一、先搞清楚：AI芯片有哪几条技术路线？
讨论AI芯片，必须先理解一个底层问题：AI芯片的核心任务是什么？答案就两个字——矩阵乘法。
无论是训练GPT还是推理ChatGPT，底层80%以上的计算都是大规模矩阵乘法。所有AI芯片的设计，本质上都在回答同一个问题：如何最高效地完成矩阵乘法？
? 三条路线，三种答案
三者本质上是"灵活性 vs 能效比"的权衡。这不是设计偏好，而是商业模式决定的必然选择。
1️⃣ 通用GPU：硬件固定、软件灵活
采用数万个小型通用计算单元（CUDA Core），通过软件配置适应不同算法。硬件出厂后固定不可变，但软件驱动可以不断优化迭代。
2️⃣ 专用ASIC：硬件绑定算子、能效极致
专为矩阵乘法等密集计算电路级定制。大量脉动阵列（Systolic Array）替代通用计算单元，用硬件布线直接实现矩阵乘法，几乎不留冗余电路。
核心要点：ASIC绑定的是"矩阵乘法"而非某个具体模型架构。Transformer、CNN、RNN的底层都是矩阵乘法，所以都能跑。
3️⃣ 类GPU（DCU）：中间地带
借鉴GPU的并行计算阵列布局，但指令集和硬件实现与NVIDIA不完全相同。以海光深算系列为例，基于AMD GCN架构演进。
原生不支持CUDA（需兼容层），比ASIC灵活，比通用GPU省电，迁移成本比ASIC低但比英伟达原生高。
各厂商技术路线一览
| 通用GPU | |||
| 专用ASIC | |||
| PPU | |||
| 类GPU（DCU） |
英伟达其实已经在做了——GPU里的Tensor Core就是ASIC化的矩阵乘法单元。现代AI GPU = 通用计算 + ASIC加速的混合体。但英伟达不能全ASIC化，因为它的护城河是全球CUDA生态的兼容性。一旦硬件只认特定算法，旧代码会失效，开发者会流失。CUDA Core的通用性，是英伟达对不确定性的对冲。
ASIC的风险对所有厂商一样，但承受方式不同。谷歌TPU和阿里PPU是自研自用，可以内部决定哪些workload跑ASIC、哪些跑GPU，风险可控；寒武纪聚焦推理市场来降低押错概率——推理场景的算子比训练稳定得多。而英伟达作为全球通用平台，必须保证任何代码都能跑。
ASIC绑定的是"矩阵乘法"而非"Transformer"。CNN、RNN、Transformer、Mamba底层都是大规模矩阵乘法。真正能淘汰ASIC的，是完全抛弃矩阵运算的新计算范式——短期内极难发生。
二、全球AI芯片竞争格局
全球AI加速器市场，英伟达市场份额超过80%。但2025-2026年，格局正在发生深刻变化。
8大厂商产品速览
三、英伟达：全球AI算力的绝对霸主
英伟达采取"一年一代"的快速迭代策略，从2024年Blackwell到2026年Rubin，再到2028年Feynman，持续压缩竞争对手的追赶窗口。
核心护城河
? CUDA生态：全球超过500万开发者，软件壁垒几乎不可逾越
? 半ASIC策略：通用CUDA Core + 专用Tensor Core并存
? 系统级创新：NVLink互联、NVL72/144集群、液冷数据中心
? 一年一代：竞争对手刚追上上一代，新一代已发布
? 推理优化：NIM微服务 + Dynamo引擎，Token成本降至十分之一
? 硅光互联：GTC 2026发布硅光芯片，解决互联带宽瓶颈
四、谷歌TPU：推理时代的隐形巨头
谷歌是唯一能在AI算力领域与英伟达正面对抗的厂商。TPU（张量处理单元）走ASIC定制路线，专为矩阵乘法密集型计算设计。
TPU能效已追上英伟达，为何Google仍采购GPU？
❶ 客户需求：Google Cloud企业客户指名要NVIDIA GPU，代码基于CUDA，只卖TPU会丢客户
❷ CUDA生态：数百万开发者的代码基于CUDA，TPU的MLIR/Coral生态差距仍大
❸ 通用性：TPU对Transformer友好，但CV、HPC等场景GPU更灵活，Google内部也是混用
❹ 供应链对冲：全押TPU意味着制造依赖单一供应商，采购GPU可以分散风险
五、华为昇腾：国产AI算力的领军者
受制于先进制程获取限制，华为选择了"超节点"集群路线——通过系统级创新弥补单芯片差距。
? 全栈自主：芯片 + HCCS互联 + CloudMatrix集群 + CANN/MindSpore
? 超节点架构：CloudMatrix 384集群算力媲美NVL72
? 生态适配：DeepSeek等大模型已优先适配，PyTorch兼容性持续改善
? 市场份额：2025年中国约20%，2026年预计接近50%
六、阿里平头哥PPU：互联网巨头的自研突围
PPU（Parallel Processing Unit）是2025年AI芯片市场最大的黑马。"PPU"而非"GPU"的命名本身就是品牌策略——去掉"Graphics"的图形包袱，与NVIDIA概念拉开距离。
? 自研自用优先：先服务阿里内部业务，场景固定，风险可控
? 双线布局：含光（推理ASIC）+ PPU + 倚天CPU
? 命名策略："PPU"强调并行计算，突出独立技术路线
七、海光信息：CPU+DCU双轮驱动
国内少有的"CPU+DCU"双产品线厂商，2016年获得AMD技术授权，具有x86生态天然兼容优势。
? 类CUDA架构：基于AMD GCN演进，CUDA代码迁移成本最低
? x86协同：CPU+DCU整机方案成熟，信创市场主力
? 深算三号：7nm，性能再翻倍，已完成字节/阿里测试
? DeepSeek适配：已完成国产化适配
八、寒武纪：国产云端AI芯片龙头
成立于2016年，中国AI芯片最早拓荒者之一。2025年营收同比增长超40倍，首次扭亏为盈。
? ASIC架构：针对矩阵乘法深度优化，能效比高
? 推理市占第一：国产云端推理市场领先
? 策略选择：优先固守推理——算子稳定，押错风险更低
? 思元590：7nm云端训练芯片，对标A100
九、摩尔线程：全功能GPU新势力
定位全功能国产GPU，2025年12月上市科创板。新架构"花港"实现FP4~FP64全精度覆盖，2026年推出华山训推一体芯片，目标冲击十万卡集群。
? 全功能GPU：AI计算 + 图形渲染，真正的通用GPU
? MUSA软件栈：自研CUDA兼容层
? 华山芯片（2026）：AI训推一体，超大规模智能计算
十、沐曦：从零自研的国产GPU新锐
国内少数坚持"从零到一"自主研发核心GPU IP的企业，不依赖国外IP授权。
? 曦云C600：性能介于A100和H100之间，2025年底量产
? 曦云C700：投资20.4亿元，2026Q2流片
? 全栈自研IP：AI训练+推理+通用计算+渲染四合一
? 标准化连接：PCIe 5.0、CXL 3.0、以太网等开放标准
十一、竞争格局与趋势判断
五大趋势
1️⃣ 推理驱动时代到来：2026年AI推理需求首次超过训练，能效比成核心指标
2️⃣ 国产替代加速：中国AI芯片自研率从15%→45%，2027年有望突破60%
3️⃣ 集群化竞争：单芯片差距缩小，竞争重心转向互联和系统级方案
4️⃣ 一年一代节奏：英伟达带动全行业加速迭代，落后两代即淘汰
5️⃣ 软件生态是终极壁垒：硬件差距可追赶，CUDA护城河短期难逾越
各厂商综合评分
