各位小伙伴们，大家好哈。

今天我们来聊聊 AI 芯片的算力。

算力时代，AI 算力的重要性不言而喻。而AI 算力的核心命脉—— AI 芯片，已成为全球科技竞逐的焦点。

但最近，美国对华的芯片禁令限制使得中国企业面临算力供应的不确定性，随着美国进一步限制 AI 芯片对中国销售，NVIDIA 只能进一步阉割芯片性能来为中国定制 AI 芯片。

那么，目前国内的 AI 芯片发展如何呢？国产 AI 芯片是否像他们宣称的一样，性能已经可以媲美 NVIDIA GPU 了吗？

今天我就跟大家聊聊，国产 AI 芯片和英伟达的差距在哪里？有多大？

一、算力性能：差距显著

单卡算力密度

首先，单卡性能方面，咱们得承认，国产 AI 芯片和英伟达的还是有不小的差距。这也是为什么阉割版的 H20 在国内依然一卡难求的原因。下图是英伟达主流 AI 芯片的参数情况：

可以看到，A100 是最差的，但表现已经非常出色了，FP16 算力高达 312T，NVLINK 带宽高达 600GB/S，功率是 400W，至于 GB200，则是最强的，FP16 算力达到 5P，NVLINK 带宽是 3.6TB/S，功率是 2700W。

那国内 AI 芯片的性能如何呢？

下面是网友总结的部分国产 AI 芯片的参数，也许不是最新的，但是我们可以拿来参考。

我们可以看到，目前英伟达主流的 H100 ( SXM ) 的 FP16 算力达 1979 TFLOPS，是华为昇腾 910B 的 5.2 倍。若以 2024 年发布的 Blackwell 平台为例，其训练 1.8 万亿参数的 GPT-4 模型时，能耗较 Hopper 架构降低 50%，而国产昇腾 910B 的升级周期长达 4 年。

网友表示： "用英伟达芯片训练模型，就像开超跑飙车；国产芯片还在学制造汽车。"

所以说，不吹不黑，单说性能等，国产 AI 芯片，远远不是英伟达的对手，即便英伟达拿出最差的 A100 出来，都能将大家打趴下，国产 AI 芯片在性能方面还都是小弟级别。

集群扩展能力

AI 算力，除了看单卡的能力，更重要的还是看集群扩展的能力，而在集群扩展能力方面，差距依然巨大。

英伟达 NVLink 技术提供 900GB/s 的卡间互联带宽，支撑千卡集群训练效率超 90%；而国产芯片（如昇腾）的互联带宽仅 200GB/s，千卡集群效率不足 30%。而且全球 TOP500 超算中，英伟达支撑 346 台，国产千卡集群尚未见成熟案例。

在今年的 COMPUTEX 2025 台北国际电脑展上，英伟达推出 NVLink Fusion，NVLink Fusion 的问世为客户构建英伟达与第三方半定制混合 AI 基础设施提供了可能。对于决定开展芯片定制化的大型客户，能以 NVLink 的形式参与到其中，既可以有芯片定制化的 IP 收入，又可以有 NVLink switch 的收入，更重要的是可以深入参与到客户的芯片定制化中，更加精准地提供更好的芯片方案。

为了提升集群的计算能力，华为也在努力将 AI 系统的性能推向极致。说的简单点，就是单个 GPU 比不过，那就用数量来 " 凑 "。

在 4 月份，华为发布了基于昇腾 910C 构建的 CloudMatrix 384，这个集群采用全互连拓扑结构。这种设计虽然意味着每个昇腾 GPU 的性能只有英伟达 Blackwell 的三分之一，但凭借数量上的优势，整体性能得到了显著提升。

在集群方面，性能上的差距并不是不可逾越的鸿沟。随着技术的不断进步和研发的不断投入，国产 AI 芯片的性能也在不断提升。说不定哪天，咱们就能用上性能媲美甚至超越英伟达的国产 AI 芯片了呢！

二、生态壁垒：CUDA 的 " 软实力帝国 "

开发者生态

有一种说法是"CUDA 是 Nvidia 最深的护城河 "。我个人很赞同这种说法，了解越多越赞同。

CUDA 生态积累 20 年，覆盖全球 400 万开发者、5.6 万开源项目，而昇腾 CANN 生态适配仅 30 余个大模型，工具链完善度不足 CUDA 的 60%。迁移至国产平台需重构 70% 代码，成本相当于三个程序员年薪。

比起硬件算力的差距，软件生态上的差距更让人绝望。当 CUDA 几乎与 AI 画等号的时候，会有大量的社区力量为其助力。这就是一种良性循环：好的性能带来好的生态，好的生态会有助于更好的性能。

软件适配

英伟达提供 400+ 专用库（如 cuDNN），国产配套工具不足其 1/3，适配周期长达数月。例如，百度文心一言、阿里通义千问等大模型仍依赖英伟达 H100 集群。

三、市场现状：份额与技术的双重失衡

市场占有率

2025 年 5 月，IDC 发布的 2024 年中国 GPU 市场数据。数据显示，在 AI 芯片这片激烈竞争的战场上，英伟达的销量占比达 70%，华为昇腾以 23% 的销量份额成为当之无愧的 " 亚军 "，成为国产芯片的领军者。

除了华为昇腾，天数、寒武纪、沐曦、燧原、太初、摩尔线程等国产芯片厂商也在不断发力，但它们的市场份额目前合计只有 7% 左右。这些厂商在不同的细分领域深耕，有的专注于云端 AI 芯片，有的专注于边缘端 AI 芯片，为中国 AI 芯片市场的多元化发展做出了贡献。

产品迭代速度

在产品更新换代方面，英伟达已经形成了比较成熟的更新频率，英伟达 2023 年发布 H200（显存 141GB HBM3），2024 年推出 Blackwell 平台；而国产昇腾 910B 自 2019 年推出后，升级版 910B 直至 2023 年才小规模应用，其它厂商的产品迭代更是目前没有一个清晰的路线图。

四、技术瓶颈：制造与架构的双重制约

先进制程差距

英伟达已迈入 4nm 工艺，国产芯片多停留在 7nm/14nm。例如，昇腾 910B 采用 14nm 工艺，而英伟达 H200 的 4nm 工艺使其晶体管密度提升 3 倍。

封装技术短板

英伟达 GB200 芯片集成 2080 亿晶体管，算力达 H100 的 6 倍；国产芯片在 Chiplet（芯粒）和存算一体等前沿技术上仍处实验室阶段。

五、国产 AI 细腻品突围路径

政策支持

国家大基金二期向 AI 芯片倾斜，目标 2025 年实现 7nm 量产、5nm 突破。2025 年一季度国产 AI 芯片采购量同比激增 210%，市场份额升至 27%。

场景突破

推理场景：昇腾 910B 在政务、金融领域实现规模化部署，推理效率媲美英伟达。

行业定制：讯飞星火 X1 大模型通过算法优化，在国产算力平台以更少资源达到国际效果。

结语：差距缩小，但硬仗才刚刚开始 ？

尽管国产芯片在推理、边缘计算等场景逐步缩小差距（如寒武纪思元 370 能效比超 A100 的 85%），但高端训练、生态成熟度仍落后 3-5 年。这场 " 算力战争 " 的胜负，取决于国产厂商能否在 3nm 工艺、Chiplet 封装、全栈工具链等核心领域实现突破，同时构建开发者生态的 " 护城河 "。

正如业内人士所言：" 国产芯片已从‘不能用’走向‘勉强用’，但要挑战英伟达，仍需一场长征。"