近年来，在外部环境的重重压力与内部需求的井喷式爆发双重驱动下，国产AI芯片产业正经历一场深刻的蜕变。从“点”上的突破到“面”上的铺开，一股“整体崛起”的力量正在汇聚。本文将带您深入探寻这股浪潮，并盘点那些已经崭露头角、值得我们关注的国产AI芯片产品。
国产AI芯片的崛起并非偶然，而是一场由市场需求、技术演进、外部环境和政策支持共同驱动的结果。首先，大模型竞赛引爆了对算力的指数级需求，国内云服务提供商（CSP）的AI资本支出持续提升。其次，美国对先进AI芯片的出口限制，以及NVIDIA专供中国市场芯片要么性能偏低，要么价格太过昂贵，从客观上倒逼国内客户将采购策略转向本土供应商。
更重要的是，国内产业生态日趋成熟。一方面，国产先进制程的产能与良率正逐步提升；另一方面，以DeepSeek为代表的国产大模型开始深度适配国产AI芯片，中国信通院甚至发布了专门的适配清单，涵盖了华为、寒武纪、昆仑芯、海光信息、摩尔线程等厂商，形成了软硬件协同的良性循环，例如DeepSeek在8月下旬发布的最新V3.1模型采用了UE8M0 FP8精度，能与国内AI芯片更好地系统工作；最后，国家政策的强力护航为产业发展注入了“强心剂”。国务院在8月26日发布的《关于深入实施“人工智能+”行动的意见》通知，明确了到2027年，新一代智能终端、智能体等应用普及率超70%的目标，为国产芯片的应用铺平了道路。
群雄并起：国产AI芯片全景图
在探讨国产AI芯片之前，我们需要明确一下什么是AI芯片。狭义的AI芯片指的是专门为AI算法做了特殊加速设计的芯片，主流架构包括GPU（通用性强，生态成熟）和ASIC（针对特定场景，能效比高）。例如NVIDIA最新的基于Blackwell架构的B300 GPU以其卓越的计算性能和能效比受到市场追捧，而Google的TPU芯片（一种ASIC）则以其专为机器学习优化的设计提供高速数据处理。
正是在这样的背景下，一批优秀的国产AI芯片企业脱颖而出，形成了包括云端训练、云端推理、边缘计算等在内的全场景产品矩阵。例如寒武纪、昆仑芯、平头哥、海光信息、燧原科技、摩尔线程、沐曦科技、壁仞科技、天数智芯等厂商都有推出AI芯片产品。
由于评判一颗AI芯片的性能离不开算力、算力精度、显存、显存带宽、卡间互联、功耗、制程等关键指标。下面芯查查梳理了目前国内主流云端AI芯片的核心参数，以期为市场选择提供参考。
算力在迅速提升，能效比仍有差距
常用的算力衡量指标包括FLOPS（每秒浮点运算次数）和OPS（每秒运算次数）。常见单位有TOPS（每秒万亿次操作）和TFLOPS（每秒万亿次浮点操作），一般用TOPS来衡量设备的推理算力，用TFLOPS来衡量设备训练算力，TFLOPS数值越高，反映了模型在训练时的效率越高。
算力精度作为可以衡量算力水平的一种方式，可分为浮点计算和整型计算。其中浮点计算可细分为半精度（2Bytes，FP16）、单精度（4Bytes，FP32）和双精度（8Bytes，FP64）浮点计算，加上整型精度（1Byte，INT8）。不同的计算精度适用于不同场景。FP32和FP16常用于训练，而FP16和INT8则在推理场景中更具效率优势。
芯查查统计了目前国内已经量产出货的国产AI芯片算力、功耗、能效比和制程方面的情况（见表1）。
表1：国产AI芯片算力、功耗、能效比与制程情况统计（来源：各公司官网，芯查查）
从芯查查统计的算力衡量指标中可以看到，国产AI芯片当中，大都公布的是FP16和INT8算力精度，其中FP16精度算力指标中超过200FLOPS的有寒武纪的思元590、思元290、昆仑芯P800、平头哥的含光800、海光信息的深算三号、沐曦科技的曦云C500、壁仞科技的BR系列等产品。已经超过了H20提供的148FLOPS FP16算力。
在制程方面，目前国外的AI芯片制程已经到了3nm制程，但国内的AI芯片仍然以7nm为主。例如Google最新的TPU Ironwood（TPU v7p）和亚马逊的Trainium3都使用了最先进的3nm制程；NVIDIA最新的Blackwell系列GPU产品采用的是台积电的4NP制程（相当于4nm的高性能版本）；AMD、英特尔、Meta及微软均采用了5nm制程。国内厂商中，寒武纪、海光信息、壁仞科技和摩尔线程等均被美国列入了“实体清单”，其晶圆代工产能供应受限，智能采用国内最为先进的工艺。燧原科技的所有产品则主要采用了GlabalFoundries的12nm制程进行制造。
在能效方面，目前NVIDAI的Blackwell系列GPU能效比在所有架构里面最高，比如GB200在功耗为2,700W的情况下，能效比可达到1.9。而国产AI芯片的功耗绝大多数都在500W以下，能效比基本都低于1.0。
芯片间互联大都采用自研互联技术AI算力的比拼已经进入了“集群”时代，单颗芯片的性能提升虽然很重要，但多卡、多节点的高效互联则更为关键。NVIDIA凭借其成熟的NVLink和NVSwitch技术构建了强大的护城河。相比之下，国内AI芯片厂商大多采用私有互联方案，尚未形成统一开放的标准，这在一定程度上限制了大规模集群的扩展性和效率。
表2：国产AI芯片Scale-up互联技术（来源：各公司官网，芯查查）
2022年，寒武纪被美国列入实体清单，禁止与台积电合作，寒武纪遭受第二次大挫折。随后，寒武纪转向与中芯国际合作，生产制造被局限于更成熟的工艺节点。
例如寒武纪目前主要采用其自研的MLU-Link技术、昆仑芯采用K-Link、壁仞科技采用B-Link、摩尔线程采用MT-Link等。根据摩尔线程招股书的信息，其自研的MT-Link最开始在其曲院架构中实现，通信速率为56Gbps，通信带宽为240GB/s。随后在其平湖架构中升级到了MT-Link2.0，通信速率提升至112Gbps，通信带宽提升至800GB/s。目前已经完成了MT-Link3.0的研发，通信带宽提升到了1.3TB/s，达到了行业领先水平。
国产AI芯片也大都采用HBM，但以HBM2e为主显存是GPU用于存储数据和纹理的专用内存，与系统内存（DRAM）不同，显存具有更高的带宽和更快的访问速度。显存的大小和性能将直接影响GPU处理大规模数据的能力。而显存带宽则是GPU与显存之间数据传输的桥梁。其计算方式是显存带宽=显存位宽X显存频率。
表3：国产AI芯片显存及显存带宽参数（来源：各公司官网，芯查查）
目前国际厂商的显存以HBM3和HBM3e为主，国内AI芯片厂商虽然也大都采用了HBM存储，但以HBM2e为主，显存容量最高已经达到64GB。
可以看到，这几年国产AI芯片厂商在芯片微架构、制程、生态等方面不断追赶海外头部供应商，这里列举的都是已经量产的，其实还有一些最新的产品目前并没有公开的数据，但其实已经得到了很大的提升。特别是卡间互联的性能提升相比前几年有了很大的进步。
未来展望：从“可用”到“好用”
国产AI芯片的崛起之路，注定充满挑战，但也充满希望。展望未来，我们有理由相信随着技术不断成熟、生态逐步完善、应用场景持续深化，国产AI芯片将不仅在国内市场站稳脚跟，更有望在全球AI算力的版图中占据一席之地。
这其中，生态建设是关键。因为一颗芯片的成功离不开软件、工具链和开发者社区的支持，只有构建起繁荣的生态建设，才能将硬件的算力真正转化为用户的生产力。未来国产AI芯片厂商必须加大在软件生态上的投入，吸引更多开发者，打造“中国的CUDA”。
另外，软硬协同，系统优化也很重要。因为AI算力的比拼早已不是单纯的芯片性能竞赛，而是包括芯片、服务器、高速互联、集群管理和AI框架在内的系统工程。UALink等开放互联标准的兴起为国产AI芯片提供了新机遇，底层的SerDes等高速接口技术是实现自主可控的关键环节。
最后，拥抱开源，合作共赢，让国产AI芯片从“可用”实现“好用”的跨越。AI技术的发展离不开全球协作。在自主可控的前提下，积极拥抱开源社区，与全球开发者共同推动技术进步，是中国AI芯片产业融入世界、提升竞争力的必由之路。
全部评论