共计 1214 个字符，预计需要花费 4 分钟才能阅读完成。
AI 进入万亿 Token 时代, 国产芯片如何构建行业壁垒?
AI 大模型进入更高强度的 Token 消耗周期后,国产 GPU 厂商面临的竞争题目正在改变:过去是“能不能跑”, 现在更像是“能不能稳定、低成本、规模化地跑”。在这一背景下, 摩尔线程等国产 GPU 企业的技术路线与商业化进展, 成为观察中国 AI 算力产业的重要切口。
📌 从单点突破到全场景竞争
早期国产 AI 芯片更强调单卡算力和模型适配,核心任务是证明产品可用。但随着智算中心建设加速, 市场需求开始从芯片采购转向系统级交付, 云端训练、边缘推理、端侧 AI 设备之间的协同能力被放到更重要的位置。
摩尔线程选择的路径,是围绕全功能 GPU 构建产品矩阵: 云端以夸娥智算集群、MTT S5000 智算卡和一体机承接大模型训练、科学计算等需求; 端侧则通过“长江”智能 SoC 及相关设备, 覆盖个人、家庭和行业场景。
🔍 统一架构为何被反复强调
所谓全功能 GPU,并不只是 AI 加速卡的另一种说法。它强调在统一架构中同时支持 AI 计算、图形渲染、物理仿真和视频编解码等能力。相比只面向训练或推理的专用芯片, 这条路线研发难度更高, 但也可能在物理 AI、具身智能等新场景中形成差异化。
材料显示,摩尔线程的软件栈 MUSA 已在 API 兼容和 PyTorch 算子适配上取得进展。若统一架构能够持续完善, 未来它的价值可能不只体现在跑大模型, 还包括机器人仿真、数字孪生、端侧智能交互等更复杂任务。
💡 万卡集群之后, 竞争焦点变了
夸娥万卡集群的商业化部署,说明国产 GPU 正在进入大规模工程交付阶段。相关数据提到, 基于 MTT S5000 的集群在 Dense 大模型训练、MoE 大模型训练、线性扩展效率和有效训练时间占比上均给出了可量化指标, 这些指标指向同一个问题: 大规模训练中, 算力能否被充分利用。
但前后变化同样明显: 过去智算资源稀缺,客户更关注能否搭建集群; 随着国内万卡级智算集群增多, 未来市场可能转向结构性过剩, 客户会更关注每个 Token 的边际成本、功耗、故障恢复和软件开发效率。
- 单卡峰值 不再是唯一评价维度;
- 集群扩展效率 决定规模化训练是否划算;
- 软件生态 影响迁移成本和开发效率;
- 交付能力 关系到大客户复购与长期合作。
📊 商业化仍是国产芯片必答题
技术路线之外,摩尔线程的财务数据也提供了观察窗口。其 2025 年营业收入为 15.05 亿元, 同比增长 243.37%;2026 年一季度营收 7.38 亿元, 同比增长 155.35%, 并实现上市以来首次单季盈利。材料还提到,2026 年 3 月公司签订了 6.6 亿元夸娥智算集群订单, 显示其业务正在从“卖卡”向“交付 AI 基础设施”延伸。
🚀 行业观察: 护城河不只在芯片本身
围绕“AI 进入万亿 Token 时代, 国产芯片如何构建行业壁垒?”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
