力再翻番：NVIDIA Blackwell Ultra 发布（6月1日）​

2026年6月1日，NVIDIA CEO黄仁勋在**台北国际电脑展（Computex 2026）**上揭晓新一代AI芯片 Blackwell Ultra，为未来两年的AI基础设施竞赛划定新起跑线。

关键规格​

指标Blackwell UltraB200提升
FP8算力20 petaFLOPS~10 petaFLOPS100%
架构Blackwell UltraBlackwell升级
预计交付2027年Q12026年Q1—
定位超大规模训练+推理训练+推理旗舰

产业意义​

  1. 算力翻倍的直接影响：20 petaFLOPS FP8意味着千亿参数模型训练时间大幅缩短，万亿参数模型训练从"科学实验"走向"工程常态"
  2. 系统级平衡：Blackwell Ultra不仅是芯片，更是NVLink、HBM、散热、供电的系统级工程突破
  3. 路线图确定性：2027年Q1交付时间表，让云厂商和AI实验室可以提前18个月规划基础设施预算

挑战​

  • 能耗危机：性能翻倍伴随功耗大幅上升，数据中心供电和冷却设计面临极限挑战
  • 可及性问题：顶级算力优先供应顶级云厂商，中小开发者和研究机构如何通过云服务以合理成本触达算力
  • 软件栈适配：新硬件需要匹配的CUDA版本和框架支持，软件生态成熟度成为算力转化的关键瓶颈

二、国产AI芯片：从"可用"到"好用"的临界点​

2026年6月16日，信创世界发布**《2026中国国产AI芯片厂商能力象限》**，清晰勾勒出国产AI芯片的整体格局。

2.1 能力象限排名​

象限代表厂商
领导者象限华为昇腾、海光信息、寒武纪、阿里平头哥、摩尔线程
远见者象限百度昆仑芯、壁仞科技、燧原科技、沐曦股份、瀚博半导体
竞争者象限清微智能、黑芝麻智能、芯驰科技、砺算科技、后摩智能
挑战者象限登临科技、知存科技、芯原股份、瑞芯微、云天励飞

2.2 华为昇腾：国产算力的定海神针​

市场地位​

  • 2025年昇腾系列出货 81.2万张，占国产AI加速卡 49% 份额，稳居国产第一
  • 昇腾950PR单卡FP8算力达 1P（PetaFLOPS）、FP4算力达 2P
  • 推理性能约为NVIDIA H20的 2.87倍，定价仅 7.2-7.5万元，性价比优势显著

全栈优势​

华为"端管云芯"一体化战略是昇腾的核心壁垒：

  • 芯片设计：Da Vinci 3.0架构持续迭代
  • 操作系统：鸿蒙/欧拉OS深度优化
  • 网络通信：欧拉网络协议栈
  • 云服务：华为云ModelArts平台无缝集成

最新进展​

  • 2026年6月5日，深圳河套学院联合哈工大（深圳）、华为团队，依托昇腾910C集群完成 1.6万亿参数DeepSeek V4 Pro大模型全参数后训练
  • 这是国产AI芯片首次完成万亿参数级大模型训练，标志着"国产替代"从推理迈向训练

2.3 寒武纪：率先盈利的国产AI芯片标杆​

业绩爆发​

指标2025年全年2026年Q1同比增长
营收64.97亿元28.85亿元+453% / +160%
净利润20.59亿元（首次年度盈利）10.13亿元— / +185%

核心产品：思元590​

  • 在DeepSeek R1推理场景下，TPS可达 942，比H20高出约 50%
  • 与字节跳动多年联合优化，具备短期最强的云端推理部署能力
  • 2026年Q1营收28.85亿元中，思元590贡献超过70%

潜在风险​

在2026年第2号《安全可靠测评结果公告》中缺席，原因尚未明确，将对其国内政企市场表现产生影响。

2.4 清微智能：可重构芯片的"第三路线"​

技术路线​

清微智能采用与Groq LPU同源的可重构数据流架构，在GPU通用性与ASIC极致效率之间找到了平衡点。

指标清微智能 TX81传统GPU方案优势
推理成本基准+100%降低50%
能效比基准基准提升3倍
架构可重构数据流SIMT/SIMD更适合推理

落地进展​

  • 可重构芯片累计出货量已超 3000万颗
  • 在全国十余座千卡规模智算中心实现规模化落地
  • 已启动A股IPO辅导，有望成为"可重构芯片第一股"

三、推理芯片赛道：产业重心转移的核心信号​

2026年6月4日，TrendForce发布深度报告**《推理经济时代来临：AI芯片的规则正被重写》，指出AI产业的算力竞争重心正在从训练转向推理**。

3.1 为什么是现在？​

成本结构改变​

  • 训练是一次性成本：模型训练完成后，边际成本趋近于零
  • 推理是持续性成本：每一次API调用、每一个生成token，都代表算力消耗与毛利压力
  • 单位推理成本与能效表现将直接影响毛利率与规模扩张能力

模型精简技术成熟​

  • 1.58-bit量化技术与权重剪枝，使模型可在极低内存占用下维持推理准确度
  • MoE（混合专家）架构通过"部分唤醒"机制，每次推理仅激活少数专家子网络，大幅降低实际运算量
  • 精简模型的崛起，为硬式编码推理芯片提供了商业可行性

3.2 NVIDIA的百亿押注：收购Groq（2025年12月）​

2025年12月24日，NVIDIA以 200亿美元取得Groq的Inference技术授权与核心团队，这是NVIDIA历史上最大规模的并购/技术收购之一。

战略意图：

  1. 补全推理短板：NVIDIA GPU在训练领域无可撼动，但推理效率一直不是最强
  2. 对抗专用推理芯片：Cerebras、Taalas、SambaNova等初创公司正在蚕食推理市场
  3. 布局Agentic AI：Agentic AI需要极低延迟、极高吞吐的推理能力

3.3 Taalas HC1：硬式编码推理的概念验证​

2026年2月20日，加拿大AI芯片初创公司Taalas发布推理芯片 Taalas HC1，将Meta的开源AI模型Llama 3.1 8B直接刻印在芯片中。

关键指标​

指标Taalas HC1NVIDIA B200（throughput optimized）优势
推理速率16,960 tokens/s/user基准~4-5x
每百万tokens成本0.75 cents3.79 cents降低80%
功耗~250W~700W降低64%
制程TSMC N6TSMC 4nm更成熟
HBM❌ 不使用✅ HBM3e成本更低

技术原理​

Taalas HC1采用**存储内运算（Computing-in-Memory, CIM）**的激进实现：

  • 将模型权重直接固化于Mask ROM中（完全硬体定义）
  • 以片上SRAM处理动态资料（KV cache和LoRA微调权重）
  • 仅需修改2层光罩就能产出另一个AI模型的专用芯片，将一个AI模型转化为实体芯片仅需2个月

局限性​

  • 缺乏弹性：硬式编码无法应对快速迭代的模型更新
  • 生态壁垒：当前云端市场仍依赖通用平台，客户可能更偏好可随模型升级的弹性方案
  • NRE成本：一次性工程费用高，需要足够大规模的部署才能摊薄

3.4 Cerebras：晶圆级整合的上市之路​

2026年5月14日，Cerebras Systems正式在纳斯达克挂牌上市，成为首家上市的晶圆级AI芯片公司。

核心技术：Wafer-Scale Integration（WSI）​

  • WSE-3（第三代晶圆级引擎）：整片12英寸晶圆做成单一芯片
  • 44GB片上SRAM：无需外部HBM，彻底消除内存带宽瓶颈
  • 21 PB/s带宽：片上通信带宽，是GPU的千倍级别
  • 与OpenAI合作：已签署逾200亿美元、规模750MW的三年算力合作协议

上市意义​

Cerebras的上市是推理专用芯片赛道成熟的标志：

  1. 资本市场开始为这类公司定价
  2. 证明"非GPU"技术路线具备商业可行性
  3. 为其他推理芯片初创公司（Groq、SambaNova、Taalas等）提供了估值参照

3.5 推理芯片格局：多元技术路线并存​

公司技术路线核心优势代表产品
Taalas硬式编码（Mask ROM）极致推理效率、低成本HC1
Cerebras晶圆级整合（WSI）超高带宽、大模型推理WSE-3
GroqSRAM-first架构确定性延迟、高吞吐LPU（已被NVIDIA收购）
d-Matrix数字存储内运算（DIMC）灵活性强于硬式编码Corsair
EtchedHard-wired Transformer所有Transformer模型适用Sohu
Axelera AI数字存储内运算（D-IMC）+ RISC-V高能效比Metis AIPU

TrendForce预测：

  • 通用GPU仍主导训练与多模型环境
  • 但在成熟、可预测场景中，通用GPU的利润空间将受到压缩
  • 产业格局从通用算力垄断，走向通用与专用并行的双轨结构

四、2026年H1国产AI芯片整体格局​

4.1 行业进入放量期​

指标2025年2026年Q1趋势
国产AI加速卡出货量165万张（占比41%）—持续上升
中国AI加速卡总出货量~400万张——
海光信息营收增速—翻倍增长↑
寒武纪营收增速—+160%↑
摩尔线程营收增速—翻倍增长↑

头部厂商集体进入业绩兑现通道，行业从"技术验证"迈向"规模商用"。

4.2 三大核心发展趋势​

趋势一：资本化浪潮重塑格局​

  • 2025年底至2026年初，摩尔线程、沐曦股份登陆科创板
  • 壁仞科技登陆港股
  • 燧原科技科创板IPO获受理
  • 昆仑芯、平头哥启动上市进程
  • 清微智能、瀚博半导体等推进IPO

资本化带来双重效应：

  • ✅ 正面：为研发和生态建设提供支撑
  • ⚠️ 负面：估值泡沫和业绩兑现压力

趋势二：产能成为最大制约变量​

国产AI芯片爆发式需求与有限先进制程产能的矛盾日益尖锐：

厂商先进制程产能需求实际获得
华为昇腾每月1.5万片（7nm级）优先保障
中芯国际总产能每月约2万片（7nm级）—
其他厂商合计约5000片/月极度紧张

能否拿到稳定晶圆产能直接决定厂商生死。寒武纪75.4%的营收占比存货，本质是对产能的锁定。

趋势三：竞争从"可用"转向"好用"​

早期竞争聚焦"能否跑通模型"，当前升级为"运行效率、部署成本"的比拼：

竞争维度"可用"时代"好用"时代
硬件性能能否跑通模型运行效率、能效比
软件栈基本适配成熟度、框架广度
生态有无开发者社区活跃度
部署成本不敏感核心竞争要素

五、2026年H2展望​

5.1 即将到来的关键事件​

时间事件影响
2026年Q3NVIDIA Rubin架构详情公布下一代旗舰规格揭晓
2026年Q3华为昇腾950PR/950DT正式发布国产推理芯片新标杆
2026年Q4AMD MI350X规模化交付NVIDIA Blackwell竞品
2026年Q4寒武纪思元690发布（推测）新一代训练芯片
2027年Q1NVIDIA Blackwell Ultra交付算力新标杆落地

5.2 未来三年关键竞争要素​

  1. 晶圆产能获取能力：先进制程产能是稀缺资源，绑定中芯国际、TSMC的厂商具备先天优势
  2. 资本运作效率：IPO窗口期有限，能否在资本市场上融到足够资金决定研发持续性
  3. 软件生态建设深度：硬件性能只是入场券，软件栈成熟度、框架适配广度、开发者社区活跃度才是核心壁垒

六、结语：多元生态终将形成​

2026年H1，AI芯片产业正在经历从"一家独大"到"多元并存"的历史性转变。

  • NVIDIA以Blackwell Ultra筑高训练壁垒，同时以收购Groq布局推理效率
  • 华为昇腾以全栈能力守住国产算力的基本盘，950PR在推理性能上开始超越H20
  • 寒武纪以率先盈利证明国产AI芯片的商业化可行性，思元590在特定场景超越国际竞品
  • Cerebras、Taalas等推理专用芯片公司开辟了"非GPU"的第三路线
  • 清微智能的可重构架构为中国AI芯片提供了技术路线的多元化选择

未来三年，国产AI芯片终局将形成GPU、ASIC、可重构计算三大技术路线并存，云端与边缘协同发展的多元生态。"国产替代"不再是口号，而是正在发生的产业现实。

数据来源：

  • 信创世界《2026中国国产AI芯片厂商能力象限》（2026-06-16）
  • TrendForce《推理经济时代来临：AI芯片的规则正被重写》（2026-06-04）
  • RayByte《算力再翻番！英伟达Blackwell Ultra芯片发布》（2026-06-02）
  • 各公司官方财报和公告

相关阅读：

2026年6月AI芯片重大事件汇总：昇腾910C训练万亿模型、OpenAI自研芯片、RTX Spark发布

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年6月，AI芯片领域迎来多个里程碑事件，标志着"国产替代"和"去英伟达化"两大趋势加速。

1. 华为昇腾910C完成1.6万亿参数DeepSeek V4 Pro训练（2026-06-05）​

事件概述​

2026年6月5日，深圳河套学院联合哈尔滨工业大学（深圳）、深圳市大数据研究院及华为等团队，依托昇腾910C国产AI算力集群，成功完成 1.6万亿参数DeepSeek V4 Pro大模型全参数后训练。

技术意义​

指标数值
模型参数1.6万亿
训练芯片昇腾910C集群
训练类型全参数后训练（Full Parameter Post-Training）
意义国产AI芯片首次完成万亿参数级大模型训练

产业影响​

  1. 打破技术封锁：证明国产AI芯片具备训练万亿参数大模型的能力
  2. "告别英伟达"加速：DeepSeek全面换装华为昇腾，减少了对H100的依赖
  3. 国产替代拐点：从"推理替代"迈向"训练替代"

相关链接​

2. OpenAI发布首款自研AI推理芯片Jalapeño（2026-06-24）​

事件概述​

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，设计周期仅9个月（行业平均18个月），采用TSMC 3nm工艺。

关键技术指标​

指标Jalapeño对比（Blackwell）
制程TSMC 3nmTSMC 4nm
架构Systolic Array（脉动阵列）Blackwell GPU
设计周期9个月~18个月
推理成本-50%基准
AI辅助设计✅ 首款❌ 否
部署时间2026年底已出货

战略意义​

  1. 首款AI辅助设计的AI芯片：OpenAI用GPT-5.3-Codex-Spark等模型辅助架构探索
  2. "去英伟达化"加速：科技巨头（谷歌、亚马逊、微软、Meta、OpenAI）集体自研芯片
  3. 推理成本革命：对于每天处理数亿次API调用的OpenAI，成本降低50%意义非凡

相关链接​

3. NVIDIA在Computex 2026发布RTX Spark AI PC超级芯片（2026-06-01）​

事件概述​

2026年6月1日，NVIDIA CEO黄仁勋在Computex 2026 / GTC Taipei发布 RTX Spark AI PC超级芯片，与联发科（MediaTek）合作，采用Arm CPU + Blackwell GPU统一内存架构。

关键技术指标​

指标RTX Spark
CPU最多20核Arm（联发科合作）
GPU6,144 CUDA核心（Blackwell）
统一内存128GB LPDDR5X（CPU+GPU共享）
内存带宽300 GB/s
AI算力~1 PFLOPS（推测）
模型容量可运行1,200亿参数模型
上下文最长100万tokens
TDP~100W（推测）
上市2026年秋季

产业影响​

  1. NVIDIA进军PC芯片市场：挑战英特尔在个人电脑领域的主导地位
  2. AI PC新标准：本地运行120B参数模型，100万token上下文
  3. Windows转变为AI Agent平台：与微软OpenShell框架深度合作

相关链接​

4. 工信部发布《2026年人工智能芯片产业发展白皮书》（2026-06-09）​

事件概述​

2026年6月9日，中国工业和信息化部发布《2026年人工智能芯片产业发展白皮书》，预测国内AI芯片市场规模将在2026年突破2000亿元人民币。

关键预测​

指标2026年预测
市场规模突破2000亿元人民币
国产芯片份额>50%（2025年为41%）
边缘推理芯片显著进展
出货量增长翻倍以上（相比2025年）

产业意义​

  1. 国产AI芯片资本化加速：寒武纪、燧原、摩尔线程等加速IPO
  2. 边缘推理成破局关键：相比训练芯片，推理芯片更易实现国产替代
  3. 政策红利持续：国产替代从"市场行为"升级为"国家战略"

5. 字节跳动洽谈采购天数智芯5万颗推理芯片（2026-06-17）​

事件概述​

2026年6月17日，路透社报道称，字节跳动正与上海AI芯片企业天数智芯洽谈采购至少5万颗AI芯片，主要用于推理任务。

交易细节​

项目内容
采购方字节跳动
供应商天数智芯
芯片型号智铠系列（推理GPU）
采购数量至少5万颗
用途推理工作负载
训练芯片天垓系列

产业意义​

  1. 国产GPU头部玩家"加人"：天数智芯首次进入头部互联网公司供应链
  2. 字节跳动2026年资本开支上调超2000亿元：主要用于AI算力和数据中心
  3. "国产替代"从政府和国企扩展到民营科技巨头

总结：2026年6月AI芯片产业三大趋势​

趋势1："国产替代"从推理迈向训练​

  • 昇腾910C完成1.6万亿参数模型训练 → 证明国产芯片具备训练能力
  • DeepSeek全面换装昇腾 → 头部AI公司率先"告别英伟达"
  • 字节跳动采购天数智芯 → 民营科技巨头跟进

趋势2："去英伟达化"从口号变为行动​

  • OpenAI Jalapeño → 首款自研芯片，推理成本-50%
  • 谷歌TPU、亚马逊Trainium、微软Maia → 持续迭代
  • Meta MTIA、苹果M5 Ultra → 加大投入

趋势3：AI PC和边缘推理成为新战场​

  • NVIDIA RTX Spark → AI PC新标准，2026年秋季上市
  • 边缘推理芯片国产化加速 → 工信部白皮书重点提及
  • "万亿参数模型本地运行" → 消费者市场新卖点

展望未来（2026 H2）​

  1. 昇腾950DT全面放量（2026 Q4）→ 华为最新一代训练芯片
  2. NVIDIA Rubin R200出货（2026 H2）→ 下一代旗舰
  3. AMD MI400 Helios机架（2026 H2）→ 对标NVIDIA GB200
  4. OpenAI Jalapeño部署（2026年底）→ 千兆瓦级数据中心
  5. 国产AI芯片出货量翻倍以上 → 中信证券预测

参考资料​

本文持续更新，欢迎提供最新动态。

AMD MI455X CES 2026 震撼发布：4年AI芯片性能涨1000倍

· 阅读需 7 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年1月5日，在CES 2026（国际消费电子展）首日，AMD董事会主席兼CEO苏姿丰博士在主题演讲中震撼发布：Instinct MI400系列AI加速卡。

其中最引人注目的是MI455X——AMD史上性能最强的AI加速卡，采用2nm + 3nm混合制程、432GB HBM4显存、FP4算力高达40 PFLOPS（FP8为20 PFLOPS）。

核心亮点​

  • MI455X：FP4算力40 PFLOPS，FP8算力20 PFLOPS，相比MI355X提升10×
  • MI450：高性价比版，FP4算力28 PFLOPS，288GB HBM4
  • 制程升级：全球首款采用2nm + 3nm混合制程的AI芯片（GCD用2nm，MCD用3nm）
  • 显存升级：从MI350X的288GB HBM3e升级到432GB HBM4（MI455X）
  • 带宽升级：从MI350X的8 TB/s升级到19.6 TB/s（提升2.45×）
  • 架构升级：从CDNA 4升级到CDNA 5
  • 量产时间：MI455X 2026年Q4，MI450 2026年Q3

MI400系列完整规格​

📌 重要更正（2026-06-16）：经官方规格核对，MI455X 显存为 432GB HBM4（非早期报道的 288GB），FP4 算力为 40 PFLOPS。特此更正。

型号定位显存FP4 算力FP8 算力TDP（推测）
MI455X旗舰训练+推理432GB HBM440 PFLOPS20 PFLOPS~1,000W
MI450高性价比训练288GB HBM428 PFLOPS14 PFLOPS~800W
MI440X企业推理216GB HBM425 PFLOPS12.5 PFLOPS~600W
MI430XHPC / 科学计算192GB HBM420 PFLOPS10 PFLOPS~500W
MI400X通用 / 边缘推理128GB HBM412 PFLOPS6 PFLOPS~400W

关键升级（vs MI350系列）：

  • 显存：HBM3e → HBM4，容量提升 50%（432GB vs 288GB）
  • 带宽：19.6 TB/s（vs MI350的 8 TB/s，提升 2.45×）
  • 算力：FP4 40 PFLOPS（vs MI355X的 20 PFLOPS，提升 2×）
  • 制程：2nm + 3nm 混合制程（GCD用2nm，MCD用3nm）
  • 架构：CDNA 5（vs MI350的 CDNA 4）

与MI355X的性能对比​

指标MI355X（2025）MI455X（2026）提升
FP4算力20 PFLOPS40 PFLOPS2×
FP8算力10 PFLOPS20 PFLOPS2×
显存容量288GB HBM3e432GB HBM41.5×
显存带宽8 TB/s19.6 TB/s2.45×
制程TSMC 3nm2nm + 3nm 混合新一代
架构CDNA 4CDNA 5新一代
TDP800-1000W~1,000W持平

苏姿丰在CES 2026上说：

"4年前，MI250的AI性能是X。现在，MI455X的性能提升了1000倍。这就是AI芯片的进步速度。"

CDNA 5架构详解​

MI400系列采用CDNA 5架构（MI355X用CDNA 4）：

关键升级​

  1. Matrix Core 升级：支持FP8/INT8/FP16，稀疏化加速
  2. HBM4控制器：支持12层HBM4（ vs HBM3e的8层）
  3. Infinity Fabric 4.0：Die间/Die-GPU间互联带宽提升50%
  4. 稀疏化原生支持：MoE模型的Expert Parallel优化
  5. 长上下文优化：1M+ token KV Cache加速

与NVIDIA Blackwell / Rubin对比​

指标AMD MI455XNVIDIA B200NVIDIA Rubin R200（2026 Q4）
FP4算力40 PFLOPS20 PFLOPS（稀疏 45 PFLOPS）~40 PFLOPS（推测）
FP8算力20 PFLOPS10 PFLOPS（稀疏 22.5 PFLOPS）~20 PFLOPS（推测）
显存432GB HBM4192GB HBM3e288GB HBM4
显存带宽19.6 TB/s8 TB/s13 TB/s
TDP~1,000W700-1000W~1,000W
制程2nm + 3nm 混合TSMC 4npTSMC 3nm
量产时间2026年Q42024年Q42026年Q4
软件生态ROCmCUDACUDA
优势显存容量、开放生态生态最成熟下一代架构
劣势软件生态差距显存较小尚未发布

结论：MI455X在FP4/FP8算力和显存容量/带宽上领先B200，但软件生态仍是短板。与Rubin R200相比，纸面性能相近，但Rubin有CUDA生态护城河。

量产时间表​

时间事件
2025年6月12日Advancing AI大会首次公布MI400系列规格
2026年1月5日CES 2026正式发布MI455X/MI450/MI440X
2026年Q3MI450开始送样
2026年Q4MI455X正式量产
2026年Q4MI440X（企业推理版）发布
2027年Q1MI430X/MI400X（HPC/边缘推理版）发布
2027年MI500系列（下一代）

AMD AI芯片路线图（2025-2027）​

时间产品制程备注
2024年Q4MI325XTSMC 5nmHBM3e升级版
2025年Q3MI355X（MI350系列）TSMC 3nmCDNA 4，288GB HBM3e
2026年Q4MI455X（MI400系列）2nm + 3nm 混合CDNA 5，432GB HBM4
2027年Q1MI500系列TSMC 2nm（推测）下一代，性能再提升

软件生态：ROCm的进步与挑战​

✅ 进步​

  • PyTorch 2.5+：原生支持MI300X/MI455X
  • Hugging Face Transformers：官方支持AMD GPU
  • vLLM 0.8+：MI300X推理支持（实验性）
  • JAX：AMD正在适配（对标Google TPU）

⚠️ 挑战​

  • 框架优化度：PyTorch在AMD GPU上的性能仍低于NVIDIA
  • 算子覆盖率：部分小众算子需要自己写HIP代码
  • 多卡通信：RCCL（对标NCCL）性能仍有差距
  • 开发者生态：教程、案例、社区活跃度远不及NVIDIA

与竞品对比​

厂商产品FP4算力显存量产时间优势劣势
AMDMI455X40 PFLOPS432GB HBM42026 Q4显存容量最大、开放生态软件生态差距
NVIDIAB20020 PFLOPS192GB HBM3e2024 Q4生态最成熟显存较小
NVIDIARubin R200~40 PFLOPS288GB HBM42026 Q4下一代架构、CUDA生态价格昂贵
华为昇腾910C~1.6 PFLOPS64GB HBM2026 Q2中国本土化受出口管制
GoogleTPU 8t~9.2 PFLOPS~256GB HBM3e2027年底与Gemini集成仅Google Cloud

行业影响​

1. 对NVIDIA的冲击​

AMD MI455X在纸面性能上已经追上B200（FP4 40 PFLOPS vs 20 PFLOPS），甚至在显存容量上大幅领先（432GB vs 192GB）。

但：

  • NVIDIA有CUDA生态护城河
  • NVIDIA有Vera Rubin平台（整体方案，2026 Q4发布）
  • AMD只能卖单卡/单机，NVIDIA卖AI工厂
  • MI455X量产时间（2026 Q4）与Rubin R200相同，正面竞争

2. 对国产芯片的压力​

MI455X的发布意味着：国际主流AI芯片在2026年将进入2nm + HBM4时代。

国产芯片（华为昇腾、寒武纪、沐曦等）需要：

  • 在2026-2027年追上5nm + HBM3e水平
  • 否则差距将从"1代"扩大到"2代"

3. 对云服务商的意义​

MI455X给云服务商提供了NVIDIA之外的第二选择：

  • 微软Azure：已部署MI355X，可能跟进MI455X
  • 谷歌Cloud：自研TPU，不会用AMD
  • 亚马逊AWS：自研Trainium/Inferentia，不会用AMD
  • 阿里云、腾讯云：可能采购MI455X作为NVIDIA替代方案

相关芯片​

参考资料​

本文基于AMD CES 2026官方公告、百度百科及知乎智东西现场报道整理，规格参数已核对官方来源。2026-06-16更新：修正MI455X显存（288GB → 432GB）和算力（FP8 6 PFLOPS → FP4 40 PFLOPS）

谷歌TPU 8i/8t 正式发布：训练与推理首次分家，2nm工艺赋能智能体时代

· 阅读需 7 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年4月22日，在拉斯维加斯举行的Google Cloud Next '26大会上，谷歌正式发布了第八代张量处理器（TPU）。这是谷歌史上首次将AI训练与推理任务拆分至两款独立芯片：

  • TPU 8t：专为模型训练设计
  • TPU 8i：专注高并发推理任务

此次发布未引入新的物理概念，而是聚焦于解决AI数据中心的核心痛点：万卡集群扩展效率、智能体AI工作负载优化、每瓦性能提升。

TPU 8i（推理专用）：消除"等待室效应"​

TPU 8i是谷歌和**联发科（MediaTek）**首次合作设计的推理专用芯片，旨在消除"等待室效应"——即用户请求被有意排队或延迟以实现硬件利用率最大化的情况。

TPU 8i 核心规格（推测）​

参数TPU 8iTPU v7 Ironwood
定位推理专用推理为主
制程TSMC 2nm—
Die设计双计算Die（推测）—
显存8× HBM3e 12层（推测 ~192GB）8× HBM3（192GB）
显存带宽~7 TB/s（推测）7,380 GB/s
FP8 算力~4,614 TFLOPS（推测）4,614 TFLOPS
TDP（每芯片）1,300 W1,000 W
互联ICI 3D TorusICI 3D Torus
集成CPUArm Axion（64核）无
散热风冷/液冷均可第4代液冷
公布时间2026-04-222025-08-25
量产时间2027年底2026年

关键特性：

  • ✅ 高并发推理优化：专为Agentic AI设计，支持数千个步骤的推理链条
  • ✅ Arm Axion CPU集成：64核Neoverse V2，Host CPU + 数据预处理协同
  • ✅ 低延迟：消除"等待室效应"，首Token延迟（TTFT）极低
  • ✅ 每瓦性能提升117%：相比Ironwood（同等价格）

TPU 8t（训练专用）：Gemini 3/4的"发动机"​

TPU 8t专为Google Gemini 3 / Gemini 4等frontier模型训练设计，是谷歌与**博通（Broadcom）**长期合作的延续。

TPU 8t 核心规格​

参数TPU 8tTPU v7 Ironwood提升
定位训练专用推理为主形态拆分
制程TSMC 2nm—新一代
Die设计双计算Die—架构升级
显存8× HBM3e 12层（单芯片推测 ~256GB）8× HBM3（192GB）升级
显存带宽~7 TB/s（推测每芯片）7,380 GB/s持平
Pod芯片数9,600芯片9,216+4%
Pod HBM总量2 PB—远超
Pod FP4算力121 EFLOPS~42 EFLOPS（推测）~3×
集成CPUArm Axion（64核）无新增
TDP（每芯片）1,300 W1,000 W+30%
量产时间2027年底2026年—

关键特性：

  • ✅ MoE训练原生支持：Expert Parallel优化（DeepSeek / Mixtral风格）
  • ✅ Long-context训练：1M+ token上下文训练优化
  • ✅ RLHF/后训练：Online RL（DPO/PPO/GRPO）原生优化
  • ✅ Arm Axion CPU协同：数据预处理/权重初始化Offload到CPU
  • ✅ SparseCore加速：MoE路由和推荐系统

第八代TPU的战略意义​

1. 训练与推理首次分家​

此前，谷歌的TPU设计理念是"一个架构兼顾训练和推理"（如TPU v5p、v6e）。但智能体AI时代的到来改变了这一点：

  • 训练工作负载：大规模矩阵乘法、长时序反向传播、稀疏化MoE
  • 推理工作负载：高并发、低延迟、KV Cache密集型、动态批处理

这两种工作负载对芯片架构的要求截然不同。拆分后：

  • TPU 8t可以专注优化计算密度和显存容量
  • TPU 8i可以专注优化推理吞吐和每瓦性能

2. 与博通、联发科的双线合作​

  • 博通（Broadcom）：继续合作设计TPU 8t（训练），延续自TPU v1以来的长期伙伴关系
  • 联发科（MediaTek）：首次合作设计TPU 8i（推理），引入移动芯片低功耗设计经验

这种"双线合作"策略使谷歌能够：

  • 在训练芯片上追求极致性能（与博通的高端ASIC经验结合）
  • 在推理芯片上追求极致能效（与联发科的移动芯片经验结合）

3. 对标NVIDIA Vera Rubin​

对比Google TPU 8t + 8iNVIDIA Vera Rubin
策略训练/推理拆分统一架构（GPU+CPU）
制程TSMC 2nmTSMC 3nm（推测）
生态仅Google Cloud全球可用
软件JAX / PyTorch/XLACUDA / PyTorch
量产2027年底2026年秋季
优势与Gemini深度集成生态最成熟

技术深度解析​

TSMC 2nm：为何选择2nm？​

谷歌是首家在AI加速器上采用TSMC 2nm制程的厂商（NVIDIA Rubin用的是3nm）。2nm（N2）工艺相比3nm（N3E）：

  • 晶体管密度提升：~15-20%
  • 功耗降低：~25-30%（同等性能）
  • 性能提升：~10-15%（同等功耗）

对于功耗已达1,300W的TPU 8t/8i来说，2nm是必须的——否则4nm/3nm无法在合理功耗内集成双计算Die和8×HBM3e。

Arm Axion CPU：Google自研CPU首次进入TPU节点​

此前，TPU节点使用Intel Xeon或AMD EPYC作为Host CPU。TPU 8t/8i首次集成Google自研的Arm Axion CPU（64核Neoverse V2）：

意义：

  1. 数据预处理Offload：Tokenization、数据增强等可以完全在Axion上完成，不占用TPU算力
  2. 权重初始化：大模型训练的权重初始化可以在CPU上完成，加速训练启动
  3. 推理调度：多模型推理时，Axion负责请求调度和负载均衡

这标志着TPU节点向"超节点"演进：不再是纯加速器，而是TPU + Axion CPU协同系统，对标NVIDIA Vera CPU。

第4代液冷：1,300W的散热挑战​

TPU 8t/8i的TDP达到1,300W（相比Ironwood的1,000W提升30%），这给数据中心散热带来巨大挑战。

谷歌采用第4代液冷方案：

  • 冷板液冷：直接冷却GPU Die和HBM
  • 浸没式液冷：可选方案（超高密度部署）
  • 智能温控：根据工作负载动态调整泵速和风扇转速

量产时间表与应用场景​

时间事件
2026-04-22Cloud Next '26正式公布
2026年下半年内部测试（Google DeepMind优先使用）
2027年底**正式量产，Google Cloud开放
2028年下一代TPU（可能为TPU 9）

目标应用场景：

  • ✅ Frontier模型训练（Gemini 3/4、外部客户）
  • ✅ MoE大模型推理（高并发、低延迟）
  • ✅ 多模态AI（ViT + LLM同步推理）
  • ✅ 智能体AI（Agentic AI工作负载）

与竞品对比​

厂商产品制程TDP量产时间
GoogleTPU 8i（推理）TSMC 2nm1,300W2027年底
GoogleTPU 8t（训练）TSMC 2nm1,300W2027年底
NVIDIARubin GPUTSMC 3nm（推测）~1,000W2026年秋季
NVIDIAVera CPUTSMC 3nm（推测）~500W2026年秋季
AMDMI455X（MI400）TSMC 3nm（推测）~700W2026年
华为昇腾950PR—~500W2026年Q1

行业影响​

  1. AI芯片进入2nm时代：谷歌率先采用TSMC 2nm，NVIDIA、AMD必然跟进
  2. 训练/推理拆分成为新趋势：其他厂商（如NVIDIA、AMD）可能会效仿
  3. 自研CPU成为标配：Google（Axion）、NVIDIA（Vera）、华为（鲲鹏）都在做CPU+加速器的协同设计
  4. 液冷成为必然选择：1,300W的TDP意味着风冷已经无法满足

相关芯片​

参考资料​

本文基于Google官方公告及公开资料整理，部分规格为推测值，以官方最终发布为准。

里程碑！华为昇腾910C完成1.6万亿参数大模型全参数训练

· 阅读需 7 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年6月5日，深圳发布官宣重磅消息：深圳河套学院联合哈工大（深圳）、华为等团队，用1000颗华为昇腾910C芯片，成功完成1.6万亿参数DeepSeek-V4-Pro大模型全参数后训练。

这不是一次试探性的尝试，而是一次里程碑式的技术突破。它用无可辩驳的工程结果证明：国产AI芯片足以支撑世界级超大参数模型训练。

为什么这很重要？​

AI芯片的两道坎："推理"与"训练"​

  • 推理（Inference）：用现成模型聊天、写文案。此前国产芯片已经能做
  • 训练（Training）：调整模型参数让它学习新能力。全参数训练要同时调整1.6万亿个参数，难度拉满

此前，万亿级参数模型的全参数训练一直被英伟达H100/H200垄断。国产芯片只能做推理，无法做大规模训练。

这次突破的意义：国产算力从"能用"跨越到"好用"，从"推理"跨越到"训练"。

技术细节​

训练配置​

项目参数
芯片华为昇腾910C × 1,000颗
模型DeepSeek-V4-Pro
参数量1.6万亿（1600B）
训练类型全参数后训练（Full Parameter Post-Training）
训练框架昇思（MindSpore）+ torch_npu
完成时间2026年6月5日官宣

性能指标​

指标数值评价
算力利用率>30%工业级水平（海外顶级芯片~40%）
关键训练算子效率提升14%相比上一代910B
通信带宽利用率>60%（推测）MoE模型的All-to-All通信
稳定性1000颗卡连续训练无故障集群稳定性达标

💡 关于30%算力利用率：很多人觉得30%不高，但在大模型训练领域，这已经是非常不错的工业级水平。就算用最顶级的海外芯片，很多团队的实际利用率也就在40%左右。

昇腾910C详细规格​

昇腾910C是华为在2024年4月24日（华为分析师大会）公布的AI训练/推理芯片，理论算力峰值达到800 TFLOPS（BF16精度），与英伟达H100处于同等量级。

参数昇腾910C昇腾910BNVIDIA H100
架构Ascend 910CAscend 910BHopper
制程TSMC 7nm（推测）TSMC 7nmTSMC 4NP
BF16算力800 TFLOPS256 TFLOPS989 TFLOPS（稀疏）
显存64GB HBM（推测）64GB HBM2e（B1/B2）80GB HBM3
显存带宽~2TB/s（推测）600 GB/s（B1/B2）3.35 TB/s
TDP~400W（推测）300-400W700W
量产时间2026年4月（正式量产）2022年11月2022年3月

关键升级：

  • ✅ 算力提升3×：从910B的256 TFLOPS提升到800 TFLOPS
  • ✅ 软件生态完善：torch_npu适配PyTorch，昇思框架成熟
  • ✅ 集群稳定性：1000颗卡连续训练无故障（这是最大的突破）

技术挑战与解决方案​

挑战1：万亿级模型的显存需求​

1.6万亿参数模型，仅模型参数就需要：

  • FP16精度：1.6T × 2 bytes = 3.2 TB
  • 加上梯度、优化器状态：至少10 TB显存

华为的解决方案：

  • 模型并行（Model Parallel）：将模型分布到1000颗910C上
  • ZeRO优化器：优化显存占用
  • 梯度累积：分阶段更新参数

挑战2：万卡集群的通信效率​

1000颗芯片训练时，卡间通信成为瓶颈。MoE模型需要All-to-All通信（每个专家可能需要与其他所有专家通信）。

华为的解决方案：

  • HCCS（Huawei Collective Communication Scheduler）：自研高速互联协议
  • 分层通信：节点内NVLink + 节点间HCCS
  • 通信-计算重叠：在计算的同时进行数据传输

挑战3：训练稳定性​

万亿级模型训练需要数周甚至数月，任何一颗卡故障都可能导致整个训练中断。

华为的解决方案：

  • 故障检测与自动恢复：实时监测卡的状态，故障时自动重启并恢复训练状态
  • 检查点（Checkpoint）优化：高频保存训练状态（每N步保存一次）
  • 昇腾集群管理软件：专门为企业级训练设计

与竞品对比​

厂商芯片1.6万亿参数训练生态成熟度可用性
华为昇腾910C✅ 已完成⭐⭐⭐（进步中）中国本土
NVIDIAH100/H200✅ 工业标准⭐⭐⭐⭐⭐全球（受出口管制）
AMDMI300X✅ 可行⭐⭐⭐⭐全球
GoogleTPU v5p/8t✅ JAX原生⭐⭐⭐⭐Google Cloud

结论：昇腾910C在硬件性能上已经追上H100，软件生态仍有差距，但这次训练成功证明了工程可行性。

行业影响​

1. 国产算力的"遵义会议"​

这次突破被业内称为国产算力的"遵义会议"——从此从被动防守转向战略反攻。

具体影响：

  • ✅ 打破"国产芯片只能推理"的偏见
  • ✅ 证明国产芯片可以做frontier模型训练
  • ✅ 为国产大模型（如DeepSeek-V4、文心5.0）提供算力底座

2. 对英伟达的冲击​

华为昇腾910C完成万亿级训练，意味着中国AI产业对英伟达的依赖度降低。

场景此前现在
推理国产芯片可用国产芯片好用
训练必须用H100/H200可以用910C
大规模训练必须用H100集群可以用910C集群

3. 对国产芯片产业的提振​

这次突破将带动整个国产AI芯片产业链：

  • 芯片设计：寒武纪、沐曦、摩尔线程等加速迭代
  • 晶圆制造：中芯国际、华虹等获得更多订单
  • 封装测试：长电科技、通富微电等受益

华为昇腾芯片路线图（2025-2028）​

时间芯片定位
2025年Q1昇腾910C旗舰训练/推理（已量产）
2026年Q1昇腾950PR推理优化（~500 TFLOPS BF16）
2026年Q4昇腾950DT数据中心训练
2027年Q4昇腾960下一代旗舰
2028年Q4昇腾970再下一代

训练实战经验分享​

深圳河套学院团队在训练中积累了宝贵经验：

✅ 成功经验​

  1. 渐进式训练：从小模型（7B）开始，逐步扩大到1.6T
  2. 混合精度训练：BF16主训练 + FP32梯度累积
  3. 通信优化：All-to-All通信与计算重叠
  4. 故障恢复：每1000步保存一次检查点

⚠️ 遇到的挑战​

  1. 显存碎片：长训练过程中显存碎片化严重，需要定期整理
  2. 通信瓶颈：MoE模型的All-to-All通信占训练时间的30%+
  3. 软件Bug：torch_npu偶有内存泄漏，需要重启训练进程

相关芯片​

参考资料​

本文基于公开报道整理。向深圳河套学院、哈工大（深圳）、华为等团队表示敬意——你们用工程实践证明了中国AI算力的可行性。

Intel Gaudi 4 / Jaguar Shores 最新进展：重返AI竞赛，HBM4内存加持

· 阅读需 7 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年3月18日，Intel在Intel AI Summit上正式发布：Habana Gaudi 4定制AI加速卡。这是Intel在Gaudi 3（2024年4月发布）之后的最新一代AI训练/推理芯片，专为大规模模型训练设计。

同时，Intel确认下一代Jaguar Shores GPU（数据中心GPU）正在研发中，将采用HBM4内存，预计2027年发布。这标志着Intel正式重返AI芯片竞赛。

核心亮点​

  • Gaudi 4：2026年3月发布，TSMC 5nm、64GB HBM3e、专为大规模训练
  • Jaguar Shores：2027年发布（预计），采用HBM4、对标NVIDIA Rubin
  • Crescent Island：Intel首款通用GPU（2026年发布），采用Xe3架构
  • 软件生态：Intel AI Stack（包含oneAPI、BigDL、Gaudi Software Suite）
  • 代工合作伙伴：TSMC（Gaudi 4、Jaguar Shores）、Intel Foundry（Crescent Island）

Gaudi 4 详细规格​

Gaudi 4是Intel旗下Habana Labs（2019年收购）设计的第四代AI加速卡。

参数Gaudi 4Gaudi 3（2024）NVIDIA B200
架构Habana 4Habana 3Blackwell
制程TSMC 5nmTSMC 7nmTSMC 4NP
FP8算力~2,000 TFLOPS（推测）1,000 TFLOPS4,500 TFLOPS（稀疏）
显存64GB HBM3e128GB HBM2e（推测）192GB HBM3e
显存带宽~3 TB/s（推测）~2 TB/s（推测）8 TB/s
TDP~500W（推测）~400W700-1000W
互联RoCE v3（以太网）RoCE v2NVLink 5.0
发布时间2026年3月2024年4月2024年3月
量产时间2026年Q3（推测）2024年Q42024年Q4

📌 注：Gaudi 4具体规格尚未完全公开，上表部分为推测值。

Gaudi 4的关键特性​

  1. 以太网原生支持：采用RoCE v3（RDMA over Converged Ethernet），无需专用互联协议（如NVLink）
  2. 大规模扩展优化：万卡集群扩展效率优于InfiniBand（成本更低）
  3. 稀疏化加速：MoE模型原生支持
  4. 多精度支持：FP8/FP16/FP32/INT8/INT4
  5. 开放生态：支持PyTorch、TensorFlow、JAX（通过第三方适配）

Jaguar Shores：Intel的下一代GPU​

Jaguar Shores是Intel首款真正意义上的数据中心GPU（不是Gaudi那样的ASIC）。

为什么叫"Jaguar Shores"？​

  • Jaguar：美洲豹，代表"速度"和"敏捷"
  • Shores：海岸，代表"开放"和"连接"（对标NVIDIA的"海岸"命名风格？）

Jaguar Shores 推测规格​

参数Jaguar Shores（推测）NVIDIA RubinAMD MI455X
架构Xeu 3（推测）RubinCDNA 4
制程TSMC 3nm（推测）TSMC 3nmTSMC 3nm
显存HBM4（确认）HBM4HBM4
显存容量288GB（推测）288GB288GB
FP8算力~4,000 TFLOPS（推测）~6,000 TFLOPS6,000 TFLOPS
TDP~800W（推测）~1,000W~800W
发布时间2027年（预计）2026年Q32026年Q3

关键确认：

  • ✅ HBM4内存：Intel已确认Jaguar Shores将采用SK海力士的HBM4内存
  • ✅ TSMC代工：Jaguar Shores将由TSMC生产（不是Intel Foundry）
  • ✅ oneAPI原生支持：Jaguar Shores将原生支持oneAPI编程模型

Crescent Island：Intel的首款通用GPU​

Crescent Island是Intel在2025年10月公布的首款通用数据中心GPU，采用Xe3架构（Xe-HPG的升级版）。

参数Crescent Island（推测）Intel Data Center GPU MaxNVIDIA L40S
架构Xeu 3Xeu 2（Ponte Vecchio）Ada Lovelace
定位通用计算+AI推理HPC+AI训练AI推理+图形
制程TSMC 5nm（推测）Intel 7 + TSMC 5nmTSMC 4N
显存48GB HBM3（推测）128GB HBM2e48GB GDDR6
TDP~300W（推测）600W350W
发布时间2026年（预计）2023年1月2023年3月

定位：

  • ✅ 通用GPU：既能做AI推理，也能做科学计算（HPC）
  • ✅ 低成本：价格比Gaudi 4更低，对标NVIDIA L40S
  • ✅ 开放标准：支持oneAPI、SYCL、Level Zero

Intel AI芯片路线图（2024-2027）​

时间产品类型制程备注
2024年Q4Gaudi 3AI ASICTSMC 7nm当前主力
2026年Q2Crescent Island通用GPUTSMC 5nm新发布
2026年Q3Gaudi 4AI ASICTSMC 5nm新发布
2027年Jaguar Shores数据中心GPUTSMC 3nm下一代旗舰
2027年Gaudi 5（推测）AI ASICTSMC 3nm下一代

与竞品对比​

Gaudi 4 vs NVIDIA B200​

指标Gaudi 4NVIDIA B200
FP8算力~2,000 TFLOPS4,500 TFLOPS
显存64GB HBM3e192GB HBM3e
互联以太网（RoCE v3）NVLink 5.0
软件生态Gaudi Software SuiteCUDA
价格推测 ~$20,000~$45,000
优势以太网成本低、开放生态最成熟、性能最强
劣势软件生态弱、算力低价格昂贵

结论：Gaudi 4的定位是**"性价比训练方案"**，适合对成本敏感、且愿意投入软件适配的客户。

Jaguar Shores vs NVIDIA Rubin​

指标Jaguar Shores（推测）NVIDIA Rubin
FP8算力~4,000 TFLOPS~6,000 TFLOPS
显存288GB HBM4288GB HBM4
软件生态oneAPICUDA
量产时间2027年2026年Q3
优势开放标准、可能更便宜生态成熟、先发优势
劣势生态弱、晚1年价格昂贵

结论：Jaguar Shores如果能按时发布，且oneAPI生态有足够改善，可以成为NVIDIA的第三选择（仅次于NVIDIA和AMD）。

软件生态：oneAPI的进步与挑战​

oneAPI是什么？​

oneAPI是Intel推出的开放、跨架构编程模型：

  • 支持CPU、GPU、FPGA、AI加速器
  • 基于SYCL标准（类似CUDA的C++扩展）
  • 开源实现（Intel oneAPI Base Toolkit）

Intel AI Stack​

组件用途对标
oneAPI跨架构编程模型CUDA
BigDL分布式深度学习框架PyTorch Distributed
Gaudi Software SuiteGaudi专用软件栈NVIDIA GPU Cloud (NGC)
Intel Extension for PyTorchPyTorch在Intel硬件上的优化NVIDIA PyTorch
Intel Optimization for TensorFlowTensorFlow在Intel硬件上的优化NVIDIA TensorFlow

✅ 进步​

  • PyTorch 2.5+：Intel Extension已集成到PyTorch主线
  • Hugging Face Transformers：官方支持Intel GPU（通过optimum-intel）
  • vLLM：实验性支持Gaudi（性能待验证）

⚠️ 挑战​

  • 开发者习惯：全球AI开发者都用CUDA，oneAPI学习曲线陡峭
  • 算子覆盖率：很多PyTorch算子还没有oneAPI优化版本
  • 性能：same功耗下，Gaudi 4性能只有B200的50%左右

行业影响​

1. Intel能否重返AI竞赛？​

挑战：

  • ❌ 生态劣势：CUDA护城河太深，oneAPI难以撼动
  • ❌ 性能劣势：Gaudi 4性能只有B200的50%
  • ❌ 时间劣势：Jaguar Shores比Rubin晚1年

机会：

  • ✅ 开放标准：不依赖CUDA，适合"反NVIDIA垄断"的客户
  • ✅ 以太网优势：RoCE v3在万卡集群上成本低于InfiniBand
  • ✅ ** Intel Foundry**：如果Jaguar Shores能用Intel自家工艺生产，成本更低

2. 对AMD的影响​

Intel重返AI竞赛，对AMD是坏事：

  • AMD本来是"NVIDIA唯一替代品"
  • 现在Intel也回来了，AMD的"替代品"地位受到挑战
  • 但短期内（2026-2027），Intel还无法威胁AMD

3. 对国产芯片的影响​

Intel Gaudi 4的发布，对国产芯片是参考案例：

  • 证明以太网路线（RoCE）可行
  • 证明开放生态（oneAPI）虽难但有必要
  • 证明性价比路线有市场（成本敏感客户）

相关芯片​

参考资料​

本文基于Intel官方公告及公开资料整理，部分规格为推测值，以Intel官方最终发布为准。

NVIDIA Vera Rubin 全面投产：智能体AI工厂时代正式开启

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年6月1日，NVIDIA创始人兼首席执行官黄仁勋在COMPUTEX 2026（台北国际电脑展）上正式宣布：Vera Rubin平台全面投产。这标志着AI硬件从"离散加速器"向"整体化AI工厂"的根本性范式转变。

核心亮点​

  • Rubin GPU：下一代AI计算芯片，FP4算力是Blackwell的3.6×
  • Vera CPU：88个自定义Arm核心（176线程），替代Grace CPU
  • NVLink 6：GPU间互联带宽达260 TB/s（相比Blackwell翻倍）
  • CX8 SuperNIC：800Gb/s网络，ConnectX-9链路达28.8 TB/s
  • HBM4显存：单芯片288GB，带宽13 TB/s
  • 智能体吞吐量：相比Grace Blackwell提升10×

Vera Rubin 平台完整规格​

Vera Rubin不是一个单独的GPU，而是一个完整的AI工厂平台，包含7款芯片：

芯片名称类型用途
Rubin GPU主力AI计算芯片训练+推理
Rubin Ultra GPU旗舰版超大尺度推理
Vera CPU配合Rubin的CPUHost CPU + 数据预处理
NVLink 6互联芯片GPU间高速互联（260 TB/s）
CX8 SuperNIC网卡800Gb/s网络
XDR 800G 交换机数据中心网络跨机架通信
Rubin平台POD整机柜预配置的AI工厂（144 GPU）

Rubin GPU 详细规格（推测）​

参数Rubin GPURubin UltraBlackwell (B200)
架构RubinRubin UltraBlackwell
制程TSMC 3nm（推测）TSMC 3nmTSMC 4NP
显存288GB HBM4288GB HBM4E（推测）192GB HBM3e
显存带宽13 TB/s13+ TB/s8 TB/s
FP4 算力~3,600 TFLOPS（推测）~5,000 TFLOPS（推测）2,250 TFLOPS
TDP1,000W（推测）1,200W（推测）700-1000W
互联NVLink 6（260 TB/s）NVLink 6NVLink 5（1800 GB/s）
量产时间2026 Q32027 下半年2024 Q4

📌 注：Rubin具体规格尚未完全公开，上表部分为推测值。

Vera CPU：替代Grace的新一代Host CPU​

Vera CPU是NVIDIA自研的Arm架构CPU，取代此前的Grace CPU：

参数Vera CPUGrace CPU
核心数88核（176线程）72核（144线程）
架构自定义Armv9（推测）Arm Neoverse V2
接口NVLink 5.0（1.8 TB/s）NVLink 4.0（900 GB/s）
TDP~500W（推测）350-500W
用途AI工厂Host CPU超算/AI Host

关键升级：Vera与Rubin GPU的协同设计，使其在计算、数据加载、预处理上实现端到端优化，对标Google TPU 8t的Arm Axion集成。

与Blackwell的性能对比​

NVIDIA官方宣称，在相同POD配置（144个GPU芯片）下：

指标Grace Blackwell (GB200 NVL72)Vera Rubin NVL144提升
FP4 算力1.1 PFLOPS3.6 PFLOPS3.3×
显存容量288GB×72 = 20.7TB288GB×144 = 41.4TB2×
显存带宽8 TB/s×7213 TB/s×144~3.3×
NVLink 带宽1800 GB/s×72260 TB/s（全POD）~2×
智能体吞吐量基准10×10×
每瓦性能基准25×（与单独CPU比）25×

💡 为何是"10×智能体吞吐量"？ 智能体AI（Agentic AI）工作负载与训练/推理不同：一个提示词可能触发包含推理、检索、工具调用、响应生成的多个环节，涉及数千个步骤。Rubin平台专为这种长链条、高并发工作负载优化。

MGX 第三代机架级系统​

Vera Rubin采用MGX第三代开源机架级系统设计：

  • 五机架协同：Vera Rubin NVL72系统 + Vera CPU + Groq 3 LPX + Vera BlueField-4 STX存储 + Spectrum-6 SPX以太网
  • 全球供应链：30个国家、350+工厂、数百家合作伙伴（Dell、HPE、Lenovo、Supermicro、Asus、Foxconn等）
  • Spectrum-X 以太网硅光技术：全球首款基于CPO（光电一体化封装）、支持200Gb/s SerDes的交换机，现已量产

量产时间表​

时间事件
2026年1月CES 2026首次公布Rubin平台
2026年6月1日COMPUTEX 2026宣布全面投产
2026年秋季Vera Rubin正式启动量产并开始出货
2027年下半年Rubin Ultra发布（HBM4E升级）
2028年Feynman架构（下一代）

AI工厂：从卖芯片到卖"智能生产线"​

黄仁勋在发布会上说了一句让业界震动的话：

"Rubin的Agentic AI吞吐量，是Blackwell的10倍。Rubin是一个完整的AI工厂平台。"

这标志着NVIDIA商业模式的根本转变：

  • 过去：卖GPU（H100/B200），客户自己搭建系统
  • 现在：卖"AI工厂成套解决方案"（Vera Rubin POD），包含GPU、CPU、网络、存储、软件栈
  • 未来：成为全球AI基础设施的"台积电"（提供智能生产能力）

与竞品对比​

厂商产品定位优势劣势
NVIDIAVera RubinAI工厂整体方案生态最完整、软件最成熟价格昂贵、功耗极高
AMDMI455X（MI400系列）训练竞品性价比、开放生态软件生态差距
GoogleTPU 8i/8t云上训练/推理与Gemini深度集成仅Google Cloud
华为昇腾910C/950国产替代中国本土化、昇思框架受出口管制影响

行业影响​

  1. AI实验室：Frontier模型训练时间从"数月"缩短到"数周"
  2. 云服务商：必须决定是否采购Vera Rubin POD（与自研芯片战略冲突）
  3. 超大规模数据中心：AI工厂成为新的竞争维度（谁有最强算力，谁就能训练最强模型）
  4. 国产芯片：昇腾910C/950、寒武纪MLU590等必须在2026-2027年追上Blackwell，否则差距将扩大到Rubin时代

相关芯片​

参考资料​

本文基于NVIDIA官方公告及公开资料整理，部分规格为推测值，以官方最终发布为准。

2026年国产AI芯片新进展：华为昇腾950、昆仑芯M100、阿里平头哥M890全面解析

· 阅读需 18 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年，国产AI芯片产业进入全面爆发期。华为昇腾、百度昆仑芯、阿里平头哥三大巨头相继发布新一代产品，寒武纪、沐曦、燧原、瀚博等厂商也取得重要突破。

本文将从产品发布、技术突破、市场动态、生态建设四个维度，全面解析2026年国产AI芯片的新进展。

一、华为昇腾：950系列发布，960/970路线图清晰​

1.1 昇腾950PR（2026年Q1发布）​

核心规格：

项目参数
发布时间2026年3月21日
搭载平台Atlas 350加速卡
HBM容量128 GB（华为自研HiBL 1.0 HBM）
内存带宽1.6 TB/s
FP8算力1 PFLOPS
定位推理场景专用（Prefill阶段）
性能对比单卡算力为NVIDIA H20的2.87倍

技术创新：

  • 首次采用华为自研HBM方案（HiBL 1.0），降低成本
  • 支持FP8低精度计算，推理能效比提升3倍
  • 专为视频推荐、实时交互等推理场景优化

商业化进展：

  • 2026年Q1已开启大规模供货
  • 主要客户：中国电信、中国移动、中国联通、华为云
  • 定价约10万元/卡（重点客户8万元），较同性能竞品低30%

1.2 昇腾950DT（2026年Q4发布）​

核心规格：

项目参数
发布时间2026年Q4（预计10月）
HBM容量144 GB（华为自研HiZQ 2.0 HBM）
内存带宽4 TB/s（HiZQ 2.0技术）
FP8算力1 PFLOPS
定位推理+训练场景（Decode阶段+训练任务）
技术创新首次搭载自研HiZQ 2.0内存技术

技术创新：

  • 采用HiZQ 2.0内存技术，数据搬运效率提升2倍
  • 支持FP8/FP4低精度计算，兼顾性能与效率
  • 专为对话生成、大模型训练等场景优化

1.3 950超节点（2026年Q4发布）​

系统规格：

项目配置
最大互联芯片数8,192颗
FP8总算力1 EFLOPS（1,024卡规模）
1024卡版本16台液冷计算柜，单柜64张芯片
支持模型万亿参数大模型训练
落地进展1024卡版本已进入落地阶段

性能对比：

  • 950超节点性能超越NVIDIA 2027年NVL576系统
  • 在万亿参数模型训练场景，性能领先20%

1.4 昇腾960/970路线图​

芯片型号发布时间核心规格定位
昇腾9602027年Q4N+3工艺、288GB HBM、FP8 2 PFLOPS、能效比较910C提升30%+超大规模训练
昇腾9702028年Q4N+3工艺、FP4 8 PFLOPS、4 TB/s带宽、支持万亿参数模型下一代AI架构（MoE等）

技术突破：

  • 制程升级：从N+2（7nm级）升级至N+3（5nm级）
  • 内存容量翻倍：从144GB（950DT）提升至288GB（960/970）
  • 能效比提升：960/970能效比较910C提升30%+
  • 精度优化：970支持FP4精度，为下一代AI架构（MoE等）优化

1.5 商业化进展​

出货数据：

  • 384卡超节点：已部署超过500套，是国内唯一真正大规模商用的超节点
  • 2026年出货目标：80万颗（累计出货100万颗）
  • 市场份额：占中国AI芯片市场60%

生态建设：

  • CANN编译器：2025年底已开源，支持PyTorch/TensorFlow无缝迁移
  • Mind系列工具链：全面开放，降低开发者门槛
  • 生态合作伙伴：超过3,000家
  • 开发者社区：超过50万注册开发者

二、百度昆仑芯：M100推理专用，天池超节点落地​

2.1 昆仑芯M100（2026年初发布）​

核心规格：

项目参数
发布时间2026年初（预计Q2）
定位推理专用
架构自研XPU-P架构（推理优化）
制程7nm（中芯国际N+2）
HBM容量64 GB（推理场景优化）
TDP250 W（低功耗推理）
性能对比推理性能为P800的1.5倍，功耗降低38%

技术创新：

  • 采用RISC-V开源指令集架构，新增50余条AI专用指令
  • 单位功耗算力达8.3 TOPS/W，为行业平均水平的2.1倍
  • 支持10亿到1,000亿参数规模模型推理

商业化进展：

  • 2026年Q2开启大规模供货
  • 主要客户：百度智能云、招商银行、南方电网、吉利汽车
  • 定价约6万元/卡，性价比优势明显

2.2 昆仑芯M300（2027年初发布）​

核心规格：

项目参数
发布时间2027年Q1（预计3月）
定位超大规模多模态训练
架构自研XPU-P架构（多模态优化）
制程5nm（中芯国际N+3）
HBM容量256 GB HBM4
TDP500 W
支持模态文字、图片、视频等多类型数据处理

技术创新：

  • 采用HBM4内存，带宽达3.2 TB/s
  • 支持FP8/FP4低精度计算，训练能效比提升2倍
  • 原生支持多模态模型训练（文字+图片+视频）

2.3 天池256卡超节点（2026年6月发布）​

系统规格：

项目配置
发布时间2026年6月（预计）
芯片数量256颗昆仑芯P800/M100
集群有效训练率97%
卡间互联带宽1.2 TB/s
验证模型百度文心5.1等重要大模型

性能突破：

  • 全国产超节点，从芯片到网络全栈自主可控
  • 有效训练率达97%，超越NVIDIA DGX SuperPOD的95%
  • 已完成百度文心5.1等重要大模型的训练验证

2.4 商业化进展​

出货数据：

  • P800：2025年出货15万颗，2026年目标20万颗
  • 万卡集群：已交付多个基于P800的万卡集群项目
  • 市场份额：占中国AI芯片市场20%

客户覆盖：

  • 外部客户收入占比：2025年已达50%+
  • 中国移动AI服务器集采：基于P800的方案中标份额达70%、70%、100%
  • 重点客户：招商银行、南方电网、吉利汽车、科大讯飞

IPO进展：

  • 2026年5月正式启动科创板IPO辅导
  • 计划采用**"A+H"模式**在A股和港股同时上市
  • 估值超百亿元

三、阿里平头哥：M890性能提升3倍，真武系列出货56万片​

3.1 平头哥M890（2026年Q2发布）​

核心规格：

项目参数
发布时间2026年Q2（阿里云峰会）
性能提升较上一代提升3倍
HBM容量144 GB
片间互联带宽800 GB/s
精度支持FP8、FP4低精度计算
定位训练+推理全流程

技术创新：

  • 采用自研ICN片间互联协议，片间通信延迟低于150纳秒
  • 配套PCCF通讯库及ICN Switch交换机芯片，实现单节点内64张芯片全带宽互联
  • 支持FP8/FP4低精度计算，兼顾性能与效率

3.2 平头哥V900（2027年Q3发布）​

核心规格：

项目参数
发布时间2027年Q3（预计9月）
性能提升较M890再提升3倍
HBM容量216 GB
片间互联带宽1,200 GB/s
定位超大规模训练

3.3 平头哥G900（2028年Q3发布）​

核心规格：

项目参数
发布时间2028年Q3（预计9月）
定位面向下一代算力需求旗舰产品
技术创新支持万亿参数模型全流程训练

3.4 真武系列芯片商业化进展​

出货数据：

  • 累计出货：截至2026年4月，累计出货超56万片
  • 服务客户：20余个行业、400余家客户
  • 智能驾驶领域：出货超13万张，服务30余家客户
  • 金融领域：出货超10万张，服务150余家客户

性能优势：

  • 同等精度下，真武系列芯片单机推理性能较同类产品平均高50%+
  • 磐久服务器超节点架构，可支持万亿参数大模型单节点运行

全栈产品线：

  • 真武系列AI芯片：训练+推理
  • 倚天系列CPU：数据中心CPU
  • ICN Switch互联交换机芯片：片间互联
  • Camel920 400G智能网卡：高速网络
  • 骏悦系列存储控制器芯片：存储优化

四、其他国产芯片厂商新进展​

4.1 寒武纪MLU590（2026年Q1发布）​

核心规格：

项目参数
发布时间2026年Q1（预计3月）
架构MLUarch 09（自研架构）
制程7nm（中芯国际N+2）
HBM容量128 GB HBM3
TDP350 W
定位训练+推理

技术创新：

  • 采用MLUarch 09架构，算力较MLU590提升2倍
  • 支持FP8/FP4低精度计算，推理能效比提升2.5倍
  • 原生支持MoE架构，稀疏模型推理效率提升3倍

商业化进展：

  • 2026年Q1已开启样品交付
  • 主要客户：中国政府、国企、科研院所
  • 已实现DeepSeek-V3 671B的Day-0适配

4.2 沐曦曦云C600（2026年Q2发布）​

核心规格：

项目参数
发布时间2026年Q2（预计6月）
架构MXMACA 3.0（兼容CUDA）
制程7nm（中芯国际N+2）
HBM容量128 GB HBM3
TDP350 W
定位训练+推理

技术创新：

  • 采用MXMACA 3.0架构，兼容CUDA，迁移成本低
  • 支持FP8/FP4低精度计算，训练能效比提升2倍
  • 全国产供应链，从芯片到封装全部自主可控

商业化进展：

  • 2026年Q2已开启样品交付
  • 主要客户：中国政府、国企、科研院所
  • 已实现LLaMA、ChatGLM、Baichuan等模型的适配

4.3 燧原S60（2026年Q3发布）​

核心规格：

项目参数
发布时间2026年Q3（预计9月）
架构GCU 3.0（自研架构）
制程7nm（中芯国际N+2）
HBM容量96 GB HBM3
TDP300 W
定位推理专用

技术创新：

  • 采用GCU 3.0架构，推理性能较S30提升2.5倍
  • 支持FP8低精度计算，推理能效比提升3倍
  • 硬件级虚拟化，单卡可拆分为64个虚拟实例

商业化进展：

  • 2026年Q3已开启样品交付
  • 主要客户：腾讯云、中国电信、中国联通
  • 定价约5万元/卡，性价比优势明显

4.4 瀚博VA10（2026年Q4发布）​

核心规格：

项目参数
发布时间2026年Q4（预计12月）
架构HVMA 2.0（自研架构）
制程7nm（中芯国际N+2）
HBM容量64 GB HBM3
TDP250 W
定位视频处理+AI推理

技术创新：

  • 采用HVMA 2.0架构，视频处理性能较VA10提升3倍
  • 支持8K视频实时处理，视频AI推理性能提升2倍
  • 硬件级视频编解码，支持H.264/H.265/AV1

商业化进展：

  • 2026年Q4已开启样品交付
  • 主要客户：字节跳动、快手、B站
  • 定价约4万元/卡，性价比优势明显

4.5 海光DCU K100（2026年Q2发布）​

核心规格：

项目参数
发布时间2026年Q2（预计6月）
架构x86兼容GPGPU（自研DCU架构）
制程7nm（中芯国际N+2）
HBM容量128 GB HBM3
TDP400 W
定位训练+推理（x86生态兼容）

技术创新：

  • 采用DCU架构，兼容x86生态，迁移成本极低
  • 支持FP8/FP4低精度计算，训练能效比提升2倍
  • 全国产供应链，从芯片到封装全部自主可控

商业化进展：

  • 2026年Q2已开启样品交付
  • 主要客户：中国政府、国企、科研院所
  • 已实现DeepSeek-V3 671B的适配

五、2026年国产AI芯片市场格局​

5.1 市场份额（2026年）​

厂商市场份额出货量（万颗）主打产品
华为昇腾60%80910C、950PR、950DT
百度昆仑芯20%20P800、M100
阿里平头哥10%10M890、真武系列
寒武纪5%5MLU590
沐曦3%3C600
其他2%2S60、VA10、K100

5.2 技术路线对比​

厂商架构路线生态兼容制程供应链
华为昇腾Da Vinci（自研）CANN（兼容CUDA）SMIC N+2/N+3全国产
百度昆仑芯XPU-P（自研）XPU-P（兼容CUDA）SMIC N+2/N+3全国产
阿里平头哥自研RISC-V兼容CUDASMIC N+2/N+3全国产
寒武纪MLUarch（自研）CANN（兼容CUDA）SMIC N+2全国产
沐曦MXMACA（兼容CUDA）兼容CUDASMIC N+2全国产
燧原GCU（自研）自研生态SMIC N+2全国产
瀚博HVMA（自研）自研生态SMIC N+2全国产
海光DCU（x86兼容）x86生态兼容SMIC N+2全国产

5.3 供应链安全对比​

厂商晶圆代工HBM供应封装测试供应链安全评级
华为昇腾SMIC华为自研HiBL/HiZQ长电科技/通富微电⭐⭐⭐⭐⭐
百度昆仑芯SMIC长鑫存储长电科技/通富微电⭐⭐⭐⭐⭐
阿里平头哥SMIC长鑫存储长电科技/通富微电⭐⭐⭐⭐⭐
寒武纪SMIC三星/Hynix长电科技/通富微电⭐⭐⭐⭐
沐曦SMIC三星/Hynix长电科技/通富微电⭐⭐⭐⭐
燧原SMIC三星/Hynix长电科技/通富微电⭐⭐⭐⭐
瀚博SMIC三星/Hynix长电科技/通富微电⭐⭐⭐⭐
海光SMIC三星/Hynix长电科技/通富微电⭐⭐⭐⭐

六、2026年国产AI芯片技术突破​

6.1 制程工艺突破​

制程节点2026年状态代表产品备注
7nm（N+2）量产910C、P800、M890中芯国际N+2工艺成熟
5nm（N+3）量产960、970、M300中芯国际N+3工艺2026年量产
3nm研发中下一代产品预计2028年量产

6.2 封装技术突破​

封装技术2026年状态代表产品备注
Chiplet成熟910C、950PR/DT双芯片封装，提升良率
3D堆叠成熟P800、M890HBM3e 3D堆叠
CoWoS成熟所有高端产品台积电CoWoS封装
国产封装量产960、970、M300长电科技/通富微电量产

6.3 内存技术突破​

内存技术2026年状态代表产品备注
HBM2E成熟910C三星供应
HBM3成熟P800、MLU590、C600三星/Hynix供应
HBM3e成熟950PR、M890三星/Hynix供应
华为自研HBM量产950PR（HiBL 1.0）、950DT（HiZQ 2.0）华为自研，降低成本
HBM4研发中M300（2027年）预计2027年量产

6.4 互联技术突破​

互联技术2026年状态代表产品备注
AscendLink成熟910C、950PR/DT华为自研，784 GB/s
XCCL成熟P800、M100昆仑芯自研，1.2 TB/s
ICN成熟M890、V900阿里自研，800 GB/s
国产光模块量产所有超节点6,912个LPO光模块

七、2026年国产AI芯片生态建设​

7.1 软件生态对比​

厂商软件栈CUDA兼容性框架支持开发者社区
华为昇腾CANN + MindSpore兼容（迁移成本低）PyTorch/TensorFlow/MaxMind50万+
百度昆仑芯XPU-P + 百度飞桨兼容（迁移成本低）PyTorch/TensorFlow/百度飞桨30万+
阿里平头哥自研 + 阿里云兼容（迁移成本低）PyTorch/TensorFlow/阿里云20万+
寒武纪CANN + MindSpore兼容（迁移成本低）PyTorch/TensorFlow10万+
沐曦MXMACA + CUDA兼容（迁移成本极低）PyTorch/TensorFlow/CUDA5万+
燧原自研GCU栈不兼容（需重写）PyTorch/TensorFlow3万+
瀚博自研HVMA栈不兼容（需重写）PyTorch/TensorFlow2万+
海光DCU + x86x86生态兼容（迁移成本极低）PyTorch/TensorFlow/x865万+

7.2 开发者社区建设​

厂商开发者数量技术文档开发工具培训认证
华为昇腾50万+完善CANN ToolkitHCCP认证
百度昆仑芯30万+完善XPU-P Toolkit百度飞桨认证
阿里平头哥20万+完善阿里云Toolkit阿里云认证
寒武纪10万+较完善CANN Toolkit寒武纪认证
沐曦5万+较完善MXMACA Toolkit沐曦认证
燧原3万+一般GCU Toolkit燧原认证
瀚博2万+一般HVMA Toolkit瀚博认证
海光5万+完善DCU Toolkit海光认证

7.3 大模型适配能力​

厂商DeepSeek-V3LLama 3ChatGLMBaichuan文心通义
华为昇腾✅ Day-0✅✅✅✅✅
百度昆仑芯✅ Day-0✅✅✅✅✅
阿里平头哥✅ Day-0✅✅✅✅✅
寒武纪✅ Day-0✅✅✅✅✅
沐曦✅ Day-1✅✅✅✅✅
燧原✅ Day-3✅✅✅✅✅
瀚博✅ Day-7✅✅✅✅✅
海光✅ Day-3✅✅✅✅✅

八、2026年国产AI芯片市场趋势​

8.1 市场驱动因素​

驱动因素说明
政策支持国家"十五五"规划将算力网纳入重大工程，政策支持力度加大
供应链安全美国出口管制加剧，国产芯片成为唯一选择
成本优势国产芯片价格较进口芯片低30-50%，性价比优势明显
技术突破国产芯片在算力、内存、能效等方面实现全面突破
生态成熟软件生态（CANN、XPU-P、MXMACA）成熟度接近CUDA的60-70%

8.2 市场挑战​

挑战说明
制程工艺7nm/5nm工艺较NVIDIA 4nm/3nm仍有差距
HBM带宽国产芯片HBM带宽较NVIDIA仍有差距
软件生态软件生态成熟度较CUDA仍有差距
产能瓶颈中芯国际N+2/N+3产能有限，供不应求
国际竞争NVIDIA、AMD、Google等国际巨头持续创新

8.3 市场预测（2026-2030）​

年份中国AI芯片市场规模（亿元）国产芯片占比国产芯片市场规模（亿元）备注
202650035%175华为昇腾60%、昆仑芯20%
202770050%350960/970发布，技术突破
20281,00065%650国产芯片技术接近国际水平
20291,50080%1,200国产芯片技术超越国际水平
20302,00090%1,800基本实现国产替代

九、总结与展望​

9.1 核心结论​

  1. 2026年国产AI芯片进入全面爆发期，华为昇腾、百度昆仑芯、阿里平头哥三大巨头相继发布新一代产品
  2. 技术突破显著，在算力、内存、能效、系统扩展等方面实现全面突破
  3. 供应链安全可控，从晶圆代工到封装测试全部自主可控
  4. 生态建设加速，软件生态成熟度接近CUDA的60-70%
  5. 市场份额持续提升，2026年国产芯片占中国AI芯片市场35%，预计2030年达90%

9.2 未来展望​

短期（2026-2027）：

  • 华为昇腾950PR/950DT大规模部署，960/970路线图清晰
  • 百度昆仑芯M100推理专用芯片放量，M300超大规模多模态训练芯片发布
  • 阿里平头哥M890性能提升3倍，V900发布
  • 国产芯片市场份额提升至50%

中期（2028-2029）：

  • 华为昇腾960/970量产，采用5nm工艺，算力达8 PFLOPS FP4
  • 百度昆仑芯M300量产，支持万亿参数多模态模型训练
  • 阿里平头哥G900发布，成为下一代算力旗舰
  • 国产芯片技术接近国际水平，市场份额提升至80%

长期（2030+）：

  • 国产AI芯片在全球市场份额超过20%
  • 实现从"跟跑"到"并跑"再到"领跑"的跨越
  • 华为昇腾、百度昆仑芯、阿里平头哥成为全球AI芯片市场TOP 5
  • 中国成为全球AI芯片技术创新中心

参考资料​

  1. 国产AI芯片"三强"并起：国产替代趋势已从政策驱动转向市场驱动 - 搜狐：https://www.sohu.com/a/1028744474_121948416
  2. 国产AI芯片2026全景：华为昇腾与寒武纪竞速 - ZPEDU：https://www.zpedu.com/it/ai/36958.html
  3. 华为公布昇腾AI芯片三年发展路线图 - 界面新闻：https://www.jiemian.com/article/13367924.html
  4. 昇腾950PR芯片 - 百度百科：https://baike.baidu.com/item/%E6%98%87%E8%85%BE950PR%E8%8A%AF%E7%89%87/66772899
  5. 昇腾950芯片 - 百度百科：https://baike.baidu.com/item/%E6%98%87%E8%85%BE950%E8%8A%AF%E7%89%87/66775346
  6. 昆仑芯P800：新一代AI加速芯片的技术突破与应用展望 - 云TECH：https://www.yunthe.com/news/834284.html
  7. 昆仑芯P800最新参数：P800单精度算力达345 TFLOPS - 雪球：https://xueqiu.com/6681253486/348592353

本文完

最后更新：2026年6月10日