2025年下半年，中国AI芯片市场“国产崛起”的趋势日益显著。国产芯片整体市场份额已突破40%，其中华为的出货量接近百万张，寒武纪首次实现盈利，海光营收也突破百亿大关。与此同时，英伟达在短短三年内失去了35%至40%的市场份额。这一变化甚至得到了英伟达CEO黄仁勋的公开确认。
黄仁勋在2025年内三度访华，期间在北京明确指出，“任何低估华为以及中国制造能力的人都是极其天真的。”他补充道，华为的芯片设计极为出色，构建了从芯片到系统再到云服务的完整技术体系。在SCSP论坛上，黄仁勋更是直言不讳地承认，英伟达在中国AI芯片市场的份额“实际上已经归零”，并多次警告美国的出口管制“在很大程度上适得其反”，反而加速了中国本土芯片产业的崛起。
然而，所有数据和信息都指向一个更深层次的问题：这究竟标志着国产芯片“供给能力实现跃迁”（即产能、营收和出货规模的快速增长），还是“竞争结构已然终局重构”（即英伟达在中国的主导地位被彻底动摇）？这两种可能性预示着完全不同的产业未来。
本文将基于上市公司年报、IDC市场数据、SemiAnalysis等行业研究以及公开报道资料，从算力、生态、玩家结构、训练/推理分化和发展路径五个维度，对当前国产AI芯片的真实状态进行系统性梳理。核心判断如下：
审视2025-2026年国产AI芯片的真实状况，从公开披露的数据来看，2025年是国产AI芯片商业化进程的关键转折点。在中国AI加速卡市场年出货量约400万张的规模中，国产厂商合计出货量达到约165万张，市场份额首次稳定突破40%。这表明国产芯片已不再停留在“局部替代”的早期阶段，而是迈入了能在整体市场中形成结构性影响的新阶段。
在此背景下，以华为昇腾、寒武纪和海光这三家专业AI芯片公司为代表的国产芯片“三巨头”，在过去12个月里都达到了前所未有的里程碑：
综合分析这四组数据，可以观察到三个结构性变化：
首先，国产AI芯片出货量从2023年单厂万张的级别，跃升至2025年全行业合计百万张以上。
其次，客户结构已从最初的“政策驱动”扩展到字节跳动、阿里巴巴、百度、腾讯等头部互联网公司。
最后，商业模式也从“高投入低回报”转向了“收入可持续兑现”。
然而，这些变化主要体现在订单和收入层面，尚未实现硬件性能和软件生态的同步突破。到2025年下半年，国产AI芯片在中国的崛起已成为共识。但这组数据仍有几个关键问题值得探讨：国产芯片所占据的35%至40%市场份额，在训练和推理等不同工作负载场景中的分布并不均衡；互联网大厂的“采用”并不等同于“替代”，其对国产芯片的真实依赖程度仍有显著差异；此外，CUDA开发者基础（约590万）与国产生态（低于100万）之间仍存在数量级差距。换言之，现阶段的变化更像是“供给能力的跃迁”，而非“竞争结构的终局重构”。
此次跃迁的深层原因，恰恰印证了上述判断。与其说是国产芯片在公开竞争中胜出，不如说是多重外部力量共同作用的结果。美国对H100乃至H20（英伟达为中国市场定制的削减版）的出口管制，迫使大量原本属于英伟达的需求转向国产替代；国产化政策引导国有企业、运营商和头部大厂优先采购国产芯片；同时，中芯国际7nm工艺良率的提升（约40%）和华为产能储备的增加，使得国产芯片首次能够承接规模化订单；再叠加大型模型需求的整体爆发，市场本身也在迅速扩大。简而言之，此次跃迁的底层逻辑是“需求因管制而被重新分配，而供给恰好能够承接”，而非“国产芯片在性能和生态上超越了英伟达”。
从算力角度评估，国产AI芯片与英伟达的差距。
单从硬件性能来看，国产AI芯片在2024-2025年期间实现了实质性追赶，但同样的对照表也清晰地揭示了尚未突破的物理和供应链瓶颈。
国产芯片已取得的成就：与英伟达上一代主力平台（A100、H100）相比，国产旗舰单卡性能已实质性接近，并通过系统级集成实现了局部反超。
图表1：国产旗舰芯片性能对比
若仅关注单张芯片，国产最强的昇腾910C实测性能可达到英伟达H100的约六成。H100是英伟达2022年发布的旗舰产品，虽然已被H200（2023年）和B200（2024年）两代新品超越，但由于存量巨大，它仍是当前全球AI数据中心的主力芯片。因此，“达到H100的60%”的准确含义是：国产单卡追上了“英伟达两三年前主力产品”的六成，而非“英伟达当前最强产品”的六成。如果以英伟达2024年发布的Blackwell B200为对标，差距依然显著（参见图表2）。
然而，单卡性能并非故事的全部。在“堆卡”的系统级方案上，华为CloudMatrix 384（由384颗910C组成一个超节点）通过数量优势和工程优化，在算力、内存带宽等部分指标上超越了英伟达的旗舰机柜GB200 NVL72（由72张Blackwell GPU组成的机柜级AI超级计算系统），但代价是功耗增加了约4倍。这反映出国产厂商当前的核心策略：通过系统级集成和规模化部署，弥补单卡层面的性能差距。
国产芯片仍存在的不足：与英伟达最新一代平台相比，四个关键维度的差距依然明显：
图表2：算力四维度对比表
这四个维度并非相互独立。HBM带宽（高带宽内存，AI芯片“读取和搬运数据”的速度）通常比理论浮点运算能力（FLOPS）更为关键，因为在大模型训练中，瓶颈往往在于数据搬运而非纯粹的计算。互联差距在万卡级别集群中会被指数级放大。英伟达NVL72方案能够使72颗B200在逻辑层面表现为单一GPU，这是目前国产体系无法比拟的架构性优势。同时，进入3nm工艺制程的不止英伟达，谷歌TPU v7p、亚马逊Trainium 3也在快速迭代，国产AI芯片真正面对的是全球先进制程梯队的持续进步。
部分差距是工程以外的硬性制约。荷兰阿斯麦（ASML）公司的EUV光刻设备长期受美国出口管制，无法向中国大陆供货，这直接限制了中芯国际向5nm以下制程的推进。HBM3E/HBM4（高带宽内存HBM的演进版本，面向AI芯片、高性能计算HPC和数据中心的3D堆叠DRAM技术）的全球产能集中在SK海力士、三星、美光这三家韩美厂商，2024年底美国进一步加强了对华出口管制。这两个制约的共同特点在于，国产芯片公司并非“完全无法制造”，而是在全球供应链的关键环节上仍缺乏自主能力，受制于海外公司和出口管制。这种差距并非随着时间推移自然消失的线性问题。过去四年，国产AI芯片确实实现了从“接近A100”到“部分场景接近H100”的工程突破，但单卡算力的缩小并不意味着实际工作负载下的性能差距也在同步缩小。
面对这一工艺技术瓶颈，华为也在积极探索“换赛道”的策略。2026年5月，华为在IEEE ISCAS 2026会议上提出了“韬（τ）定律”，倡导通过“时间缩微”（例如逻辑折叠等技术压缩信号传播时延）来替代传统的“几何缩微”（即通过缩小晶体管尺寸），目标是在2031年实现在不依赖先进光刻机的情况下，达到等效1.4nm制程的晶体管密度。然而，这目前仍是一项面向未来的原则和路线图——其所宣称的密度数字来自华为内部披露，尚待独立验证。相关报道指出，该路线可能首先应用于后续的麒麟手机芯片，并有望进一步扩展至AI芯片领域。但其在AI算力场景中能否兑现，仍需持续观察。
生态层面：国产大生态尚处于“建立第二语言”的阶段。
如果说硬件层面的追赶存在明确上限，那么生态层面的差距则表现出截然不同的形态。这并非单纯通过工程投入就能解决的技术难题，而是一个由时间积累、开发者规模和网络效应共同构建的复杂系统。
英伟达披露的数据显示，截至2025年，其CUDA生态已形成一套极具规模效应的体系：全球CUDA开发者规模达到590万；累计部署的CUDA-enabled GPU已超过5亿张；自2006年发布以来，CUDA已持续演进近20年。
在工具链层面，英伟达围绕CUDA构建了涵盖深度学习、高性能计算（HPC）、数据科学和AI推理的完整体系。目前最主流的AI模型训练框架如PyTorch、谷歌推出的深度学习框架TensorFlow以及谷歌推出的高性能机器学习计算框架JAX等，都默认将CUDA作为首要后端。同时，大模型高吞吐推理框架vLLM、英伟达官方的大模型推理加速引擎TensorRT-LLM以及面向大模型服务与推理优化的开源框架SGLang等主流推理框架，也首先围绕英伟达平台进行开发。当前，大量前沿模型的训练和部署，仍然高度依赖CUDA生态。
相比之下，国产芯片生态仍处于明显早期的阶段。华为CANN是其中推进最快的一套：2018年发布，CANN 6.0（2022年）开始支持大量主流模型和框架兼容；2024-2025年，华为进一步推进CANN 8.x并宣布工具链全面开源，这是国产AI软件生态迄今最重要的战略升级。然而，真正的差距不在于“支持多少模型”，而在于其与CUDA起步时间相差12年、开发者基数仍远低于百万级、主流框架对国产平台仍停留在“兼容与迁移”层面。寒武纪NeuWare、海光DTK等其他方案则处于更早期的阶段。当前国产AI芯片真正面临的问题，并非“有没有软件栈”，而是CUDA已成为全球AI开发的默认语言，而国产生态仍处于“建立第二语言”的阶段。
从纸面参数来看，国产旗舰芯片与英伟达的差距正在迅速缩小。但在真实的大模型训练和推理环境中，这种差距往往会被重新放大。
以LLaMA-2 70B（Meta发布的第二代700亿参数大语言模型）的推理为例，SemiAnalysis等机构测算认为，昇腾910C的部分硬件指标已达到H100的约80%。然而，DeepSeek等团队的实测结果显示，在真实的推理工作负载下，其整体性能约为H100的60%。从“纸面上的80%”到“实际的60%”，这20%的差距，本质上来源于生态成熟度带来的性能损耗。
这种损耗主要源于三个方面：关键算子库（如FlashAttention、KV-Cache、MoE Routing）的优化滞后；编译器协同与算子融合体系不够成熟；以及通信库与集群软件栈仍在快速迭代等多种因素叠加。这意味着，即使国产芯片在采购价格上接近英伟达，如果实际有效算力只能发挥对方的六成，企业最终节省的硬件成本，很可能重新消耗在购买额外服务器、进行工程适配以及处理更复杂的运维工作上。
软件生态真正的难以撼动之处，在于其典型的网络效应。CUDA的护城河并非来自某个单一组件，而是源于一个持续自我强化的循环：软件适配越充分 → 开发者数量越多 → 企业迁移成本越高 → 市场份额进一步扩大 → 英伟达获得更多投资 → 软件生态继续增强。每个环节都在强化下一个环节，整个系统呈现出“强者恒强”的正反馈效应。这也解释了即使竞争对手在硬件上追平英伟达，开发者仍然不愿迁移的现象。因为迁移成本（重写代码、重新培训团队、放弃成熟的库和工具链）远大于硬件性能差距所能带来的收益。
回顾过去三年，国产生态确实取得了显著进展：CANN的持续演进和全面开源，昇腾芯片进入互联网大厂，以及国产推理框架的逐步成熟。然而，CUDA同期也并未放缓步伐，开发者从2020年的约200万增长到2025年接近600万，主流推理框架体系也在持续扩张。国产生态在努力追赶，但CUDA这个“移动目标”本身也在持续加速。这也是为什么说当前国产芯片获得的大量市场份额，更多是建立在供应链安全和去风险化需求之上，而非开发者生态层面的完全替代。
国产AI芯片的真实格局
在“专业AI芯片公司”这个子类别中，“三国鼎立”仍是核心力量。但整个中国AI算力产业已从“三强竞争”演变为“专业芯片公司 + 云厂商自研 + 长尾新势力”共存的多层结构。
图表4：玩家清单表
值得关注的是，阿里平头哥出货量达到26.5万张，已超过寒武纪的两倍以上。阿里平头哥的PPU（可编程处理器）芯片于2025年9月经央视《新闻联播》首次披露，其性能超越英伟达A800并接近H20，单卡物料清单（BOM）成本较H20下降约40%。这表明互联网大厂的自研产品已不再是“内部供给”的副产品，而是具备规模化交付能力的独立力量。字节跳动、腾讯等公司的“未量产”项目本身也说明，头部互联网公司已将AI算力视为“基础设施能力”，而非简单的采购品。
此外，国产AI芯片当前的客户结构仍带有明显的“项目制扩张”特征。寒武纪2025年年报披露，前五大客户占比高达88.66%；海光则超过90%。这并非个别现象，而是产业早期的典型特征：客户数量少、单笔订单规模大、决策周期长。然而，这种结构也意味着单一头部客户采购策略的变化（如自研落地或重新增加英伟达采购）将直接放大业绩波动。当前的国产AI芯片行业更像是“少数大客户推动的项目制增长”，而非“开发者生态驱动的自然扩张”。
如果将“渗透率提升”视为一个整体，很容易忽略当前行业最重要的结构性事实：国产芯片在推理和训练两个场景中的渗透速度存在显著差异。
推理场景对算力和生态要求相对宽松，更侧重成本、供给稳定性和部署效率。百度昆仑芯R480在批处理大小（batch size）为64的推理场景下，单卡吞吐量约为H100的62%，但成本仅为后者的45%。对于大量推理型工作负载而言，“性能略低但成本显著更低”的组合已具备商业可行性。因此，过去两年国产AI芯片市场份额的快速提升，很大程度上源于推理侧的规模化部署。
训练场景则遵循另一套逻辑。大型模型训练不仅依赖单卡性能，更依赖完整的软件栈、稳定的通信系统和成熟的开发工具链。一次训练中断可能意味着数百万美元的损失，因此对稳定性（平均无故障时间，MTBF）、框架兼容性和集群调度的要求远高于推理。目前，大量智能计算中心采用“异构部署”策略：英伟达承担核心基础模型训练，而国产芯片则承担推理、微调和垂类任务。直到2025年，DeepSeek才首次披露针对国产芯片的专项优化。市场将2026年定义为“国产AI芯片训练落地元年”，这一说法也从侧面印证了训练侧的规模化国产替代在此前尚未真正展开。
AI芯片的竞争正日渐分化为两种模式：推理市场更倾向于成本和供给能力的较量，而训练市场则更像是生态、工具链和开发者体系的竞争。这也解释了为何国产芯片的市场份额能够迅速增长，但英伟达的生态优势和利润率依然稳固。
生态突围：三条路径分析与判断
从软件生态演进的路径来看，国产AI芯片并不存在单一的“追赶路线”，而是并行演化出三种不同的范式。这本质上反映了对“如何打破CUDA依赖”这一问题的不同解决方案。
图表5：三条生态路径对照表
这三条路径的根本差异不在于技术细节，而在于各自的竞争策略。
回顾AI芯片产业的演进历程，竞争的“决胜维度”曾发生过一次迁移。这次迁移主要发生在英伟达主导的过去十余年间：最初，硬件性能强者为王；随着AI的普及，软件栈（编译器、算子库）的成熟度成为效率的分水岭；而到了今天，决定格局的已是生态规模和网络效应带来的路径依赖。越往后，生态层面的权重越大——这是英伟达即便硬件优势收窄，仍能稳固市场地位的根本原因。这也揭示了国产AI芯片的结构性困境：当它们大规模进入市场时（2019年之后），竞争早已进入“生态决胜”阶段。这使得它们既错过了“硬件决胜”的窗口期，又不得不直接在英伟达最深的护城河上正面交锋。这也是为何单卡性能的追平，不足以撼动整体格局的原因。
2025年中国AI芯片市场的核心变化并非“替代完成”，而是供给能力显著扩张后形成的结构性分层——英伟达依然主导高端训练和前沿模型开发，而国产芯片则率先在推理、政企、运营商和成本敏感型场景中实现规模化落地。不同国产厂商之间，也开始形成不同的技术路线和客户定位。
这也意味着，对国产AI芯片的评估，不应仅仅依据“市场份额提升”或“性能接近H100”这类表层指标。因为市场份额的增长可以由供应链环境推动，硬件性能也可以通过工程投入持续接近；但生态迁移的速度，往往慢于硬件追赶，并且具有明显的路径依赖特征。未来几年，真正值得持续关注的，可能是两个更深层次的领先指标：其一，国产芯片能否真正进入大模型训练这一核心工作负载；其二，开源中间层与“硬件可插拔”架构，是否足以削弱CUDA对开发流程的绑定能力。前者决定了国产替代能够达到的产业上限，后者则决定了英伟达的生态优势是否会出现结构性松动。
附录：国产AI芯片能力一览（以英伟达为基准）
数据截至2026年1月。“未公开”表示厂商未披露确切参数，故不进行估算填充。