9月，国内入秋，气温骤降，英伟达重回中国市场的步伐也有些凝滞。 

两个月前，仲夏之时，英伟达创始人黄仁勋穿着皮衣落地北京，带来H20芯片在中国市场“解禁”的消息。但没过多久，又传来H20停产的风声。 

作为中国市场定制的“特供芯片”，H20深陷“后门”疑云，被质疑“既不安全也不先进”，市场需求疲软。不愿意放弃中国市场的英伟达，计划推出性能更强的B30A芯片，以技术优势重建市场信心。 

H20禁售加上“后门”疑云，英伟达的空窗期成了国产厂商补位的良机。这半年来，华为、寒武纪等大力推广自家芯片，在政务云等领域市占率飙升，一些科技大厂也开始批量采购国产芯片。 

在黄仁勋的最新访谈里，他提及中国在AI芯片上落后两三年的说法，驳斥说：“得了吧，他们只落后我们几纳秒。”话里话外流露出一种迫切，希望美国放开管制，让英伟达重回中国。 

眼下，英伟达回归遇阻，腾出来的市场空白，都有哪些国产AI芯片厂商竞逐？谁有机会率先取代H20？国产AI芯片厂商追赶英伟达的路上还有哪些阻碍？ 

谁在竞逐英伟达的遗留市场？

过去，大多数公司采购算力芯片时，首选必定是英伟达。从生成式AI爆发至今，英伟达GPU凭借卓越的性能、稳定的驱动和完善的CUDA生态，筑起强大的护城河。

据TechInsights数据，在GPU市场，2023年全球应用于智算中心的GPU总出货量达到了385万颗，其中，英伟达的市场份额接近98%。 

垄断性的市场地位，使英伟达成为压在国内外科技大厂心头的大山。在国外，微软、谷歌、亚马逊都在一边狂买英伟达芯片，一边自己造芯；而在国内，受限于政策禁令，AI公司无法获得先进的英伟达芯片，随时面临断供风险，只能寻找国产替代方案。

好消息是，英伟达留给国产厂商的空间足够大，能容纳多家公司同场竞逐。 

今年二季度，受禁售H20影响，英伟达中国区营收只有27.69亿美元，比去年同期的37亿美元下降24.49%。去年全年，英伟达中国区营收171.08亿美元。业绩会上，黄仁勋也预测中国市场年增长率大约50%，光今年就可能有500亿美元的商机。 

这数百亿美元的市场，英伟达目前只能干着急。在三季度的业绩指引上，英伟达没有假设任何对华出口H20的情形，而这也是中国公司的好机会。 

在竞逐H20遗留市场的公司里，最被看好的公司是华为和寒武纪。

从单卡性能来看，华为昇腾910B/C，算力已超过英伟达H20。除华为外，据行业自媒体“半导体综研”整理，FP16算力能达到300TFLOPS（每秒万亿次浮点运算）以上的国产芯片，只有寒武纪的思元590；壁仞科技在2022年推出的BR100，其FP16算力能达到1024TFLOPS，但因受到制裁无法量产。其他如百度昆仑芯、阿里平头哥、摩尔线程等自研主流产品都已经接近H20水平。 

当然，国产芯片的目标不是阉割过的H20，最先进的国产GPU依旧落后英伟达最新产品两代，算力差距约落后3倍。但至少，逐渐替代昂贵但不先进的H20已经具备可行性。 

除了技术追赶上来，外部环境也在变好，发展国产算力的政策扶持不断，互联网巨头和运营商们纷纷加码算力资本开支，为国产AI芯片打开了市场空间。 

今年以来，国内AI芯片厂商业绩突飞猛涨。短暂成为A股“股王”的寒武纪，今年上半年收入28.81亿元，同比暴涨了4348%，首次扭亏为盈，净利润10个亿。 

华为的大单也源源不断。据行业调研报告，今年昇腾910B全年计划出货约40万颗，客户主要是运营商和地方算力中心；910C计划出货30万颗，以互联网大厂为主。不久前的华为全联接大会上披露，华为新推出的CloudMatrix 384超节点累计部署300多套。 

阿里平头哥、百度昆仑芯这两家互联网巨头旗下的芯片公司，也有着稳定的内部需求和丰富的应用场景，在充沛的资金下能够快速迭代产品，再反哺互联网大厂的云计算和AI业务；摩尔线程、沐曦股份、壁仞科技等新锐也在参与市场竞逐，这些创业公司在技术创新、兼容性设计、市场定位上以灵活见长。 

摩尔线程在其IPO报表中披露，2025年上半年营收7.02亿元，正在洽谈的AI智算领域合同超过17亿元，其还与中国移动签署过万卡级合作项目，封装订单规模超10亿元。 

沐曦股份也曾连续中标两份AI训推一体机大单，金额达14.88亿元；截至2025年8月，其在手订单（不含税）为11.4亿元，客户涵盖新华三、算丰、汇天网络等。 

拿下订单意味着国产AI芯片进入到技术迭代和商业变现的良性循环中。摩根士丹利在其最新报告《中国人工智能：沉睡的巨人觉醒》中预测，在外部压力下，中国已全力迈向完全独立，并正在以比预期更快的速度构建自给自足的生态系统，中国人工智能芯片自给率将从去年的34%飙升至2027年的82%。 

模仿英伟达，还是另走一条路？

追赶英伟达，在一两年以前还是遥不可及的事情。

摆在国产厂商面前的有几座难以逾越的大山：制程优势、供应链稳定性、软件生态。 

即便是最先进的国产AI芯片，与英伟达的最新产品都有两代的差距，昇腾910C单卡BF16算力只相当于英伟达GB200单卡的31%。根本原因在于制程落后——华为只能用中芯国际的7nm多重曝光工艺（近似7nm但良率很低），但英伟达可以用台积电的3nm工艺。

国产厂商也面临着供应链不稳定的问题，台积电的良率高达80%，产量稳定，成本可以随着产能爬坡不断降低，而中芯国际7nm工艺良率只有30%多。另外一个风险是，地缘摩擦对芯片行业的影响不确定，比如壁仞科技的高端芯片BR100由于台积电中止代工，迟迟无法量产。 

制程问题还可以找到替代方案，但软件生态没有英伟达十几年的积累，很难在短时间内追赶。国内某机器人公司CTO王枫告诉我们，使用GPU产品最重要的是考虑工具链的完整性，比如GPU之间的互联技术、框架的兼容性、并行计算的编程模型平台。这恰恰是英伟达耗时十多年筑起的高墙。 

英伟达生态核心是CUDA，它就像底层的Windows操作系统，全球有400多万开发者为它构筑加速库、主流框架和大模型，但CUDA只能在英伟达芯片上使用，迁移到其他芯片上就要重写代码，光人力和测试成本就高达数千万元。 

因此，生态是英伟达最大的底气。以被阉割的H20为例，英伟达降低了H20的算力，只有H100的15%，但是保留了HBM3显存和NVLink技术，就是想用“低性能+强生态”稳住市场地位，让中国公司买更多卡来满足需求。 

在硬件性能、软件生态和供应链都落后的情况下，国产厂商根据自身能力和市场需求，走上了不同的追赶路线。 

华为是受限最多的一家，但自身有着非常好的产业基础和技术能力，因此选择了“全栈自研”，从芯片、软件、协议到服务器、交换机、存储等，全部自己做。 

制程被卡脖子，华为就把两颗910B芯片封装在一起使算力翻倍；HBM存储技术被卡脖子，华为就自研HBM；卡间互联速率慢，华为就研发对标NVLink的灵衢UB。这些系统级的优化创新避开了制程限制，解决了单卡算力差的问题。

质量不够，数量来凑。沿着这个思路，把很多芯片、内存、网卡像“拼乐高”一样堆叠在一起，用高速线缆传输数据，就是华为推出的“超节点技术+集群战略”，代表性产品CloudMatrix 384超节点集群，BF16算力总和超过了英伟达NVL72系统。 

华为也在培育生态。想让人用自家的芯片，就得让黏性超高的CUDA开发者和应用厂商迁移过来，这需要分两步，第一步是让自家芯片可以兼容CUDA，第二步是向他们提供基于自家生态的工具和框架。 

华为推出的异构计算架构CANN对标CUDA，已经能兼容80%的CUDA API，支持85%的CUDA算子自动转换，但转换后性能会损耗15%-20%；CANN还能兼容PyTorch、TensorFlow这些主流框架，华为也自研并开源了MindSpore全场景人工智能计算框架，开放灵衢互联2.0协议规范，试图吸引更多开发者共同完善生态。 

华为做“大而全”，一边模仿一边自研，多数国内厂商则只能做“小而美”，从垂直、细分市场切入，要么兼容英伟达，用性价比撬动客户，要么针对特定需求做定制芯片。

国产厂商最常见的一种做法是“NV兼容”，通过中间件把现有CUDA代码映射到国产芯片指令集，让硬件“听懂”开发者的意图。芯片使用者可以在不大幅重写代码的前提下，把工作任务迁移到国产芯片上运行，降低了使用和切换的门槛。这种做法是市场导向，先靠模仿打开市场，站稳脚跟，让自己活下去，后面才有机会发展自己的生态。 

昆仑芯和华为都在验证类似方案，且在一定程度上获得了市场认可。2025年8月下旬，中国移动2025年至2026年人工智能通用计算设备（推理型）集中采购项目中，百度昆仑芯在“类CUDA生态”标包中几乎包揽前三个分项的头名，总中标订单规模达到十亿级。 

做定制芯片的佼佼者是寒武纪。与英伟达所做的通用GPU不同，寒武纪的AI芯片属于ASIC（专用集成电路），可以应用于云服务器、边缘计算设备、终端设备上，在对延迟、功耗和成本敏感的场景中，展现出更高的性价比。 

不管是兼容模仿，还是全栈自研，都是在用自己最优势的能力，在英伟达的夹缝里寻找突破口，这条路注定坎坷。 

追赶英伟达，是漫漫长路

硬件和软件都在缩小差距，但要让市场相信国产厂商的产品可用，是一个极其艰难的过程，尤其对那些已经使用英伟达芯片的开发者。

一个已经在英伟达GPU上训练好的大模型，要搬到国产AI芯片上运行，中间有两道坎。 

第一道坎叫算子对齐。过去十几年，英伟达和全球开发者用CUDA写下了海量的算子库。要迁到国产芯片上，就得把一个个算子翻译成国产芯片能听懂的语言。这不是简单的复制粘贴，而是成千上万条代码的“逐句翻译”，需要大量人力和时间。

第二道坎是分布式重构。大模型训练常常需要几百上千张卡一起算，英伟达有自己成熟的沟通协议，H20的NVLink带宽是昇腾910B的2.25倍，训练万亿参数大模型时，多卡协同效率能高10%-15%。这在千亿级模型训练里，可能差好几周时间。

有机器人开发经历、目前正从事芯片研发工作的张振尧表示：“在迁移顺利的情况下，芯片硬件性能能发挥到70%到80%；如果算子勉强适配，可能只有30%到40%。”这也是为什么即便国产芯片在参数表上标注的性能比肩英伟达，真正跑起来却常常不如预期。 

王枫的经验印证了这一点。他所在的机器人公司曾经长期使用英伟达GPU，从4090、5090到H100、H20都有涉猎。两年来，随着英伟达芯片价格高企、获取困难，他们开始尝试华为昇腾的云端算力。 

真正让他焦虑的，并非单纯的硬件，而是新平台、新架构带来的不确定性。英伟达CUDA深度绑定在硬件里，几乎所有主流的机器学习框架都得跟它打交道。比如开发者们常用的PyTorch，对CUDA的支持是最全面的，两者无缝衔接，用起来又快又稳定。 

王枫曾尝试用华为芯片跑Llama等比较流行的几个模型，几乎每个模型都需要华为单独适配后才有可能在它的芯片上运行，这直接导致模型更新滞后。华为芯片目前只适配了160多种模型，而在英伟达的芯片上可以直接跑几万种模型。 

华为分别推出了对标产品，但在王枫看来，如果没有明显的优势和终端市场需求，这些产品很难撬动市场。这就像平面设计师对Photoshop、会计师对金蝶软件的依赖，几十年如一日，已经固化成行业习惯，不是所有人都会学习新技术，能学习的也会考虑到机会成本。

中小开发者考虑易用性，对于大公司，整体迁移的成本更是天价。互联网大厂现有的算力基础设施大部分是基于英伟达架构，要是全换成国产，IDC的供电系统、网络拓扑等底层架构都得改造，改造成本能达到硬件采购价的2-3倍。 

由于CUDA生态更成熟，英伟达集群的运维人力成本也要低很多，而华为集群由于芯片制程问题，体积更大，规模化部署还要额外投入数倍的散热、电力和机房空间成本。 

制程问题也造成国产芯片采购成本更高，且供不应求。但由于H20的安全问题和断供风险，国产芯片to G需求很大，to B的需求也在增长，迁移是不得已的事情，厂商和客户需要共度时艰。 

相比技术和生态上短时间难以弥补的巨大差距，国产厂商更容易发力的地方，是周到的服务和更有吸引力的价格。

张振尧回忆，使用英伟达芯片时，遇到问题只能从开发者论坛、社区的公开文档找答案，很难获得官方工程师的支持，“英伟达的支持体系是很成熟的，但同时也是分层的，不对我们这样的小客户开放”。 

相比之下，和国产芯片供应商接触时，他能直接和原厂工程师反馈问题，对方会派两三个工程师和他们一起去调试，有时候还会拉会，出新的版本给他们做测试，愿意为客户解决一些问题。他说，这在英伟达是不可能发生的。 

算力芯片研发人员唐诗（化名）也有类似感受：“国内芯片卖出去，基本都得有工程师驻场维护，协同客户上线业务，进行开发。”这样的故事也曾发生在华为。据36氪报道，华为联合讯飞发布“星火一体机”的背后，是不惜人力成本，调配了几百名工程师下场帮讯飞调校参数。 

在不惜成本的人力投入下，一定程度上弥补了生态和性能的欠缺，让国产厂商撕开了一道口子。短期内，在推理场景和边缘计算方面，国产芯片已经展现出一定的成本优势，但在训练领域，尤其是训练千亿参数以上的大模型，H20还有比较强的生态和技术优势，暂时还没法被替代。国产芯片还需要两到三年的技术迭代，也需要下游的封装、制造环节同步突围。 

产业链上下游整体进步，今年DeepSeek-R1模型的发布就是一个很好的例子。在这之前，大多数可被使用的开源模型来自美国，从底层适配开始就很难与中国硬件做好兼容。DeepSeek-R1发布后，中国在模型和硬件上有了同时可用的方案。 

8月下旬发布的DeepSeek-V3.1，也针对国产芯片做了优化。不久前，腾讯也宣布已全面适配主流的国产芯片，并希望通过异构计算平台整合多类芯片，提供高性价比的AI算力解决方案。越来越多客户加入到国产芯片阵营，替代的速度也会越来越快。 

从服务到迁移，从生态到工艺，国产AI芯片厂商正经历着一场艰苦的追赶战。他们没有捷径，只能靠人力投入去弥补生态差距，用长期的技术迭代去对冲硬件短板，再忍受工艺成熟之前的高昂成本。这是一个注定不会轻松的过程，是一次软硬件、生态和市场的再造。距离真正替代H20，国产厂商们还有很长的路要走。 

参考资料

36氪：《围剿英伟达丨深氪》

新浪财经：《英伟达最新特供芯片RTX 6000D需求疲软，国内厂商投入自研AI芯片》

人民日报：《H20芯片解禁，怎么看？》

21世纪经济报道：《从超节点到集群 华为亮出AI算力全家桶》

信达证券：《DeepSeek-V3.1 发布，国产 AI 芯片迎接战略性机遇》

东吴证券：《半导体设备行业深度：AI芯片快速发展，看好国产算力带动后道测试&先进封装设备需求》

华创证券：《计算机行业深度研究报告：国产智算芯片，需求强劲，性能生态再进阶》

半导体综研：《全球主流算力芯片参数汇总、整理、对比（修正版）》

chosun：《China aims for 80% AI chip self-sufficiency and 30% share in humanoid robots》

wccftech：《Morgan Stanley Guts SMIC’s Huawei AI GPU Revenue By More Than 50% Due To Abysmal Yields》