摘要：自ChatGPT惊艳问世，到Sora模型在视频生成领域的颠覆性突破，人工智能（AI）正以席卷之势深刻改变着世界的面貌。这场由AI大模型驱动的科技革命，其核心燃料便是“算力”。据相关预测，全球算力规模将从2023年的1397 EFLOPS（每秒百亿亿次浮点运算）

自ChatGPT惊艳问世，到Sora模型在视频生成领域的颠覆性突破，人工智能（AI）正以席卷之势深刻改变着世界的面貌。这场由AI大模型驱动的科技革命，其核心燃料便是“算力”。据相关预测，全球算力规模将从2023年的1397 EFLOPS（每秒百亿亿次浮点运算）增长至2030年的16 ZFLOPS（每秒十万亿亿次浮点运算），年复合增速高达50%。这爆炸式的算力需求，如同一只无形的手，将图形处理器（GPU）推向了科技舞台的中央。

GPU凭借其大规模并行计算能力，成为训练与推理AI大模型的关键。其架构天然适合处理神经网络中海量的矩阵运算和张量计算，效率远超传统CPU。在AI服务器的成本构成中，GPU的价值尤为凸显。根据IDC 2018年的数据，机器学习型服务器中GPU成本占比达到惊人的72.8%，这足以证明GPU在AI算力基础设施中的核心地位。

图1：AI服务器成本构成中GPU占比示意图 (数据来源: IDC 2018)

然而，在这片潜力无限的蓝海市场，全球GPU的供应格局却高度集中。国际巨头，特别是英伟达（NVIDIA），几乎形成了垄断之势。数据显示，2022年英伟达占据全球AI芯片市场份额超过80%，在全球AI服务器加速芯片市场的份额更是超过95%（。这种高度集中的格局，不仅带来了高昂的采购成本，更对全球产业链的稳定性和国家层面的科技自主构成了严峻挑战，尤其是地缘政治因素使得高端GPU的获取充满不确定性。

在此时代浪潮与现实挑战的双重驱动下，国产GPU产业链的自主突围以及算力基础设施的建设，已提升至国家战略高度。这不仅是中国科技自立自强、突破“卡脖子”困境的关键一役，更是构筑数字经济坚实底座、掌握未来发展主动权的必然选择。一场围绕GPU的“芯”征程，正在中国大地上谱写新的篇章。

国产GPU的崛起之路，必然是一条充满荆棘与挑战的征途，但也预示着无上荣光。深入剖析其产业链的上、中、下游，我们可以更清晰地把握其发展脉络、核心瓶颈与突破方向。

GPU作为尖端科技的结晶，其上游产业链涉及EDA工具、IP核、关键半导体材料以及核心制造与封测设备等多个高技术壁垒环节。这些环节的自主可控程度，直接决定了国产GPU产业大厦的根基是否稳固。

电子设计自动化（EDA）工具是芯片设计的“画笔”，IP核则是可复用的功能模块，如同芯片设计的“积木”。长期以来，全球EDA市场由Cadence、Synopsys和Mentor Graphics（现为Siemens EDA）三大巨头垄断，IP核市场也高度依赖ARM等国际供应商。这使得国产GPU在设计之初就面临授权和供应的潜在风险。高端EDA工具的缺失，以及在先进制程节点获取先进IP授权的难度，都对国产GPU设计创新和性能提升构成制约。

所幸，在国家政策的大力扶持和市场需求的牵引下，以华大九天、概伦电子为代表的国产EDA企业正在奋力追赶，部分点工具已取得突破，并在特定领域开始应用。国产IP核的研发也在积极探索中，尤其是在RISC-V等新兴开放指令集架构上，为国产GPU提供了新的选择路径。信创产业的蓬勃发展，为国产EDA和IP核提供了宝贵的应用场景和迭代机会。据预测，未来十年中国信创产业仍将保持30%的年均增长，2026年有望突破2000亿元规模大关，这将持续拉动对自主可控设计工具的需求。

芯片制造离不开高纯度的硅片、高精度的光刻胶、特种电子气体、掩膜版以及先进的封装基板等关键材料。这些材料如同芯片制造的“粮食”与“血液”，其质量和供应稳定性至关重要。目前，我国在这些核心半导体材料领域，尤其是在高端产品上，国产化率不高，对外依存度较大。“卡脖子”现象在多个环节依然突出，例如高端光刻胶、大尺寸硅片等。虽然部分材料在中低端市场实现了突破，但高端产品的性能、一致性和稳定性与国际先进水平相比仍有差距，供应链安全风险不容忽视。参考半导体设备领域的国产化困境，例如2024年半导体设备国产比例仅16.8% ，可以预见半导体材料国产化之路同样任重道远。

芯片制造设备是整个半导体产业链的基石，被誉为“工业母机”。其中，光刻机由于其极高的技术壁垒，荷兰ASML公司在全球市场占据绝对垄断地位，尤其是在极紫外光（EUV）光刻机领域。此外，刻蚀机、薄膜沉积设备（PVD/CVD）、离子注入机、检测设备等也是芯片制造不可或缺的核心装备。我国在这些领域起步较晚，虽然近年来以中微公司、北方华创等为代表的国产设备商在去胶、刻蚀、清洗等部分成熟制程设备上取得了显著进展，国产化率有所提升，但整体来看，与国际先进水平的差距依然巨大。尤其是在先进制程设备方面，如EUV光刻机，国内仍是“真空”地带。更为严峻的是，不仅整机设备落后，许多核心零部件（如高精度光学镜头、特种光源、真空泵等）的国产化也面临瓶颈。

先进工艺对设备的要求呈指数级增长。根据IBS统计，5nm节点每万片月产能所需设备投资约31.3亿美元，是28nm节点（约7.9亿美元）的四倍左右。这进一步加大了国产设备追赶的难度。同时，美国等国家对华半导体设备及技术的出口管制不断加码，使得获取先进设备和关键技术变得异常困难，严重制约了我国高端芯片制造能力的发展，进而影响国产高端GPU的迭代。因此，实现上游设计工具、关键材料和核心设备的自主可控，是国产GPU产业链崛起的根基所在。

产业链中游的核心是GPU芯片本身的设计、制造与封测。这是技术密集度最高、也是决定国产GPU性能和市场竞争力的关键环节。

GPU根据其主要功能可分为渲染GPU（主要用于图形图像处理）和GPGPU（通用计算GPU）。随着AI时代的到来，GPGPU因其强大的并行计算能力成为AI算力的主力，也是当前国产厂商攻坚的重点方向。目前，国内涌现出一批GPU设计企业，如专注于AI芯片的寒武纪、拥有“CPU+DCU”双线产品的海光信息、从军用图形显控切入GPU的景嘉微，以及壁仞科技、摩尔线程、天数智芯、沐曦等新兴力量。它们的产品定位覆盖云端训练与推理、边缘计算以及部分终端应用。

客观而言，国产GPU在核心性能参数上与国际顶尖产品（如英伟达的A100/H100/H20系列，AMD的MI200/MI300系列）仍存在显著差距。这些差距体现在FP32（单精度浮点）、FP16（半精度浮点）、BF16（脑浮点）、INT8（8位整数）等不同精度下的算力，显存容量与带宽，核心数量，工艺制程，以及功耗控制等多个方面。一份行业深度报告指出，国产AI算力芯片“与全球领先水平仍有1-2代的差距”。例如，英伟达最新的Blackwell架构GPU B200，其FP4算力高达4.5 PetaFLOPS，训练性能数倍于H100，而国产芯片仍在追赶H100的水平。

在经营模式上，绝大多数国产GPU厂商（如寒武纪、壁仞科技等）采用Fabless模式，即专注于芯片设计和销售，将晶圆制造、封装测试等环节外包。这使得它们能够轻资产运营，聚焦核心研发，但也意味着对晶圆代工厂（如台积电、三星以及国内的中芯国际等）的产能和工艺水平高度依赖。

芯片设计完成后，需要通过晶圆代工厂将其制造出来，再经过封装测试环节才能成为最终产品。国内晶圆代工厂如中芯国际、华虹集团等，在成熟制程（如28nm及以上）方面能够为国产GPU提供一定的产能支持。中芯国际已成功实现14纳米FinFET工艺的量产，这为部分中端国产GPU提供了本土制造的可能。然而，在更先进的制程节点（如7nm、5nm甚至3nm），国内晶圆厂与国际顶尖水平尚有较大差距，这直接制约了国产GPU冲击最高性能的步伐。高端GPU通常需要最先进的制程工艺来平衡性能与功耗。

在先进封装领域，Chiplet（芯粒技术）等新兴技术为提升GPU的集成度和性能开辟了新路径，允许将不同工艺、不同功能的芯粒异构集成在一起，从而绕过单一大芯片制造的良率和成本难题。国内的封测厂如长电科技、通富微电、华天科技等也在积极布局先进封装技术，如2.5D/3D封装，这对于国产GPU提升竞争力具有重要意义。寒武纪的思元370就采用了Chiplet技术。

图2：主流GPU工艺节点发展趋势及国产现状示意 (仅为示意)

芯片的价值最终体现在应用。国产GPU的下游突围，不仅需要满足各类应用场景的需求，更艰巨的任务在于构建自主可控且繁荣的软件生态。

当前，AI大模型的训练与推理是GPU需求最为旺盛的领域。特别是推理市场，随着AI应用的普及，其体量将远超训练市场。IDC预计，到2028年中国AI服务器用于推理工作负载的占比将达到73%，而2024上半年，中国市场用于推理的AI芯片已占据整体AI芯片市场份额的61%。这对国产GPU而言，是切入市场、实现商业化的重要机遇。

数据中心与云计算是GPU的另一大应用阵地。国内大型云厂商如阿里巴巴、腾讯、百度等，近年来持续加大在AI基础设施上的投入。例如，2024年四季度，国内三大互联网厂商的资本开支合计达到720亿元，同比增长259%，环比增长99%。它们对算力的巨大需求，以及在供应链安全和成本控制方面的考量，为国产GPU提供了潜在的规模化应用机会。

信创产业（信息技术应用创新产业）是国产GPU的战略性市场。在党政军以及金融、能源、交通等关键行业，对核心软硬件的自主可控要求日益提高，这为符合标准的国产CPU+GPU解决方案打开了确定性市场空间。如前所述，信创产业的持续高增长（预计未来十年年均增长30%），将是国产GPU发展的重要基石。

此外，智能驾驶、智慧医疗、工业互联网、科学计算、数字孪生等新兴应用场景，也对GPU的性能和多样性提出了新的要求，为国产GPU提供了差异化竞争的赛道。

如果说芯片是GPU的“躯体”，那么软件生态就是其“灵魂”。英伟达之所以能长期雄踞GPU市场霸主地位，其CUDA（Compute Unified Device Architecture）并行计算平台和完善的软件生态功不可没。CUDA拥有超过400万的庞大开发者社群，几乎垄断了AI开发框架、库和工具链，形成了极高的用户粘性和技术壁垒。

国产GPU要想突围，必须攻克软件生态这一难关。目前主要有几条路径：

国产GPU的市场之路，道阻且长。早期应用主要集中在信创工程、特定行业（如军工、航天）或科研领域，这些市场对自主可控的要求高于纯粹的性能指标。

近年来，随着产品性能的提升和生态的初步建立，部分国产GPU开始尝试进入商业数据中心、AI推理、云计算等市场，并已实现小批量应用。例如，一些国产AI芯片已在智慧城市、安防监控、智能质检等场景落地。根据IDC数据，2024上半年，中国加速芯片市场规模超过90万张，其中国产AI芯片出货量已接近20万张，约占整个市场份额的20%。这一数据显示出国产AI芯片在特定市场，尤其是在AI推理领域，已取得初步进展。

然而，国产GPU在商业市场的全面推广仍面临诸多挑战：包括绝对性能与国际顶尖产品的差距、功耗控制、驱动程序的稳定性和成熟度、对各类复杂应用软件的兼容性、大规模部署的经验积累，以及用户对国产品牌的信任度培养等。这些都需要时间和持续投入来逐步解决。

产业链核心要点总结：

上游瓶颈： EDA工具、IP核、高端半导体材料和核心制造/封测设备是国产GPU发展的基石，自主可控压力巨大，对外依存度高，是主要的“卡脖子”环节。

中游追赶： 国产GPU设计厂商众多，以GPGPU为主要方向，但与国际顶尖产品在性能、工艺上仍有1-2代差距。Fabless模式下对先进制程晶圆代工依赖明显。

下游突围： AI大模型、数据中心、信创是主要需求驱动力，推理市场潜力巨大。软件生态是最大短板，通过兼容CUDA、构建自主生态、与国产大模型适配等方式寻求突破。市场接受度逐步提升，但在商业化大规模应用上仍面临多重挑战。

内外驱动： 外部环境的地缘政治压力和出口管制，与内部AI应用爆发、政策支持共同构成了国产GPU发展的复杂驱动力。

在国产GPU产业链奋力突围的同时，国家及产业层面也在积极推进GPU算力基础设施的建设。这不仅为国产GPU提供了广阔的应用舞台和宝贵的迭代机会，更是支撑我国数字经济高速发展的战略基石。

为优化全国算力资源布局，提升算力利用效率，我国启动了“东数西算”工程。这一国家级战略旨在将东部地区密集的算力需求，通过高速网络引导至西部资源丰富、能源成本较低的地区进行处理和存储。在此背景下，智能计算中心（智算中心）作为承载AI算力的核心基础设施，在全国范围内迎来了建设热潮。

数据显示，截至2024年6月，中国已建和正在建设的智算中心已超过250个。这些智算中心的建设，直接催生了对AI服务器，特别是搭载GPU的AI服务器的巨大需求。对于国产GPU而言，大规模的智算中心建设不仅意味着潜在的市场订单，更重要的是提供了在真实应用场景中进行验证、调优和迭代升级的机会，加速了国产GPU从实验室走向市场的进程。

国产GPU基础设施的快速发展，离不开国家政策的鼎力支持和产业资本的积极投入。近年来，从中央到地方，各级政府密集出台了一系列旨在推动新基建、数据中心、人工智能产业发展的扶持政策。这些政策通过财政补贴、税收优惠、科研项目支持、人才引进激励等多种方式，为AI算力基础设施的建设营造了良好的政策环境。

例如，《全国一体化大数据中心协同创新体系算力枢纽实施方案》、《新型数据中心发展三年行动计划(2021-2023年)》等文件，明确了国家层面推动算力基础设施建设的决心（前瞻产业研究院-AI算力行业全景图谱）。《关于推动未来产业创新发展的实施意见》也提出要加快突破GPU芯片，建设超大规模智算中心。

在资本层面，国家集成电路产业投资基金（“大基金”）持续为半导体产业链注入资金活水。同时，国内大型科技企业也纷纷将算力基础设施建设作为战略投资重点。如阿里巴巴表示未来三年将投入超过3800亿元用于建设云和AI硬件基础设施，总额超过过去十年总和；腾讯控股2024年资本开支投入为768亿元，并预计2025年将继续增长。这些巨额投资无疑为国产GPU提供了广阔的市场空间和发展动力。

尽管国产GPU基础设施建设如火如荼，但也面临着诸多现实挑战：

然而，挑战与机遇并存。当前最大的机遇来自于AI应用的持续爆发。据IDC预测，2024年中国智能算力规模为725.3 EFLOPS，预计到2028年将达到2781.9 EFLOPS，2023-2028年复合增速高达46.2%。如此强劲的需求增长，是国产GPU基础设施发展的最大驱动力。另外，日益收紧的外部环境，如美国对H20等GPU的出口限制（例如，2025年4月9日起对英伟达H20 GPU的出口限制生效），客观上加速了国内市场对国产GPU的接纳和扶持力度，为国产GPU提供了“试炼场”和成长的沃土。

图3：中国智能算力规模预测 (数据来源: IDC)

在国产GPU的崛起浪潮中，一批本土企业肩负着技术攻关和市场开拓的重任，正努力书写着属于自己的“芯”传奇。以下选取几家代表性企业，分析其突围实践。

海光信息成立于2014年，是国内高端处理器领域的领军企业之一。公司主营业务包括通用处理器（CPU）和协处理器（DCU，Data Processing Unit）。其CPU产品采用x86架构，通过获得AMD技术授权并在此基础上进行消化吸收再创新，已在国产服务器和信创市场占据重要地位。其DCU产品则主要面向AI计算、大数据处理等场景，采用了“类CUDA”的通用并行计算架构，旨在降低用户从英伟达平台迁移的门槛。

海光的DCU产品系列（如深算一号、深算二号，并正在研发深算三号）在设计上注重与主流生态的兼容性，支持多种计算精度，并持续优化互联技术，以满足大规模集群的需求。据称，其最新一代DCU产品深算三号较深算二号在AI性能上将有数倍提升。在市场应用方面，海光DCU已与国内多家头部互联网厂商完成适配，并在多个智算中心项目中得到应用。同时，海光信息积极参与国产AI大模型的生态建设，其DCU产品已完成对DeepSeek等主流国产大模型的适配。

尽管海光信息在兼容x86和类CUDA生态方面具有一定优势，但在DCU的绝对性能、先进制程工艺以及软件生态的丰富度和成熟度方面，与英伟达等国际巨头相比仍存在差距。如何在消化吸收的基础上实现更深层次的自主创新，并构建更为强大的护城河，是海光信息面临的持续挑战。

寒武纪成立于2016年，是中国AI芯片领域的先行者之一，专注于人工智能芯片产品的研发与技术创新。公司致力于提供覆盖云、边、端一体化的AI芯片及解决方案，其思元（MLU）系列云端智能芯片是其核心产品。思元系列芯片基于寒武纪自研的智能处理器架构，如思元370芯片基于7nm制程工艺，集成了390亿个晶体管，最大算力高达256TOPS（INT8），是上一代产品思元270算力的2倍，并且是国内第一款公开发布支持LPDDR5内存的云端AI芯片。据称，寒武纪MLU370-X8单卡在部分AI模型上的性能与主流350W RTX GPU相当。

市场表现方面，寒武纪在特定领域取得了一些进展。例如，2024年公司预计实现营业收入10.7-12.0亿元，同比增长50.8%到69.2%。其云端产品线在2024年实现了11.88倍的营收增长，显示出强劲的增长势头。公司在2024年Q4和2025年Q1的存货分别为17.74亿元和27.55亿元，反映了对后续批量出货的信心，但也带来了库存压力。然而，寒武纪也面临着激烈的市场竞争，尤其是来自英伟达等国际巨头的压力，以及持续的盈利挑战。同时，作为被列入美国“实体清单”的企业之一，寒武纪在供应链和技术合作方面也受到一定限制。

在生态建设上，寒武纪推出了自有的基础系统软件平台Cambricon Neuware，并积极支持国产AI框架和适配DeepSeek等大模型。如何在复杂市场环境中持续创新、拓展应用、改善盈利能力，是寒武纪突围的关键。

景嘉微成立于2006年，是国内首家成功研发并产业化国产GPU的企业。公司早期主要面向特种领域（如军工、航空航天）提供图形显控模块和GPU芯片，近年来逐步向民用市场（尤其是信创领域）拓展。其JM系列GPU是公司的核心产品，从早期的JM5400，到后来的JM7200、JM9系列，再到目前正在测试的最新一代JM11系列芯片，景嘉微在国产图形GPU领域积累了较多经验。JM11系列芯片已经完成了流片、封装以及初步测试阶段。

景嘉微高度重视研发投入，2023年其研发投入占营业收入比重高达46.44%。公司产品在国产操作系统（如麒麟、统信UOS）和国产CPU平台（如飞腾、龙芯）上进行了广泛适配，在信创桌面办公等领域获得了一定的市场份额。其GPU芯片的营收占比也在逐年增加，2023年已达到14%。

然而，景嘉微的GPU产品主要侧重于图形渲染功能，在通用计算（GPGPU）能力方面，尤其是AI训练和大规模并行计算性能上，与专为数据中心和AI设计的GPU相比，仍有较大差距。其民用市场主要局限于对性能要求不高的桌面显示领域，生态系统也相对薄弱。如何在保持特种领域优势的同时，进一步提升GPGPU性能，拓展更广阔的民用和AI市场，是景嘉微面临的主要挑战。

除了上述较早布局的企业外，近年来还涌现出一批以GPGPU为主要方向的初创公司，如壁仞科技、摩尔线程、天数智芯、沐曦等。这些公司通常拥有经验丰富的海归团队，并获得了大量资本支持。它们致力于研发高性能GPGPU，对标国际主流产品，并在架构设计（如采用Chiplet技术）、软件生态兼容（如尝试兼容CUDA或提供高效的迁移工具）等方面进行了积极探索。例如，壁仞科技的BR100系列GPGPU宣称在部分指标上达到国际先进水平；摩尔线程则推出了多款全功能GPU，并积极构建其MUSA计算平台和生态；天数智芯也已发布其天垓和智铠系列GPGPU产品，并在一些行业项目中开始应用。这些新兴力量的加入，为国产GPU产业注入了新的活力，但也同样面临技术成熟度、规模化量产、市场开拓和生态构建的严峻考验。

审视国产GPU产业链及基础设施建设的现状，不难发现这是一条机遇与挑战并存的道路。认清挑战，才能砥砺前行；把握机遇，方能乘势而上。

总而言之，国产GPU的崛起之路，正是在技术封锁与市场机遇的交织中艰难前行。挑战是现实存在的，但历史机遇同样不容错失。这是一场需要耐心、毅力、智慧和勇气的“持久战”。

站在新的历史起点，国产GPU及其基础设施建设正迈向星辰大海。展望未来，技术创新、生态共建和应用深化将是驱动国产算力扬帆远航的三大核心引擎。

面对与国际巨头的技术差距，国产GPU厂商不能仅仅满足于模仿和追赶，更要勇于探索具有中国特色的创新路径：

GPU的成功，离不开繁荣的软件生态。英伟达CUDA的成功经验表明，一个开放、活跃、开发者友好的生态系统是GPU推广应用的关键。

技术和生态的最终目的是服务于应用，创造价值。国产GPU必须在真实的应用场景中接受检验，不断迭代优化。

回望来路，国产GPU产业在技术封锁与市场需求的夹缝中艰难起步，历经磨砺，已在产业链的多个环节取得了令人鼓舞的进展。从芯片设计的新锐辈出，到制造工艺的奋力追赶，再到下游应用的初步探索和基础设施的加速布局，一幅国产算力崛起的画卷正徐徐展开。诚然，与国际顶尖水平相比，我们在核心技术、软件生态、高端供应链等方面的差距依然存在，前路挑战重重。

但我们更应看到，发展自主可控的GPU产业，对于中国而言，其意义远不止于提供算力本身。它是保障国家信息安全、构筑数字经济坚实底座、实现高水平科技自立自强的战略基石。在人工智能浪潮席卷全球、大国科技博弈日趋激烈的今天，掌握GPU这一核心技术，就是掌握了未来发展的主动权。我们深知，自主创新之路从无坦途，唯有保持战略定力，持续加大研发投入，凝聚产业链各方力量，久久为功，方能最终突破重围。

星辰大海，征途漫漫。我们有理由相信，凭借中国庞大的市场潜力、完整的工业体系、不断积累的技术实力以及举国上下的坚定决心，国产GPU必将在不远的将来，迎来属于自己的高光时刻，为中华民族的伟大复兴贡献澎湃的“芯”动力。国产算力的崛起，不仅是技术的新篇章，更是国家竞争力提升的坚实一步。

读完本文，您认为国产GPU在突围之路上，面临的最大挑战是什么？或者，您最看好哪一技术路径或哪家国产GPU厂商的未来发展？欢迎在评论区留下您的见解，与我们一同关注国产算力的未来！

来源：硬科技与汽车