跳到主要内容

2 篇博文 含有标签「寒武纪」

寒武纪 MLU 系列 AI 训练芯片

查看所有标签

国产 AI 芯片三巨头对比（2026）：昇腾、寒武纪、摩尔线程，谁是中国版 H100？

· 阅读需 8 分钟
Charles Qing
AI Hardware Analyst

在美国对华芯片出口管制背景下，中国 AI 芯片市场正在形成"三足鼎立"格局。本文将深度对比华为昇腾、寒武纪 MLU、摩尔线程 MTT 三大国产 AI 芯片厂商的技术路线、产品规格、软件生态和商用进展。

核心要点​

  • 华为昇腾：国产 AI 训练芯片领导者，昇腾 950 已量产，软件生态最成熟
  • 寒武纪 MLU690："中国版 H100"，算力接近 H200，能效比优势明显
  • 摩尔线程 MTT S5000：全功能 GPU 路线，2026 年 6 月实现对 Qwen3.5、GLM-5.2 的 Day-0 适配
  • 共同挑战：受美国出口管制影响，主要面向中国市场，国际市场受限

一、厂商概览​

厂商成立创始人上市2025 营收主要客户
华为昇腾2018（部门）任正非未上市（华为全资）~¥20B（估算）中国政府、国企、军工
寒武纪2016陈天石（中科院）2020-07（科创板 688256）~¥5.2B字节跳动、阿里、百度
摩尔线程2020张建中（原 NVIDIA 中国）2023-12（科创板 688495）~¥1.5B（估算）政府、国企、游戏公司

战略定位差异​

厂商技术路线核心优势主要挑战
华为昇腾AI 训练专用（Da Vinci 架构）软硬件协同优化、运营商渠道受美国制裁，制程受限
寒武纪AI 训练专用（MLUarch 架构）能效比高、价格有竞争力软件生态成熟度不足
摩尔线程全功能 GPU（MUSA 架构）图形 + AI 通用计算、Day-0 适配算力不及专用 AI 芯片

二、旗舰产品对比​

1. 华为昇腾 950DT（2026 年旗舰）​

项目参数
BF16 算力1,000 TFLOPS
显存144GB HiZQ 2.0（自研 HBM）
显存带宽4 TB/s
TDP400W
制程N+2（7nm 改进版）
发布2026-04
量产2026-Q2
单价~¥80,000（估算）

关键优势：

  • ✅ 大模型推理吞吐量高：128GB 大显存，对 DeepSeek R1（671B MoE）友好
  • ✅ 软件生态最成熟：CANN 算子覆盖率 ~85%，支持 PyTorch、TensorFlow
  • ✅ 运营商渠道强：中国移动、中国电信大规模采购

关键劣势：

  • ❌ 制程受限：N+2 性能不及 TSMC 4nm
  • ❌ 能效比一般：400W TDP，能效比 2.5 TFLOPS/W

2. 寒武纪 MLU690（2026 年旗舰）​

项目参数
BF16 算力600 TFLOPS
显存64GB HBM3
显存带宽2 TB/s
TDP280W
制程TSMC 7nm
发布2025-Q4
量产2026-Q1
单价~¥140,000（估算）

关键优势：

  • ✅ 能效比最高：280W TDP，能效比 2.14 TFLOPS/W（H100 的 1.5 倍）
  • ✅ 价格有竞争力：~$20,000，比 H100 便宜 33%
  • ✅ 已获得头部客户订单：字节跳动、阿里、百度

关键劣势：

  • ❌ 显存容量小：64GB 限制大模型训练规模
  • ❌ 软件生态不成熟：NeuWare 算子覆盖率 ~75-85%，复杂 LLM 需要手工优化

3. 摩尔线程 MTT S5000（2025 年旗舰）​

项目参数
FP16 算力~1,000 TFLOPS（推测）
显存80GB GDDR6X
显存带宽1.6 TB/s
TDP~350W
制程TSMC 4nm（推测）
发布2025-02
量产2025-Q2
单价~¥50,000（估算）

关键优势：

  • ✅ 全功能 GPU：图形 + AI + 通用计算，应用场景更广
  • ✅ Day-0 适配能力强：2026 年 6 月实现对 Qwen3.5、GLM-5.2、MiniMax M3 的 Day-0 适配
  • ✅ 价格最低：~¥50,000，性价比高

关键劣势：

  • ❌ 算力不及专用 AI 芯片：FP16 算力约为 H100 的 50%
  • ❌ 显存带宽低：1.6 TB/s（H100 的 48%），限制大模型训练性能

三、算力对比（BF16/FP16）​

芯片BF16 算力显存显存带宽TDP能效比
华为昇腾 950DT1,000 TFLOPS144GB4 TB/s400W2.5 TFLOPS/W
寒武纪 MLU690600 TFLOPS64GB2 TB/s280W2.14 TFLOPS/W
摩尔线程 MTT S5000~1,000 TFLOPS80GB1.6 TB/s~350W~2.86 TFLOPS/W
NVIDIA H100989 TFLOPS80GB3.35 TB/s700W1.41 TFLOPS/W
NVIDIA H200989 TFLOPS141GB4.8 TB/s700W1.41 TFLOPS/W

关键洞察：

  1. 华为昇腾 950DT 算力最高（1,000 TFLOPS），但能效比一般
  2. 寒武纪 MLU690 能效比最高（2.14 TFLOPS/W），TDP 仅 280W
  3. 摩尔线程 MTT S5000 全功能优势，但显存带宽低

四、软件生态对比​

厂商软件栈框架支持算子覆盖率成熟度
华为昇腾CANNPyTorch, TensorFlow, MindSpore~85%⭐⭐⭐⭐ (4/5)
寒武纪NeuWarePyTorch-Cambricon, TensorFlow-Cambricon~75-85%⭐⭐⭐ (3/5)
摩尔线程MUSIFYPyTorch, TensorFlow, ONNX~70%⭐⭐⭐ (3/5)
NVIDIACUDA全支持~99%⭐⭐⭐⭐⭐ (5/5)

软件生态成熟度评估​

华为昇腾 CANN：

  • ✅ 优势：算子覆盖率最高，支持 MindSpore（自研框架）
  • ❌ 劣势：学习曲线陡峭，文档不完整

寒武纪 NeuWare：

  • ✅ 优势：兼容 PyTorch、TensorFlow，迁移成本低
  • ❌ 劣势：复杂 LLM 模型需要手工优化

摩尔线程 MUSIFY：

  • ✅ 优势：Day-0 适配能力强，支持 ONNX
  • ❌ 劣势：算子覆盖率最低，图形 + AI 双引擎复杂度高

五、商用进展对比​

厂商2026 年商用进展主要客户出货量
华为昇腾昇腾 950 量产，中国移动大规模采购中国移动、中国电信、政府~100K 片/年（估算）
寒武纪MLU690 量产，字节跳动、阿里采购字节跳动、阿里、百度~50K 片/年（估算）
摩尔线程MTT S5000 量产，Day-0 适配 Qwen3.5政府、国企、游戏公司~30K 片/年（估算）

2026 年 6 月最新动态​

华为昇腾：

  • ✅ 昇腾 950DT 全面放量
  • ✅ 与中国移动签署 10 亿元采购协议

寒武纪：

  • ✅ MLU690 量产出货
  • ✅ 字节跳动采购 ~20K 片

摩尔线程：

  • ✅ 完成对 Qwen3.5、GLM-5.2、MiniMax M3 的 Day-0 适配
  • ✅ MTT S5000 第二代发布

六、选型建议​

场景 1：万亿参数训练（GPT-4 级）​

推荐：华为昇腾 950DT

理由：

  • ✅ 144GB 大显存，支持超大规模模型训练
  • ✅ 软件生态最成熟，算子覆盖率 ~85%
  • ✅ 运营商渠道强，获中国政府支持

备选：寒武纪 MLU690（能效比高，但显存容量小）

场景 2：百亿-千亿参数训练​

推荐：寒武纪 MLU690

理由：

  • ✅ 能效比最高（2.14 TFLOPS/W），TCO 低
  • ✅ 价格有竞争力（~$20,000）
  • ✅ 已获得头部客户（字节、阿里）验证

备选：华为昇腾 920（算力更强，但能效比一般）

场景 3：AI 推理（云端）​

推荐：华为昇腾 950PR（推理专用）

理由：

  • ✅ 推理性能优化好，实际吞吐量高
  • ✅ 128GB 大显存，对 MoE 模型友好
  • ✅ 软件栈成熟，部署成本低

备选：摩尔线程 MTT S5000（全功能 GPU，推理 + 图形）

场景 4：边缘 AI / 端侧推理​

推荐：摩尔线程 MTT S5000

理由：

  • ✅ 全功能 GPU，支持图形 + AI
  • ✅ 价格最低（~¥50,000）
  • ✅ Day-0 适配能力强

备选：华为昇腾 310（低功耗，8W TDP）

场景 5：国产化替代项目（政府、国企）​

推荐：华为昇腾 950DT

理由：

  • ✅ 中国政府首选，运营商大规模采购
  • ✅ 软硬件协同优化，性能稳定
  • ✅ 获得国家大基金支持

备选：寒武纪 MLU690（能效比高，价格有竞争力）

七、未来路线图​

厂商2026 H220272028
华为昇腾950DT 放量960（FP8 ~2 PFLOPS）970（N+3 制程）
寒武纪MLU690 放量MLU790（5nm，BF16 ~1,000 TFLOPS）MLU890（3nm）
摩尔线程MTT S5000 第二代MTT S6000（HBM3，FP16 ~1,500 TFLOPS）MTT S7000

八、总结：谁是中国版 H100？​

维度华为昇腾 950DT寒武纪 MLU690摩尔线程 MTT S5000
算力⭐⭐⭐⭐⭐ (5/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)
显存⭐⭐⭐⭐⭐ (5/5)⭐⭐ (2/5)⭐⭐⭐ (3/5)
能效比⭐⭐⭐ (3/5)⭐⭐⭐⭐⭐ (5/5)⭐⭐⭐⭐ (4/5)
软件生态⭐⭐⭐⭐ (4/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)
价格⭐⭐⭐ (3/5)⭐⭐⭐⭐ (4/5)⭐⭐⭐⭐⭐ (5/5)
综合能力⭐⭐⭐⭐ (4/5)⭐⭐⭐ (3/5)⭐⭐⭐ (3/5)

最终结论：

  • 华为昇腾 950DT 是最接近 H100 的国产 AI 训练芯片，综合能力最强
  • 寒武纪 MLU690 是能效比最高的国产 AI 芯片，TCO 最低
  • 摩尔线程 MTT S5000 是最便宜的全功能 GPU，适合边缘 AI 和图形 + AI 场景

参考资料​

声明：本文数据基于公开资料整理，实际规格以厂商官方为准。MirrorFrog 持续更新国产 AI 芯片数据，欢迎提交修正。

更新日志：

  • 2026-06-23：初始版本发布

寒武纪 MLU690 vs NVIDIA H100 深度对比：国产 AI 芯片能否替代 H100？

· 阅读需 6 分钟
Charles Qing
AI Hardware Analyst

2026 年，在美国对华芯片出口管制背景下，寒武纪 MLU690 作为"中国版 H100"备受关注。本文从算力、显存、功耗、软件生态、实测性能、价格等维度深度对比，帮助您做出选型决策。

核心结论（先看这里）​

维度MLU690H100胜者差距
BF16 算力600 TFLOPS989 TFLOPSH100+65%
显存容量64GB HBM380GB HBM3H100+25%
显存带宽2 TB/s3.35 TB/sH100+68%
TDP280W700WMLU690-60%
能效比2.14 TFLOPS/W1.41 TFLOPS/WMLU690+52%
软件生态NeuWare（75% 覆盖率）CUDA（100% 覆盖率）H100差距大
价格~¥140,000~¥200,000MLU690-30%
供货国内现货受管制MLU690✅

一句话总结：MLU690 算力约为 H100 的 60%，但功耗仅 40%，价格仅 70%，适合中国市场 AI 训练和推理。

1. 规格对比（详细）​

1.1 算力对比​

精度MLU690H100 SXM5H200 SXM5说明
FP8~300 TFLOPS（推测）3,958 TFLOPS3,958 TFLOPSH100 支持 FP8，MLU690 可能不支持
BF16/FP16600 TFLOPS989 TFLOPS989 TFLOPSH100 领先 65%
FP32~150 TFLOPS（推测）60 TFLOPS60 TFLOPSMLU690 推测值，H100 实际更高
INT81,200 TOPS1,979 TOPS1,979 TOPSH100 领先 65%

关键发现：

  • ✅ MLU690 在 BF16 精度下达到 H100 的 60% 算力
  • ⚠️ H100 支持 FP8（4 位），MLU690 可能不支持（需要确认）
  • ⚠️ H100 的 INT8 算力更高，适合推理场景

1.2 显存对比​

项目MLU690H100H200说明
容量64GB HBM380GB HBM3141GB HBM3eH200 容量最大
带宽2 TB/s3.35 TB/s4.8 TB/sH200 带宽最高
类型HBM3HBM3HBM3eH200 使用最新 HBM3e

关键发现：

  • ⚠️ MLU690 显存容量比 H100 少 20%（64GB vs 80GB）
  • ⚠️ MLU690 显存带宽比 H100 低 40%（2 TB/s vs 3.35 TB/s）
  • ❌ 运行 70B+ 参数模型时，MLU690 可能显存不足（需要模型并行）

1.3 功耗对比​

项目MLU690H100H200
TDP280W700W700W
能效比（FP16/W）2.14 TFLOPS/W1.41 TFLOPS/W1.41 TFLOPS/W
8 卡服务器功耗~3.5kW~6kW~6kW
年电费（¥0.6/kWh）~¥18,400~¥36,800~¥36,800

关键发现：

  • ✅ MLU690 功耗仅 H100 的 40%，数据中心电力成本大幅降低
  • ✅ MLU690 能效比领先 52%，更适合大规模部署
  • ✅ 对于推理场景（功耗敏感），MLU690 优势明显

2. 软件生态对比​

2.1 框架支持​

框架MLU690（NeuWare）H100（CUDA）说明
PyTorch✅ 支持（PyTorch-Cambricon）✅ 原生支持MLU690 需要额外安装插件
TensorFlow✅ 支持（TensorFlow-Cambricon）✅ 原生支持同上
JAX⚠️ 部分支持✅ 原生支持MLU690 支持有限
ONNX⚠️ 部分支持✅ 原生支持同上
vLLM⚠️ 适配中✅ 原生支持MLU690 需要等待社区适配

2.2 算子覆盖率​

类别MLU690H100说明
基础算子✅ 95%✅ 100%卷积、矩阵乘法等
Transformer 算子✅ 85%✅ 100%Attention、LayerNorm 等
自定义算子⚠️ 需要手写✅ CUDA C++MLU690 开发难度大
LLM 推理优化⚠️ 基础支持✅ 完善（FlashAttention、PagedAttention）H100 领先

关键发现：

  • ⚠️ NeuWare 生态仅 5-6 年发展，算子覆盖率约 75-85%
  • ❌ 复杂 LLM 模型（如 GPT-4、Claude）可能需要手工优化
  • ✅ 常见模型（Llama、Qwen、GLM）已基本适配

3. 实测性能对比​

3.1 训练性能​

模型MLU690（训练时间）H100（训练时间）加速比
Llama 7B~48 小时（推测）~30 小时1.6x
Llama 70B~7 天（推测）~4.5 天1.6x
Qwen 72B~8 天（推测）~5 天1.6x

注意：以上数据为推测，实际性能取决于软件优化程度。

3.2 推理性能​

模型MLU690（tok/s）H100（tok/s）说明
Llama 7B~80 tok/s（推测）~120 tok/sH100 领先 50%
Llama 70B~20 tok/s（推测）~35 tok/sH100 领先 75%
Qwen 72B~18 tok/s（推测）~30 tok/sH100 领先 67%

关键发现：

  • ⚠️ H100 推理性能领先 50-75%
  • ✅ 但 MLU690 功耗仅 40%，能效比更高
  • ✅ 对于成本敏感的推理场景，MLU690 更划算

4. 价格对比​

4.1 硬件采购成本​

项目MLU690H100H200
单卡价格（国内）~¥140,000~¥200,000~¥300,000
8 卡服务器（含整机）~¥1,200,000~¥1,800,000~¥2,600,000
成本差-+50%+117%

4.2 TCO（3 年）​

项目MLU690H100说明
硬件采购¥1,200,000¥1,800,000MLU690 便宜 33%
电费（3 年）¥55,200¥110,400MLU690 便宜 50%
机房成本¥150,000¥250,000MLU690 便宜 40%
TCO（3 年）¥1,405,200¥2,160,400MLU690 便宜 35%

关键发现：

  • ✅ MLU690 的 TCO 比 H100 低 35%
  • ✅ 对于大规模部署（100+ 卡），成本优势明显

5. 选型建议​

5.1 选 MLU690，如果...​

  • ✅ 您的业务主要在中国市场
  • ✅ 您受美国出口管制影响，无法采购 H100/H200
  • ✅ 您对功耗敏感（边缘数据中心、电力成本高的地区）
  • ✅ 您的模型是常见架构（Llama、Qwen、GLM）
  • ✅ 您有国产化替代需求（政府、国企、军工）

5.2 选 H100/H200，如果...​

  • ✅ 您的业务在全球市场
  • ✅ 您需要训练顶级前沿模型（GPT-4 级）
  • ✅ 您的模型使用复杂算子（需要 CUDA 生态）
  • ✅ 您对性能要求极高（低延迟推理）
  • ✅ 您可以合法采购 H100/H200

5.3 混合部署（推荐）​

场景推荐方案
训练H100（高性能） + MLU690（低成本扩充）
推理MLU690（成本敏感） + H100（低延迟）
国产化项目全部 MLU690
国际市场全部 H100/H200

6. 未来展望​

6.1 MLU690 的不足​

  • ⚠️ 软件生态不成熟：算子覆盖率 75-85%，复杂模型需要手工优化
  • ⚠️ 显存容量小：64GB 限制了对 70B+ 参数模型的支持
  • ⚠️ 互联性能弱：Cambricon Link 带宽低于 NVLink
  • ⚠️ 国际市场受限：受美国出口管制影响

6.2 MLU690 的改进方向​

  • 📅 MLU790（2027 年）：预计 5nm 制程，算力提升 2x
  • 📅 显存升级：下一代可能支持 HBM3e，容量提升至 128GB
  • 📅 软件优化：NeuWare 生态持续改进，算子覆盖率目标 95%

7. 总结​

维度MLU690H100推荐场景
算力⭐⭐⭐⭐⭐⭐⭐⭐⭐H100 适合顶级训练
显存⭐⭐⭐⭐⭐⭐⭐H100 适合大模型
功耗⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合推理
生态⭐⭐⭐⭐⭐⭐⭐⭐H100 适合复杂模型
价格⭐⭐⭐⭐⭐⭐⭐⭐MLU690 适合大规模部署
国产化⭐⭐⭐⭐⭐❌MLU690 适合中国市场

最终建议：

  • 🇨🇳 中国市场：优先选择 MLU690（国产化 + 低成本）
  • 🌍 国际市场：优先选择 H100/H200（性能 + 生态）
  • 💡 混合部署：训练用 H100，推理用 MLU690

参考资料​

声明：本文数据基于公开资料和合理估算，实际性能以厂商官方测试为准。MLU690 的软件生态在快速发展中，建议持续关注 NeuWare 更新。

最后更新：2026-06-23