劉勁 段磊 李嘉欣/文

算力是人工智能最重要的基礎(chǔ)設(shè)施和發(fā)展引擎。AI算力的代表企業(yè)英偉達(dá)（NVIDIA）憑借性能先進(jìn)的產(chǎn)品和難以復(fù)制的生態(tài)，在AI訓(xùn)練及推理芯片領(lǐng)域建立起了近乎壟斷的領(lǐng)導(dǎo)地位，成為地球上價值最高的上市公司。截至2025年11月，英偉達(dá)的市值約為4.5萬億美元，2025年第三季度營收的同比增長約為62%。

英偉達(dá)并不缺少挑戰(zhàn)者，在美國有傳統(tǒng)芯片巨頭安謀（AMD）和英特爾，也有谷歌的TPU、亞馬遜的Trainium（訓(xùn)練芯片）和Inferentia（推理芯片）等科技巨頭的自研算力，還有Cerebras、Groq等專注機器學(xué)習(xí)優(yōu)化架構(gòu)的新銳挑戰(zhàn)者；中國市場也有華為、寒武紀(jì)、燧原等快速成長的AI算力芯片廠商。但到目前為止，他們都很難稱得上是英偉達(dá)的對手，難以撼動其領(lǐng)導(dǎo)地位。不過，未來這一點未必不會改變。

競爭壁壘

AI算力芯片有兩個主要應(yīng)用場景：訓(xùn)練和推理。訓(xùn)練是模型從大量數(shù)據(jù)中“學(xué)習(xí)”知識（調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)），推理是把訓(xùn)練好的模型用在實際場景中。

在大模型發(fā)展的初期和中期，訓(xùn)練算力是核心瓶頸，決定了模型的“高度”，是算力芯片的戰(zhàn)略制高點。因此，我們在此著重討論訓(xùn)練。

英偉達(dá)在訓(xùn)練算力上有統(tǒng)治性的地位。這種優(yōu)勢來自兩個方面：先進(jìn)的技術(shù)和生態(tài)的壟斷。

主流大模型的參數(shù)規(guī)模已達(dá)千億、萬億級別，訓(xùn)練時要對海量數(shù)據(jù)進(jìn)行大規(guī)模計算，單機算力早已遠(yuǎn)遠(yuǎn)不夠，必須依托大規(guī)模芯片集群完成訓(xùn)練；要令這復(fù)雜而成本高昂的訓(xùn)練易于展開、效率高、穩(wěn)定可靠，還需要一整套的軟件系統(tǒng)和工具來作為連接訓(xùn)練工程師、算力芯片和模型的橋梁。

因此，我們大致可以將訓(xùn)練對算力芯片的要求拆解成單芯片性能（單卡性能）、互聯(lián)能力和軟件生態(tài)三部分。

單芯片性能原本主要指計算能力（FLOPS，每秒浮點運算次數(shù)）。訓(xùn)練大模型需要加載海量參數(shù)、進(jìn)行大量的數(shù)據(jù)快速吞吐，所以還需要為訓(xùn)練芯片配置大容量高帶寬的存儲（HBM）。

因為工藝的差異，廠商通常會把顯存和算力芯片做成獨立的芯片，然后封裝在一起或在電路板上進(jìn)行集成，所以叫單卡性能更準(zhǔn)確。用戶們會關(guān)注單卡的計算能力、顯存容量與帶寬、計算精度、功率與能效等。

英偉達(dá)在單卡性能上處于行業(yè)頂尖水平，但競爭對手也在追趕，尤其是AMD的最新產(chǎn)品在主要性能指標(biāo)上已經(jīng)達(dá)到接近英偉達(dá)同期產(chǎn)品的水平。不過，對于AMD等企業(yè)的壞消息是：單卡的性能迫近英偉達(dá)，并不足以撼動其在AI訓(xùn)練領(lǐng)域的領(lǐng)先優(yōu)勢。

互聯(lián)能力對大模型訓(xùn)練非常重要。大模型訓(xùn)練本質(zhì)上是“分布式并行計算”問題，互聯(lián)就是分布式的“血管與神經(jīng)”。前沿大模型的訓(xùn)練已經(jīng)要求數(shù)萬張算力卡的互聯(lián)并行工作，這對大模型廠商是極具挑戰(zhàn)的工程，對算力芯片廠商的要求也極高。

英偉達(dá)憑借專有互聯(lián)技術(shù)NVLink、高性能的通信交換硬件NVSwitch等做到了萬卡級的高效、穩(wěn)定互聯(lián)。其他AI芯片企業(yè)實際落地的集群規(guī)模大部分仍停留在千卡規(guī)模，且很多是采用切割成多個小規(guī)模集群的方式進(jìn)行部署，與英偉達(dá)的純?nèi)f卡并行計算集群差距很大。

互聯(lián)的規(guī)模、質(zhì)量、穩(wěn)定性對算力利用效率、訓(xùn)練時間、訓(xùn)練成本甚至訓(xùn)練成功與否都有顯著影響，選擇次優(yōu)方案帶來的潛在損失，可能遠(yuǎn)大于成本的節(jié)省，這令英偉達(dá)方案有極大的吸引力。這導(dǎo)致即便其他廠商的互聯(lián)技術(shù)能有提升，其缺乏大規(guī)模的落地商用實踐去發(fā)現(xiàn)問題和優(yōu)化方案，無疑加大了他們在互聯(lián)能力上挑戰(zhàn)英偉達(dá)的難度。

除了技術(shù)上的優(yōu)勢之外，英偉達(dá)更重要的優(yōu)勢在于對算力生態(tài)的統(tǒng)治地位。這個生態(tài)優(yōu)勢來自軟件，而不是硬件。和硬件不同，軟件有很強的網(wǎng)絡(luò)效應(yīng)，因此能對用戶產(chǎn)生巨大的黏性。

CUDA是英偉達(dá)有20年積累的GPU并行計算的編程平臺，這個平臺上提供了成熟的開發(fā)和調(diào)試工具、豐富且經(jīng)過充分驗證的軟件庫和函數(shù)庫、海量的文檔和教程支持，讓開發(fā)者的工作變得更簡單、高效。400多萬開發(fā)者通過貢獻(xiàn)開源庫和工具、反饋bug（漏洞）和提供最佳實踐，又令CUDA的軟件生態(tài)變得更好。

英偉達(dá)的其他軟件和工具又能和CUDA生態(tài)配合，對用戶形成更強粘性，如英偉達(dá)提供的大模型開發(fā)框架NeMoFramework、幫助企業(yè)快速部署AI的NVIDIAAIEnterprise等。

除了開發(fā)者，學(xué)術(shù)界研究員發(fā)表的最新AI論文（如Transformer架構(gòu)的變體），其開源代碼通常只在英偉達(dá)GPU上驗證過。如果用其他芯片，研究者可能需要自己去寫底層適配代碼，才能跑通新模型。這意味著使用英偉達(dá)，研究者能最早用上最先進(jìn)的技術(shù)。

更進(jìn)一步，全球的高校計算機專業(yè)、AI實驗室，教學(xué)和實驗用的設(shè)備幾乎全是英偉達(dá)的GPU。一個剛畢業(yè)的AI工程師，大概率已經(jīng)熟練掌握了CUDA編程。如果一家公司決定使用非英偉達(dá)芯片，他們可能需要花費巨大的成本來培訓(xùn)員工學(xué)習(xí)新的開發(fā)環(huán)境。

這種生態(tài)優(yōu)勢有很強的延展性，會吸引眾多玩家的深度參與。比如，Py－Torch和TensorFlow是最流行的深度學(xué)習(xí)框架，分別由Meta和Google主導(dǎo)，但卻和英偉達(dá)的CUDA有深度的生態(tài)協(xié)同。某種程度上，它們是生長在CUDA這個生態(tài)系統(tǒng)上的，將CUDA的生態(tài)組件像積木一樣構(gòu)建在自己的底層中。它們憑借CUDA的并行計算能力觸達(dá)百萬開發(fā)者，又反過來作為生態(tài)的一部分鞏固了CUDA和英偉達(dá)的競爭優(yōu)勢。

生態(tài)優(yōu)勢實際上是一種網(wǎng)絡(luò)效應(yīng)。在自然市場中，弱網(wǎng)絡(luò)很難和強勢網(wǎng)絡(luò)競爭，因為隨著網(wǎng)絡(luò)規(guī)模增長，網(wǎng)絡(luò)價值/競爭力呈現(xiàn)超線性的增長（梅特卡夫定律描述為網(wǎng)絡(luò)的價值和用戶數(shù)的平方成正比）。英偉達(dá)一旦在這種強網(wǎng)絡(luò)效應(yīng)的競爭中勝出，就有了非常深的護(hù)城河。

相對弱勢領(lǐng)域

一個萬卡訓(xùn)練的超大模型，在部署做推理的時候是不需要這么多卡的，通常僅需要幾張到幾十張卡互聯(lián)。因為訓(xùn)練時要計算前向傳播、反向傳播、梯度計算、參數(shù)更新的任務(wù)，推理時只需要計算前向傳播；顯存的存儲任務(wù)也大幅減少。

這意味著人們對推理芯片的互聯(lián)能力要求大幅降低，甚至在一些應(yīng)用場景下，人們還會把模型蒸餾、量化，使其更小以便可以通過單卡完成部署，智能駕駛芯片就是典型例子。

相較于訓(xùn)練場景，推理場景下英偉達(dá)的生態(tài)優(yōu)勢就沒有那么顯著了。模型訓(xùn)練完成時就已經(jīng)是一個算法框架確定的成品了，對英偉達(dá)豐富的開發(fā)生態(tài)依賴度降低。

此外，行業(yè)已經(jīng)發(fā)展出成熟的跨平臺遷移辦法，可以把英偉達(dá)芯片訓(xùn)練好的模型轉(zhuǎn)換成ONNX等中間格式，再編譯部署到其他的算力平臺進(jìn)行推理工作。

因此，理論上，英偉達(dá)在大模型推理領(lǐng)域的統(tǒng)治力遠(yuǎn)不如在訓(xùn)練領(lǐng)域，但這也只是比較而言。實際上，英偉達(dá)在推理市場仍占據(jù)超過70%的市場份額，因為綜合考慮性能、價格、穩(wěn)定性、開發(fā)成本、學(xué)習(xí)成本、遷移成本等，英偉達(dá)在推理芯片領(lǐng)域的性價比仍很有競爭力。

根據(jù)我們對某大廠工程師的訪談結(jié)果，將模型從英偉達(dá)平臺遷移至其他品牌集群，可能會導(dǎo)致開發(fā)周期延長6個月，成本增加40%。

誰能挑戰(zhàn)英偉達(dá)

任何與英偉達(dá)的競爭都必須面對來自技術(shù)和生態(tài)兩方面的挑戰(zhàn)。

由于生態(tài)的壁壘遠(yuǎn)高于技術(shù)的壁壘，要想成功，競爭者就只有兩種選項：如果不能避開生態(tài)的劣勢，競爭者就必須在技術(shù)上有非常大的超越；如果技術(shù)上沒有很大的超越，就必須利用經(jīng)濟以外的方法，人為形成一個保護(hù)性的市場，避開與英偉達(dá)在生態(tài)上的正面競爭。

在美國，英偉達(dá)的挑戰(zhàn)者主要來自技術(shù)方面——定制AI芯片（ASIC芯片）。近期，谷歌發(fā)布的表現(xiàn)優(yōu)異的大模型Gemini3，就是完全基于谷歌TPU訓(xùn)練的。ASIC和GPU的競爭前景取決于犧牲靈活性換取的計算效率是否劃算。

從CPU到GPU再到TPU為代表的ASIC發(fā)展，有些像物種的演變，從通用到適應(yīng)環(huán)境和需求的特化。CPU有最高的適應(yīng)性，幾乎支持運行任何程序和代碼。GPU為圖形渲染這個生態(tài)位演化，大幅簡化了核心，犧牲了在復(fù)雜控制邏輯和高度不規(guī)則任務(wù)上的效率，但通過堆疊數(shù)千個簡單的核心，擅長同時處理大量相似的計算任務(wù)，后來發(fā)現(xiàn)這一點也適合用于AI計算。ASIC芯片更進(jìn)一步，只保留和優(yōu)化支持AI計算（矩陣乘法、卷積計算等）的電路，去除所有不必要的單元。自然，ASIC芯片在做AI計算時效率、功耗等方面就更有優(yōu)勢，但一旦模型結(jié)構(gòu)/算法范式變動太大，就容易“過時”。

這種來自技術(shù)的挑戰(zhàn)，在短期內(nèi)不會對英偉達(dá)產(chǎn)生實質(zhì)性影響，因為技術(shù)上的跨越并非巨大，但生態(tài)上的劣勢卻是全方位的。

在中國市場，英偉達(dá)遇到的挑戰(zhàn)更為根本。

隨著美國政府禁止英偉達(dá)將先進(jìn)的芯片出售給中國市場，中國市場就被動地變成“被保護(hù)”的市場，英偉達(dá)的生態(tài)優(yōu)勢無處發(fā)力。

中國的大模型廠商、云廠商、廣大開發(fā)者、技術(shù)人員原本都是英偉達(dá)生態(tài)的一部分，但現(xiàn)在即使他們想用CUD－A，也面臨很大限制。

禁令使中國AI產(chǎn)業(yè)中短期面臨陣痛，因為國產(chǎn)算力芯片和生態(tài)還不成熟，要面對算力效率下降的局面。對于中國算力芯片企業(yè)而言，這又是重大的發(fā)展機遇期。因為在正常的市場情況下，華為很難說服開發(fā)者放棄好用的CUDA，改用不成熟的CANN（ComputeArchitec－tureforNeuralNetworks）生態(tài)。

如今，很多開發(fā)者開始轉(zhuǎn)向?qū)W習(xí)CANN等平臺，也出現(xiàn)不少抱怨之聲，包括平臺的技術(shù)問題、需要付出很多學(xué)習(xí)成本、需要經(jīng)歷“踩坑之路”等等。但這也意味著，隨著更多開發(fā)者投入，這些生態(tài)會逐漸成熟。等到學(xué)習(xí)、遷移成本被“消化”，未來即使禁令解除，他們也不一定愿意回去了。

這種地緣政治造成的舊霸主網(wǎng)絡(luò)效應(yīng)失效和新生本土網(wǎng)絡(luò)崛起的故事，在互聯(lián)網(wǎng)時代屢見不鮮，中國大部分互聯(lián)網(wǎng)巨頭的崛起都與此有關(guān)。芯片和互聯(lián)網(wǎng)有所差異，技術(shù)突破困難得多，但其生態(tài)的網(wǎng)絡(luò)效應(yīng)邏輯高度類似。

因此，美國對中國的芯片禁運，目的本是為限制中國AI技術(shù)的發(fā)展，但副作用卻是給英偉達(dá)催生了一個長期的強勁對手。

在我們本次研究即將完成之際，美國政府對中國出口英偉達(dá)芯片的最新政策發(fā)生了重大轉(zhuǎn)變。2025年12月8日，美國政府批準(zhǔn)了英偉達(dá)向中國市場出售較為先進(jìn)的H200芯片，但附帶了政府收入分成和客戶審查的條款。這反映出美國意識到原來的禁運做法會削弱英偉達(dá)的長期競爭力，轉(zhuǎn)而通過梯度管控的做法保持芯片技術(shù)代差的同時，維持英偉達(dá)的生態(tài)影響力。

中國市場和政府該如何接招？原來的特供版H20和國產(chǎn)領(lǐng)先AI芯片處在大致相當(dāng)?shù)男阅軈^(qū)間，而H200的算力大約是H20的6倍，顯存容量約為1.5倍，綜合來看訓(xùn)練時的表現(xiàn)大概領(lǐng)先數(shù)倍到十倍以上。

理性的應(yīng)對策略既不是一禁了之，也不是無條件放開。為了更大的大局——人工智能領(lǐng)域的競爭力，必要的采購應(yīng)該被允許，比如短期內(nèi)國產(chǎn)芯片無法滿足的核心AI項目、前沿大模型的訓(xùn)練和探索性研究等。但另一方面，完全的市場競爭可能令剛剛起步的國產(chǎn)AI芯片不堪重負(fù)，中國需要設(shè)計一套機制來鼓勵和扶持國內(nèi)AI芯片企業(yè)的發(fā)展，讓他們有機會在一個相對或局部被保護(hù)的市場發(fā)展自己的生態(tài)。

戰(zhàn)略考量

需要提醒的是，在看待包括AI技術(shù)在內(nèi)的科技競爭時，人們?nèi)菀追傅囊粋€錯誤是國產(chǎn)替代思維，但如果僅僅用國產(chǎn)替代來解決卡脖子問題就會引發(fā)一個新的問題：世界上其它國家會不會也做同樣的事情，對來自中國的技術(shù)產(chǎn)生卡脖子的擔(dān)憂？如果其它國家也采取國產(chǎn)替代的策略來排擠中國科技，我們豈不是又回到了自我封閉的道路？

和英偉達(dá)的競爭一定是生態(tài)與生態(tài)之間的競爭，所以開源思維是最優(yōu)解。

開源的戰(zhàn)略意義在于構(gòu)建一個遠(yuǎn)超14億人的全球性網(wǎng)絡(luò)，放大人才數(shù)量和創(chuàng)新效率，打破脫鉤陷阱。

華為在今年8月宣布將其對標(biāo)CUDA生態(tài)的CANN和Mind工具鏈全面開源開放，正是這種思維的體現(xiàn)。

開源生態(tài)可以快速匯聚全球開發(fā)者的智慧，更快地發(fā)現(xiàn)并修復(fù)錯誤，貢獻(xiàn)代碼，提出新的功能和優(yōu)化辦法。因為是開源的，理論上國內(nèi)外的其他芯片廠商也可以加入到這一生態(tài)（實際因為芯片架構(gòu)、指令集差異，目前較為困難），這就能更有凝聚力地打造一個開放、有競爭力的生態(tài)。

（劉勁系大灣區(qū)人工智能應(yīng)用研究院理事、特聘專家，長江商學(xué)院會計與金融學(xué)教授，段磊系大灣區(qū)人工智能應(yīng)用研究院研究總監(jiān)，李嘉欣系大灣區(qū)人工智能應(yīng)用研究院研究員）

免責(zé)聲明：本文觀點僅代表作者本人，供參考、交流，不構(gòu)成任何建議。