“自研芯片真能帮云厂商敲开英伟达的铜墙铁壁。大数据产业创新服务媒体——聚焦数据·改变商业英伟达的GPU有多难买、多贵搞AI的人心里都有数。H100一卡难求Blackwell还没捂热就被抢光。全球云厂商一边排着队给英伟达送钱一边闷头在自家实验室里搞另一套方案——自研芯片。这不是什么营销噱头。这是一场从“省点钱”到“自己说了算”的漫长博弈。走到今天云厂商的芯片到底干到哪一步了算力饥荒与造芯自救三大驱动力云厂商为什么非要自己造芯片最直接的原因就是太贵了。自研芯片在推理场景下总拥有成本能降30%到50%。谷歌就是个典型。2013年首席架构师Jeff Dean算了一笔账如果每个Android用户每天对着手机说三分钟话用CPU跑语音识别谷歌得把数据中心规模翻一倍。这笔账把他吓着了于是TPU项目上马。15个月后第一代TPU就进了数据中心。第二个原因是供应链安全。高端GPU产能有限还受出口管制云厂商必须给自己留后路。国内的情况最典型英伟达在中国的数据中心份额从95%的高点一路往下掉华为们趁机起来了。更深层的是技术护城河。软硬一体优化为自己的AI、数据库、视频转码定制算力这事做成了就是竞争壁垒。腾讯的“沧海”转码芯片、阿里的“倚天710”CPU都是这个思路。第三方机构预测云厂商自研芯片的年复合增长率正在快速攀升。谷歌、AWS、微软的芯片三国杀谁跑在了前面海外三巨头的路子各不相同。谷歌TPU出货最大外部商业化最快AWS Trainium已经长成几十亿美金的生意客户版图扩张最猛微软起步最晚Maia量产一波三折倒是Cobalt CPU走得还算稳。谷歌TPU出货量最大生态闭环最完整TPU的故事始于2013年那场算力危机。此后十年谷歌闷头迭代了八代。v5代开始搞“双轨并行”v5e打性价比v5p主打训练。2025年底发布的第七代Ironwood是谷歌第一款面向推理时代设计的主力芯片FP8算力4.6 PetaFLOPS比英伟达B200的4.5还高一点单颗性能是v5p的10倍。单个超级Pod集成9216颗芯片算力42.5 ExaFLOPS。内部用的话单颗TCO比GB200低约44%。2026年4月谷歌发布了第八代TPU首次将训练和推理拆分为两款独立芯片。训练款TPU 8tSunfish用台积电2nm博通设计FP4算力12.6 PFLOPs单个Pod 9600颗芯片总性能121 ExaFLOPS预计2027年底量产。推理款TPU 8iZebrafish首次跟联发科合作片上SRAM是Ironwood的三倍通信延迟降低5倍。两款都搭载谷歌自研的Axion CPU支持PyTorch原生迁移。出货量方面有非官方的市场分析预测2026年TPU出货量约为150万–300万颗乐观情形下或可达400万–500万颗。这背后不只是谷歌自用Anthropic签了上百亿美元的协议承诺用100万颗TPUMeta签了数十亿美金的多年租用协议苹果也在论文里承认用8192颗TPU v4和2048颗v5p训练了Apple Intelligence的基础模型。但谷歌的TPU不对外单独卖生态比较封闭还是依赖TensorFlow和JAX跟英伟达的CUDA体系差得远。AWSTrainium业务已达数十亿美元AWS自研芯片的起点是2015年收购Annapurna Labs花了大概3.5亿美元。当时没人太在意现在回头看这是亚马逊芯片版图的钥匙。首先做起来的是Nitro。2013年AWS发现用Xen虚拟化方案将近30%的CPU算力被系统开销吃掉了。收购Annapurna之后2017年推出Nitro System把虚拟化、网络、存储全卸到专用硬件上客户可用算力从不到70%拉到接近100%。Nitro卡已经演进到第5代每瓦性能提升40%。推理芯片Inferentia2018年首发第一代Inf1实例比可比GPU吞吐量高2.3倍推理成本降70%。2026年4月Inferentia3发布性能再翻一倍。训练芯片Trainium才是大头。Trainium2在2025年全面推出性价比比可比GPU高30%到40%。AWS CEO Matt Garman表示 Trainium2 业务年化营收达数十亿美元级别。2025年10月AWS跟Anthropic合作的Project Rainier在印第安纳州部署了近50万颗Trainium2芯片到年底扩大到100万颗专门训练Claude模型。2026年4月Anthropic又加码承诺未来十年在AWS上投入超过1000亿美金覆盖Trainium2/3/4以及未来各代芯片。Trainium3在2025年底re:Invent上发布台积电3nm每颗FP8算力2.52 PetaFLOPS性能比Trainium2提升4.4倍能效比提升4倍以上。2026年初正式出货几乎满单。Trainium4的路线图也出来了FP4吞吐量提升6倍还支持跟英伟达NVLink Fusion混合部署。亚马逊CEO Andy Jassy在2026年4月的股东信里说AWS自研芯片业务Graviton、Trainium、Nitro年化收入突破 200 亿美元机构预估分拆后峰值可达 500 亿美元。自研芯片累计收入承诺超过2250亿美金覆盖Anthropic、OpenAI等客户。OpenAI也在2026年2月确认将通过AWS消耗约2GW的Trainium容量。需要说明的是AWS的自研芯片主要通过云服务提供客户买的是算力不是芯片。与此同时AWS也在大规模采购英伟达GPU两边不矛盾。微软Maia出师不利起步太晚相比谷歌和AWS微软的进度明显慢了。2023年11月微软高调发布Maia 100和Cobalt 100。Maia 100用台积电5nm理论算力1600 TFLOPS MXInt8和3200 TFLOPS MXFP4。但数字好看没用据The Information报道Maia 100发布后只做了内部测试并未实际投产。原因较为复杂其设计始于2019年当时主要针对图像处理任务优化对后来爆发的大模型支持不足此外后续芯片Braga在开发过程中遇到设计频繁变更、芯片模拟不稳定以及团队人员流失等问题导致量产至少推迟了六个月。Maia 100的拉胯直接拖累了后续芯片。微软原本计划Braga在2025年量产结果推迟了至少六个月。原因包括OpenAI在开发后期不断提新需求导致设计频繁变更、芯片模拟不稳定以及团队约五分之一人员流失。2026年1月微软终于发布了Maia 200定位改成“AI推理主力”。Maia 200有超过1000亿个晶体管FP8性能约5 PetaFlops每美元性能比上一代提升30%。微软声称它的FP4性能是亚马逊第三代Trainium的三倍。目前Maia 200已在微软中部Azure区域部署但初期还是内部用例为主首批用户是微软自家的Superintelligence团队和OpenAI。全面向客户开放还要等。反倒是Cobalt CPU这条线走得稳。Cobalt 100是5nm ARM处理器性能功耗比x86同类实例高50%已经在Teams、Azure SQL里用了外部客户包括Adobe、Databricks、Snowflake。覆盖了Azure约一半的区域。下一代Cobalt 200设计已完成。据Digitimes Research统计2026年微软自研AI芯片预计出货33万颗在四大云厂商里垫底。摩根士丹利说微软在自研芯片上的滞后让它跟亚马逊、谷歌的云计算竞争中处于不利位置。不过微软砸钱不含糊2025财年投了800亿美金建AI数据中心2026年3月又跟英伟达签了采购100万颗GPU的多年协议。三家海外巨头有个共同点先推理后训练先内部后外部。推理是自研芯片最先撕开的口子——推理任务针对特定模型优化不需要训练那么强的通用性正是ASIC的用武之地。训练侧短期内还是离不开英伟达的CUDA和NVLink。TrendForce预测2026年ASIC市场整体增长率44.6%远超GPU的16.1%ASIC份额有望从20.9%升到27.8%。这场“三国杀”的终局比的不是谁先出牌而是谁能率先在推理时代把自研芯片做成主力。从“备胎”到“主力”国产自研芯片的真实段位如果说海外云厂商自研芯片是为了省钱和效率那国内厂商就是被逼出来的。A100、H100被禁H20出口受限国内AI芯片一年缺几百万张国产替代的窗口突然就打开了。据IDC数据2025年中国AI加速卡总出货约400万张。英伟达还是第一约220万张但份额从95%暴跌到55%。AMD出货16万张占4%。本土厂商合计出货165万张首次突破40%。其中华为昇腾81.2万张独占国产近一半阿里平头哥26.5万张百度昆仑芯和寒武纪各11.6万张海光信息8万张。国产阵营的基本盘已经清楚了。华为昇腾制裁下的逆袭昇腾是国产芯片里体量最大的。2019年昇腾910商用7nm工艺FP16算力256 TFLOPS直接对标英伟达V100号称当时全球最强AI处理器。后来910B、910C持续迭代910C用双Die封装把两颗910B封在一起算力800 TFLOPSFP16国产化率约55%。2026年3月华为正式发布昇腾950PR首次引入FP8/FP4低精度格式FP4算力1.56 PFLOPS大约是英伟达中国特供H20的2.87倍。更重要的是950PR在CUDA兼容性上做了实质性提升让习惯了英伟达生态的开发者迁移起来容易了不少。软件生态上2025年8月华为宣布CANN算子库和工具链全面开源轮值董事长徐直军直说让昇腾“更好用、更易用”。到2025年底CANN已经跟90多个开源社区深度对接。当然CUDA有18年的先发优势和数千万开发者CANN要追上还早。但950PR的兼容性突破和CANN的开源至少打开了一个口子。出货量上2025年昇腾81.2万颗占国内整体市场20%占国产近一半。2026年Q1已经出了15万张910系列卡全年目标更激进。到2026年Q1销售额口径昇腾市占率升到35%到40%而英伟达的份额相比此前大幅下降。阿里平头哥47万片交付六成卖给外面平头哥的路子很务实。2019年9月含光800推理芯片发布在ResNet-50测试里性能比业界最好芯片高4倍能效是第二名的3.3倍。2021年推出倚天710服务器CPU5nm工艺当时处于领先水平。2026年1月平头哥官网上线“真武810E”高端AI芯片自研架构96GB HBM2e内存片间互联带宽700GB/s能跑训练、推理和自动驾驶。业内人说真武整体性能跟英伟达H20差不多市场供不应求。2026年3月阿里CEO吴泳铭在财报电话会上说截至2026年2月平头哥自研GPU累计规模化交付47万片年化营收百亿级别60%以上卖给了外部客户服务400多家企业。真武PPU已经在阿里云上了多个万卡集群客户包括国家电网、中科院、小鹏汽车、新浪微博等。千问大模型的训练和推理也跑在真武上。IDC 2025年数据里平头哥出货26.5万颗国产第二。百度昆仑芯省钱的起点性价比突围昆仑芯的故事起点很朴素——省钱。李彦宏在2023年一个论坛上算过账买别人芯片1万美元一片自己造只要2万人民币。“所以就逼着自己做。”2011年百度内部启动了FPGA AI加速器项目团队后来成了昆仑芯的核心。2021年昆仑芯从百度分拆独立芯片首席架构师欧阳剑当CEO。2024年推出第三代P800自研XPU-P架构INT8算力256 TOPS16GB HBM内存。P800对MoE架构特别友好单机8卡就能跑671B参数的大模型这在业内算比较领先的。2025年2月百度智能云点亮了昆仑芯P800万卡集群国内自研芯片里第一个4月又点亮了国内首个全自研3万卡集群。2025年8月昆仑芯中标中国移动AI服务器集采在“类CUDA生态”标段拿了70%、70%和100%的份额合计超10亿元。2025年营收约35亿接近盈亏平衡高盛预测2026年能到65亿。IDC数据里2025年昆仑芯出货11.6万颗跟寒武纪并列国产第三。2026年5月昆仑芯正式启动科创板上市辅导。腾讯的“三芯”战略自研专用外部补位腾讯走的路跟别人不一样自己不做大而全而是内部做专用芯片外部投资补通用算力。2021年11月腾讯首次披露三款芯片AI推理芯片“紫霄”、视频转码芯片“沧海”、智能网卡芯片“玄灵”。紫霄在腾讯会议实时字幕场景里处理能力是T4的两倍成本节省超45%。沧海在MSU硬件视频编码比赛中包揽两个赛道8项评分全部第一压缩率比市面标品高35%以上已经部署了数万片。玄灵实现了主CPU“0占用”性能提升4倍。除了自研腾讯还是燧原科技的第一大股东持股20.26%。燧原的产品已经在腾讯云、游戏等核心场景大规模部署。但燧原对腾讯依赖很深——2023年对腾讯销售额占总营收33.34%2024年37.77%2025年飙到80%以上。燧原至今没盈利2022年到2025年前三季度累计亏损51.79亿正在冲刺科创板IPO。2026年4月据路透社报道腾讯跟阿里、字节一起启动了昇腾950PR的紧急采购带动950PR价格上涨约20%。腾讯现在是三条线同时跑自研专用芯片、投资绑定训练算力、采购国产通用算力。布局广度不是最深的但调度灵活度值得关注。四家国产厂商都先从自己的业务场景里把芯片跑通再往外走。但在英伟达新的AI加速卡恢复对华销售之前国产厂商能争取到多少时间窗口能在多大程度上缩小跟英伟达的生态差距是这轮国产替代能不能走到第二程的关键。从训练到推理AI算力战场正在悄悄转移云厂商自研芯片之所以能在短期内看到成效与AI负载结构的变化密不可分。训练场景仍是英伟达的主场。前沿大模型需要巨大的算力、高速的互联带宽和成熟的软件生态英伟达的CUDA生态和NVLink互联技术在此优势难以撼动。但在推理场景中自研芯片的成本和能效优势开始显现。推理任务往往针对特定模型进行优化不需要训练那样的通用性和灵活性这正是ASIC类芯片最擅长的领域。TrendForce预测TrendForce预测2026年ASIC在AI服务器加速方案中的出货占比将从20.9%升至27.8%而GPU的占比相应下降至69.7%2025年为75.9%。另一个不容忽视的趋势是如果未来AI训练范式从“大炼模型”转向稀疏模型、小模型加多模态的方向推理侧的算力需求将进一步爆发自研芯片的机会窗口也将进一步扩大。打破CUDA城墙还差几步需要强调的是以上所有自研芯片的快速增长主要集中在推理侧。在训练侧CUDA生态和NVLink互联仍然是难以绕过的壁垒。云厂商自研芯片会成为AI算力体系的重要补充并在推理、视频转码、数据库等特定负载中分走一部分需求这已是不可逆的趋势。但从“补充”到“替代”还有很长的路要走。CUDA生态壁垒是最大的障碍。英伟达用二十年的时间搭建了数千种工具、编译器与库组成的软件体系全球累计数亿块设备接入形成了“装机量-开发者-生态”的强劲飞轮。开发者基于CUDA开发应用形成对英伟达硬件的深度依赖。互联技术也是关键瓶颈。英伟达的NVLink和NVSwitch在集群互联性能上大幅领先。硬件互联之外的配套软件工具链同样需要时间和大量投入才能补齐。未来三到五年AI算力市场很可能形成这样的格局英伟达继续主导训练与通用AI计算云厂商自研芯片形成“第二算力源”。这不是一场非此即彼的替代战争而是一场从芯片硅片到软件栈的全方位生态竞逐。谁的生态更开放、谁的工具链更易用、谁能在推理时代率先规模化落地谁就能在这场博弈中拿到更大的份额。文桑吉 / 数据猿责编凝视深空/数据猿☆往期好文推荐☟云厂商迎来了春天大模型之后数据智能的下半场拼什么韩国凭 HBM 卡了全世界算力的脖子它会继续重构AI底层规则吗
英伟达的“围城”：云厂商自研芯片，攻到了哪一步？
发布时间：2026/5/22 3:33:48
“自研芯片真能帮云厂商敲开英伟达的铜墙铁壁。大数据产业创新服务媒体——聚焦数据·改变商业英伟达的GPU有多难买、多贵搞AI的人心里都有数。H100一卡难求Blackwell还没捂热就被抢光。全球云厂商一边排着队给英伟达送钱一边闷头在自家实验室里搞另一套方案——自研芯片。这不是什么营销噱头。这是一场从“省点钱”到“自己说了算”的漫长博弈。走到今天云厂商的芯片到底干到哪一步了算力饥荒与造芯自救三大驱动力云厂商为什么非要自己造芯片最直接的原因就是太贵了。自研芯片在推理场景下总拥有成本能降30%到50%。谷歌就是个典型。2013年首席架构师Jeff Dean算了一笔账如果每个Android用户每天对着手机说三分钟话用CPU跑语音识别谷歌得把数据中心规模翻一倍。这笔账把他吓着了于是TPU项目上马。15个月后第一代TPU就进了数据中心。第二个原因是供应链安全。高端GPU产能有限还受出口管制云厂商必须给自己留后路。国内的情况最典型英伟达在中国的数据中心份额从95%的高点一路往下掉华为们趁机起来了。更深层的是技术护城河。软硬一体优化为自己的AI、数据库、视频转码定制算力这事做成了就是竞争壁垒。腾讯的“沧海”转码芯片、阿里的“倚天710”CPU都是这个思路。第三方机构预测云厂商自研芯片的年复合增长率正在快速攀升。谷歌、AWS、微软的芯片三国杀谁跑在了前面海外三巨头的路子各不相同。谷歌TPU出货最大外部商业化最快AWS Trainium已经长成几十亿美金的生意客户版图扩张最猛微软起步最晚Maia量产一波三折倒是Cobalt CPU走得还算稳。谷歌TPU出货量最大生态闭环最完整TPU的故事始于2013年那场算力危机。此后十年谷歌闷头迭代了八代。v5代开始搞“双轨并行”v5e打性价比v5p主打训练。2025年底发布的第七代Ironwood是谷歌第一款面向推理时代设计的主力芯片FP8算力4.6 PetaFLOPS比英伟达B200的4.5还高一点单颗性能是v5p的10倍。单个超级Pod集成9216颗芯片算力42.5 ExaFLOPS。内部用的话单颗TCO比GB200低约44%。2026年4月谷歌发布了第八代TPU首次将训练和推理拆分为两款独立芯片。训练款TPU 8tSunfish用台积电2nm博通设计FP4算力12.6 PFLOPs单个Pod 9600颗芯片总性能121 ExaFLOPS预计2027年底量产。推理款TPU 8iZebrafish首次跟联发科合作片上SRAM是Ironwood的三倍通信延迟降低5倍。两款都搭载谷歌自研的Axion CPU支持PyTorch原生迁移。出货量方面有非官方的市场分析预测2026年TPU出货量约为150万–300万颗乐观情形下或可达400万–500万颗。这背后不只是谷歌自用Anthropic签了上百亿美元的协议承诺用100万颗TPUMeta签了数十亿美金的多年租用协议苹果也在论文里承认用8192颗TPU v4和2048颗v5p训练了Apple Intelligence的基础模型。但谷歌的TPU不对外单独卖生态比较封闭还是依赖TensorFlow和JAX跟英伟达的CUDA体系差得远。AWSTrainium业务已达数十亿美元AWS自研芯片的起点是2015年收购Annapurna Labs花了大概3.5亿美元。当时没人太在意现在回头看这是亚马逊芯片版图的钥匙。首先做起来的是Nitro。2013年AWS发现用Xen虚拟化方案将近30%的CPU算力被系统开销吃掉了。收购Annapurna之后2017年推出Nitro System把虚拟化、网络、存储全卸到专用硬件上客户可用算力从不到70%拉到接近100%。Nitro卡已经演进到第5代每瓦性能提升40%。推理芯片Inferentia2018年首发第一代Inf1实例比可比GPU吞吐量高2.3倍推理成本降70%。2026年4月Inferentia3发布性能再翻一倍。训练芯片Trainium才是大头。Trainium2在2025年全面推出性价比比可比GPU高30%到40%。AWS CEO Matt Garman表示 Trainium2 业务年化营收达数十亿美元级别。2025年10月AWS跟Anthropic合作的Project Rainier在印第安纳州部署了近50万颗Trainium2芯片到年底扩大到100万颗专门训练Claude模型。2026年4月Anthropic又加码承诺未来十年在AWS上投入超过1000亿美金覆盖Trainium2/3/4以及未来各代芯片。Trainium3在2025年底re:Invent上发布台积电3nm每颗FP8算力2.52 PetaFLOPS性能比Trainium2提升4.4倍能效比提升4倍以上。2026年初正式出货几乎满单。Trainium4的路线图也出来了FP4吞吐量提升6倍还支持跟英伟达NVLink Fusion混合部署。亚马逊CEO Andy Jassy在2026年4月的股东信里说AWS自研芯片业务Graviton、Trainium、Nitro年化收入突破 200 亿美元机构预估分拆后峰值可达 500 亿美元。自研芯片累计收入承诺超过2250亿美金覆盖Anthropic、OpenAI等客户。OpenAI也在2026年2月确认将通过AWS消耗约2GW的Trainium容量。需要说明的是AWS的自研芯片主要通过云服务提供客户买的是算力不是芯片。与此同时AWS也在大规模采购英伟达GPU两边不矛盾。微软Maia出师不利起步太晚相比谷歌和AWS微软的进度明显慢了。2023年11月微软高调发布Maia 100和Cobalt 100。Maia 100用台积电5nm理论算力1600 TFLOPS MXInt8和3200 TFLOPS MXFP4。但数字好看没用据The Information报道Maia 100发布后只做了内部测试并未实际投产。原因较为复杂其设计始于2019年当时主要针对图像处理任务优化对后来爆发的大模型支持不足此外后续芯片Braga在开发过程中遇到设计频繁变更、芯片模拟不稳定以及团队人员流失等问题导致量产至少推迟了六个月。Maia 100的拉胯直接拖累了后续芯片。微软原本计划Braga在2025年量产结果推迟了至少六个月。原因包括OpenAI在开发后期不断提新需求导致设计频繁变更、芯片模拟不稳定以及团队约五分之一人员流失。2026年1月微软终于发布了Maia 200定位改成“AI推理主力”。Maia 200有超过1000亿个晶体管FP8性能约5 PetaFlops每美元性能比上一代提升30%。微软声称它的FP4性能是亚马逊第三代Trainium的三倍。目前Maia 200已在微软中部Azure区域部署但初期还是内部用例为主首批用户是微软自家的Superintelligence团队和OpenAI。全面向客户开放还要等。反倒是Cobalt CPU这条线走得稳。Cobalt 100是5nm ARM处理器性能功耗比x86同类实例高50%已经在Teams、Azure SQL里用了外部客户包括Adobe、Databricks、Snowflake。覆盖了Azure约一半的区域。下一代Cobalt 200设计已完成。据Digitimes Research统计2026年微软自研AI芯片预计出货33万颗在四大云厂商里垫底。摩根士丹利说微软在自研芯片上的滞后让它跟亚马逊、谷歌的云计算竞争中处于不利位置。不过微软砸钱不含糊2025财年投了800亿美金建AI数据中心2026年3月又跟英伟达签了采购100万颗GPU的多年协议。三家海外巨头有个共同点先推理后训练先内部后外部。推理是自研芯片最先撕开的口子——推理任务针对特定模型优化不需要训练那么强的通用性正是ASIC的用武之地。训练侧短期内还是离不开英伟达的CUDA和NVLink。TrendForce预测2026年ASIC市场整体增长率44.6%远超GPU的16.1%ASIC份额有望从20.9%升到27.8%。这场“三国杀”的终局比的不是谁先出牌而是谁能率先在推理时代把自研芯片做成主力。从“备胎”到“主力”国产自研芯片的真实段位如果说海外云厂商自研芯片是为了省钱和效率那国内厂商就是被逼出来的。A100、H100被禁H20出口受限国内AI芯片一年缺几百万张国产替代的窗口突然就打开了。据IDC数据2025年中国AI加速卡总出货约400万张。英伟达还是第一约220万张但份额从95%暴跌到55%。AMD出货16万张占4%。本土厂商合计出货165万张首次突破40%。其中华为昇腾81.2万张独占国产近一半阿里平头哥26.5万张百度昆仑芯和寒武纪各11.6万张海光信息8万张。国产阵营的基本盘已经清楚了。华为昇腾制裁下的逆袭昇腾是国产芯片里体量最大的。2019年昇腾910商用7nm工艺FP16算力256 TFLOPS直接对标英伟达V100号称当时全球最强AI处理器。后来910B、910C持续迭代910C用双Die封装把两颗910B封在一起算力800 TFLOPSFP16国产化率约55%。2026年3月华为正式发布昇腾950PR首次引入FP8/FP4低精度格式FP4算力1.56 PFLOPS大约是英伟达中国特供H20的2.87倍。更重要的是950PR在CUDA兼容性上做了实质性提升让习惯了英伟达生态的开发者迁移起来容易了不少。软件生态上2025年8月华为宣布CANN算子库和工具链全面开源轮值董事长徐直军直说让昇腾“更好用、更易用”。到2025年底CANN已经跟90多个开源社区深度对接。当然CUDA有18年的先发优势和数千万开发者CANN要追上还早。但950PR的兼容性突破和CANN的开源至少打开了一个口子。出货量上2025年昇腾81.2万颗占国内整体市场20%占国产近一半。2026年Q1已经出了15万张910系列卡全年目标更激进。到2026年Q1销售额口径昇腾市占率升到35%到40%而英伟达的份额相比此前大幅下降。阿里平头哥47万片交付六成卖给外面平头哥的路子很务实。2019年9月含光800推理芯片发布在ResNet-50测试里性能比业界最好芯片高4倍能效是第二名的3.3倍。2021年推出倚天710服务器CPU5nm工艺当时处于领先水平。2026年1月平头哥官网上线“真武810E”高端AI芯片自研架构96GB HBM2e内存片间互联带宽700GB/s能跑训练、推理和自动驾驶。业内人说真武整体性能跟英伟达H20差不多市场供不应求。2026年3月阿里CEO吴泳铭在财报电话会上说截至2026年2月平头哥自研GPU累计规模化交付47万片年化营收百亿级别60%以上卖给了外部客户服务400多家企业。真武PPU已经在阿里云上了多个万卡集群客户包括国家电网、中科院、小鹏汽车、新浪微博等。千问大模型的训练和推理也跑在真武上。IDC 2025年数据里平头哥出货26.5万颗国产第二。百度昆仑芯省钱的起点性价比突围昆仑芯的故事起点很朴素——省钱。李彦宏在2023年一个论坛上算过账买别人芯片1万美元一片自己造只要2万人民币。“所以就逼着自己做。”2011年百度内部启动了FPGA AI加速器项目团队后来成了昆仑芯的核心。2021年昆仑芯从百度分拆独立芯片首席架构师欧阳剑当CEO。2024年推出第三代P800自研XPU-P架构INT8算力256 TOPS16GB HBM内存。P800对MoE架构特别友好单机8卡就能跑671B参数的大模型这在业内算比较领先的。2025年2月百度智能云点亮了昆仑芯P800万卡集群国内自研芯片里第一个4月又点亮了国内首个全自研3万卡集群。2025年8月昆仑芯中标中国移动AI服务器集采在“类CUDA生态”标段拿了70%、70%和100%的份额合计超10亿元。2025年营收约35亿接近盈亏平衡高盛预测2026年能到65亿。IDC数据里2025年昆仑芯出货11.6万颗跟寒武纪并列国产第三。2026年5月昆仑芯正式启动科创板上市辅导。腾讯的“三芯”战略自研专用外部补位腾讯走的路跟别人不一样自己不做大而全而是内部做专用芯片外部投资补通用算力。2021年11月腾讯首次披露三款芯片AI推理芯片“紫霄”、视频转码芯片“沧海”、智能网卡芯片“玄灵”。紫霄在腾讯会议实时字幕场景里处理能力是T4的两倍成本节省超45%。沧海在MSU硬件视频编码比赛中包揽两个赛道8项评分全部第一压缩率比市面标品高35%以上已经部署了数万片。玄灵实现了主CPU“0占用”性能提升4倍。除了自研腾讯还是燧原科技的第一大股东持股20.26%。燧原的产品已经在腾讯云、游戏等核心场景大规模部署。但燧原对腾讯依赖很深——2023年对腾讯销售额占总营收33.34%2024年37.77%2025年飙到80%以上。燧原至今没盈利2022年到2025年前三季度累计亏损51.79亿正在冲刺科创板IPO。2026年4月据路透社报道腾讯跟阿里、字节一起启动了昇腾950PR的紧急采购带动950PR价格上涨约20%。腾讯现在是三条线同时跑自研专用芯片、投资绑定训练算力、采购国产通用算力。布局广度不是最深的但调度灵活度值得关注。四家国产厂商都先从自己的业务场景里把芯片跑通再往外走。但在英伟达新的AI加速卡恢复对华销售之前国产厂商能争取到多少时间窗口能在多大程度上缩小跟英伟达的生态差距是这轮国产替代能不能走到第二程的关键。从训练到推理AI算力战场正在悄悄转移云厂商自研芯片之所以能在短期内看到成效与AI负载结构的变化密不可分。训练场景仍是英伟达的主场。前沿大模型需要巨大的算力、高速的互联带宽和成熟的软件生态英伟达的CUDA生态和NVLink互联技术在此优势难以撼动。但在推理场景中自研芯片的成本和能效优势开始显现。推理任务往往针对特定模型进行优化不需要训练那样的通用性和灵活性这正是ASIC类芯片最擅长的领域。TrendForce预测TrendForce预测2026年ASIC在AI服务器加速方案中的出货占比将从20.9%升至27.8%而GPU的占比相应下降至69.7%2025年为75.9%。另一个不容忽视的趋势是如果未来AI训练范式从“大炼模型”转向稀疏模型、小模型加多模态的方向推理侧的算力需求将进一步爆发自研芯片的机会窗口也将进一步扩大。打破CUDA城墙还差几步需要强调的是以上所有自研芯片的快速增长主要集中在推理侧。在训练侧CUDA生态和NVLink互联仍然是难以绕过的壁垒。云厂商自研芯片会成为AI算力体系的重要补充并在推理、视频转码、数据库等特定负载中分走一部分需求这已是不可逆的趋势。但从“补充”到“替代”还有很长的路要走。CUDA生态壁垒是最大的障碍。英伟达用二十年的时间搭建了数千种工具、编译器与库组成的软件体系全球累计数亿块设备接入形成了“装机量-开发者-生态”的强劲飞轮。开发者基于CUDA开发应用形成对英伟达硬件的深度依赖。互联技术也是关键瓶颈。英伟达的NVLink和NVSwitch在集群互联性能上大幅领先。硬件互联之外的配套软件工具链同样需要时间和大量投入才能补齐。未来三到五年AI算力市场很可能形成这样的格局英伟达继续主导训练与通用AI计算云厂商自研芯片形成“第二算力源”。这不是一场非此即彼的替代战争而是一场从芯片硅片到软件栈的全方位生态竞逐。谁的生态更开放、谁的工具链更易用、谁能在推理时代率先规模化落地谁就能在这场博弈中拿到更大的份额。文桑吉 / 数据猿责编凝视深空/数据猿☆往期好文推荐☟云厂商迎来了春天大模型之后数据智能的下半场拼什么韩国凭 HBM 卡了全世界算力的脖子它会继续重构AI底层规则吗
