国产算力产业走向“闭环”
（原标题：国产算力产业走向“闭环”）
图片来源于网络，如有侵权，请联系删除
经济观察报记者 郑晨烨
岁末年初，中国算力产业在资本领域的运作骤然提速。
1月8日，上海天数智芯半导体股份有限公司（下称“天数智芯”，09903.HK）在港股挂牌上市，其此次公开发售获超400倍认购，充分显示了资本市场的热情。
此前不久，另外两家国产GPU头部企业也已接连登陆科创板：2025年12月5日，摩尔线程（688795.SH）上市首日股价一度上涨468.78%，总市值突破3055亿元；2025年12月17日，沐曦股份（688802.SH）上市首日涨幅达到692.95%，市值站上3300亿元关口。
与GPU厂商的二级市场热潮相呼应，国产存储芯片厂商也在2025年末完成了关键一跃。2025年12月30日，长鑫科技集团股份有限公司（以下简称“长鑫科技”）正式向上交所递交科创板招股书，并披露了其2025年前三季度320.84亿元的营收数据，这一数字直观展示了国产DRAM（动态随机存取存储器）产能释放的规模。
更早之前的2025年9月25日，长江存储科技控股有限责任公司（以下简称“长存集团”）完成了股份制改革，其1600亿元的估值一度刷新了半导体独角兽的纪录，也标志着这家NAND Flash（闪存）龙头进入了发展新阶段。
从芯片设计到存储颗粒，从科创板到港交所，一浪接一浪的资本热潮间接宣告了国产算力产业的快速进步。当然，在资本市场的热度之外，国产芯片在实际的智算中心建设与应用适配中，仍面临着复杂考验。
各司其职
进入2026年，在告别了单纯比拼硬件参数的阶段之后，国产算力的竞争焦点正在发生转移，“万卡集群”的稳定性、软件生态的易用性以及商业落地的性价比，正在成为衡量价值的新标尺。
在中国算力产业的叙事中，“万卡集群”是一个被反复提及的里程碑，但当系统规模真正迈向这一量级时，“万卡集群”也往往意味着指数级增长的故障概率。
近期，中科曙光（603019.SH）发布了scaleX万卡超集群，该集群由16个scaleX640超节点通过高速网络互连而成，实际部署了10240块AI加速卡。中科曙光高级副总裁李斌告诉经济观察报记者，当算力系统的规模比较小时，一个单点的困难或许不是大问题，但当需要把几万个甚至十万个芯片组成一个紧耦合系统时，任何微小的瑕疵都会被放大。
“假设一个点的可靠性是四个9（即99.99%），放大一百倍、一千倍之后，系统的可靠性就会呈现数量级的下降。”李斌说。
对此，中国工程院院士、清华大学计算机系教授郑纬民在近期举办的摩尔线程MUSA开发者大会上亦直言，国产万卡乃至十万卡系统要做到可用、好用非常难，因为十万张卡连在一起，平均一个小时要出一次错，而只要有一个卡出错，整个系统就得停下来。
为了解决这个问题，硬件厂商开始在“连接”上下苦功夫。
李斌介绍，中科曙光发布的这套集群，核心突破在于采用了国产首款400G原生RDMA（远程直接内存访问，一种允许服务器间直接交换内存数据、无需CPU干预的高速网络技术）网络。而在传统的超级计算机领域，以色列的迈络思（Mellanox）公司几乎垄断了互连网络标准，这也是英伟达收购迈络思的原因，英伟达不仅卖GPU，更卖NVLink和InfiniBand网络，这构成了它的“三驾马车”。
为什么网络如此重要？李斌解释称，超级计算机进行“变形计算”（即模拟物理结构变化等大规模科学仿真计算）时，需要海量计算单元协同，这就要求数据传输网络必须具备极高的信号质量、极低的延迟和极大的带宽。
这也是英伟达构建“三驾马车”产品体系的底层逻辑。除了提供核心算力的GPU，英伟达通过NVLink技术解决单个服务器内芯片间的超高速互连，通过收购迈络思掌握的InfiniBand（无限带宽）网络技术解决服务器节点间的高速数据传输。
现在的AI集群本质上是超级计算机集群的延展，大模型的分布式训练对网络的要求与超算一致，因此，节点间的高速互连网络成为决定集群效率的关键瓶颈。
“过去，国内存在很大的代差，这个技术落后比较多。”李斌表示，但新一代国产网络产品在规格指标和实测稳定性上，已经可以对标英伟达当前量产的产品。
更长远的挑战在于物理极限。李斌向记者分析，目前业界普遍使用铜缆连接，因为铜可靠性高、成本低、功耗低，但随着数据中心内部的单链路速率提升，铜缆的有效传输距离正在急剧缩短。
“当速率达到448G的时候，铜线能驱动的距离可能只有几厘米了。”李斌判断，未来的系统一定需要芯片直接出光，也就是硅光技术。
在数据传输中，铜缆承载的是电信号，随着传输速率越来越高，电信号在铜线里的损耗会急剧增加，导致传输距离变短。为了解决这个问题，行业需要用光信号替代电信号进行传输，即“光进铜退”，而硅光技术，就是将电信号转换为光信号的功能直接集成在芯片上，从而突破铜缆的物理极限。
在解决“连得上”的问题后，还得解决“存得下”的问题。李斌告诉记者，在算力放大很多倍的同时，数据传输和存储的性能如果跟不上，中间的鸿沟就会越来越大。
这正是长鑫科技和长存集团存在的意义，这两家公司分别卡位了存储芯片的两大核心领域，DRAM（动态随机存取存储器，即内存）和NAND Flash（闪存，即硬盘存储）。
长鑫科技在2025年12月30日递交的科创板招股书中披露，其2025年前三季度营收达到320.84亿元，2022年至2024年主营业务收入复合增长率超过70%。另外，作为中国最大的DRAM设计制造一体化企业，长鑫科技的产品线已覆盖从DDR4到DDR5、LPDDR5X，其推出的首款国产DDR5产品，速率高达8000Mbps。
在AI智算集群中，DDR5作为系统级内存承担着数据预处理的重任，而基于DRAM技术衍生的HBM（高带宽内存），则是决定GPU性能上限的核心要素。
长存集团则在更底层的NAND Flash领域稳住了阵脚。2025年9月，长存集团完成了股份制改革，其全资子公司长江存储凭借Xtacking架构（一种将存储阵列与逻辑电路分开制造再键合的技术），在3D NAND领域实现了技术突围。
有了计算和存储，还需要一种机制把它们组织起来。对于高度成熟的半导体行业来说，分工和生态至关重要，没有任何一家公司能够独立做好全产业链的所有环节。
“以往大家的心态都是――单做一点可能做不出市场，所以就开始都要做。但最后的结果是大家都没做好。”李斌说。
改变正在发生。光合组织（海光产业生态合作组织）秘书长任京��告诉经济观察报记者，以中科曙光发布的 scaleX 万卡超集群为例，这种大规模算力系统已经不再是单一品牌的独角戏。
实现这一变化的底层逻辑在于协议的打通，作为国产通用算力的核心供应商，海光信息开放了其 HSL（高速互连总线协议）技术，实现了海光CPU与各家GPU的异构互联，换言之，在同一个机柜里，可以插着海光的CPU，同时运行摩尔线程、沐曦或者其他品牌的AI加速卡。
“海光把HSL开放了，其他国产AI芯片厂商都可以深度融入AI计算开放架构，这样CPU和GPU就拉通了。”任京��说。
这种技术上的解耦，折射出的是商业逻辑的妥协与成熟，在巨大的外部压力下，没有任何一家公司能吃下全产业链，分层解耦、各司其职成为唯一的生存之道。
软件生态
相比于万卡集群的硬件建设，软件生态的迁移是更为复杂的系统工程。
在英伟达CUDA（英伟达专有的、用于调用GPU算力的软件开发平台）生态长期占据主导地位的背景下，开发者切换至国产计算平台面临着巨大的代码重构与学习成本，如何降低这一门槛，成为国产芯片厂商必须解决的问题。
作为国产全功能GPU领域的代表企业，摩尔线程选择从个人开发者抓起。在近期举办的首届MUSA开发者大会上，摩尔线程发布了一款名为“MTT AIBOOK”的AI算力本，这款笔记本预置了VS Code、PyTorch等全栈开发工具，让开发者实现“开箱即用”。
摩尔线程试图通过这款终端产品开始培养开发者的使用习惯，为此还推出了代码生成大模型MUSACode，声称可以做到从CUDA代码到MUSA代码的自动化迁移，可编译率达到93%。
“我们希望，你说一句话它就能帮你开发MUSA代码。”摩尔线程董事长张建中在MUSA开发者大会上还介绍了一个名为“Text to MUSA”的自研项目，这种策略旨在通过降低开发门槛，在开发者的起步阶段培养使用习惯，从而逐步构建独立于CUDA之外的生态。
如果说摩尔线程是在试图从源头降低开发者的准入门槛，那么在更复杂的企业级市场，云服务商则承担起了“屏蔽差异”的职责。因为，与个人用户通常只使用一种显卡不同，大型企业，尤其是国资背景的智算中心，为了供应链安全或平衡供应商关系，往往同时采购了多种品牌的国产加速卡。
这种“多品牌混用”的硬件现状，带来了一个棘手的生态难题――国产芯片厂商各自为战，软件栈互不兼容，接口标准各异，导致企业的算力资源被底层硬件切割成了一个个无法互通的孤岛。
比如，海光信息（688041.SH）副总裁吴宗友在接受经济观察报记者采访时就坦言：“过去几年信创发展迅速，芯片行业发展很快，但也给用户造成了很多困扰。”用户最大的困扰在于国产芯片品牌繁多，每一款都要单独适配和优化，投入成本极高。他认为，如果厂商继续各自为战，架构以外的企业将面临被淘汰的风险，构建开放的生态架构，已成为行业生存的必选项。
优刻得科技股份有限公司（下称“优刻得”，688158.SH）是国内首家在科创板上市的中立云计算服务商。优刻得服务器中心及AI算力负责人丁振雷在接受记者采访时，将优刻得的角色定义为“承上启下”。
作为云服务商，优刻得向下适配了3到5家主流的国产芯片。“行业生态有割裂的问题，有不兼容的问题。”丁振雷直言，云平台的作用，就是屏蔽底层的这些割裂，通过虚拟化和统一调度，让上层应用感觉不到底下跑的是哪家的卡。
对于大型国资企业和制造企业来说，这是一个刚需，因为它们往往拥有多类型的国产算力硬件。如何把这些异构的算力统一管理起来，变成有效的生产力？丁振雷表示，这正是云平台的机会。
另外，在终端侧，紫光计算机则看到了“本地化”的独特价值，紫光计算机产品中心总经理潘睿向记者指出了一个被忽视的细节：云端AI虽然强大，但存在网络延时和隐私风险。
“如果你问网络大模型问题，它会停几秒再给你回复，其中有2秒左右是网络延时造成的。”潘睿说，对于某些场景，比如工业流水线上的质检机器人，或者金融柜台的业务处理，这2秒的延迟是不可接受的。此外，隐私问题也让许多企业对云端大模型望而却步。
针对这些痛点，紫光推出了一款带有前置可插拔硬盘仓的AI工作站。潘睿解释，在实际的AI作业中，面对海量数据，受限于网络带宽，直接插拔硬盘进行数据交换的效率往往优于网络传输。
这种基于一线应用场景的务实设计，反映出国产厂商正在从单纯模仿，转向基于用户真实需求的微创新。
但在应用落地逐渐走顺的同时，上游供应链的波动成为2026年国产算力产业面临的新变量。比如，丁振雷就告诉记者，2025年下半年以来，全球存储颗粒（DRAM/NAND）供应压力巨大，虽然长鑫和长存已经量产，但国产化尚无法完全解决全球性的供需失衡。
“在2026年这是一个比较有挑战的问题。”丁振雷称，为了应对缺货，云厂商已经改变了采购策略，从过去按季度规划资源，拉长到按半年规划，“大家纷纷前置，比如明年H100招标计划，现在都在第四季度完成了”。
走向闭环
检验国产算力成色的最终标准，还是客户的选择。
中国科学院高能物理研究所（下称“高能所”）计算中心主任陈刚向经济观察报记者透露，高能所的国家高能物理数据中心已开始采用国产算力设施（海光CPU结合海光DCU）进行AI训练和科学计算。
高能物理实验涉及海量数据的处理与分析，对算力基础设施的精度与稳定性提出了极高要求。对于国产芯片在科研场景中的实际表现，陈刚评价称：“性能比国外的可能稍微差一点，但是差距并不大，完全够用。”
除了硬件采购，更深层的变化在于合作模式。陈刚表示，目前科学家已深入参与到芯片的调优过程中，通过双方工程师联合办公的机制，科学家协助厂商验证软件，厂商则配合科学家优化算法，这种联合调试加速了软硬件的适配。
对于国产算力的未来，陈刚持乐观态度：“我不认为他们能够一直卡住我们，我认为五年，不会超过十年（就能超越）。”
在更广泛的商业市场，互联网大厂的选择往往具有风向标意义。
吴宗友观察到，国内互联网大厂的态度正在发生微妙的变化，过去，大厂习惯于直接采购国际主流算力芯片，因为简单省事。但现在，随着购买力与话语权的提升，大厂不希望被单一供应商控制，希望拥有更多话语权。
“他们自然就会接受更开放的架构。”吴宗友说。为了迎合这一需求，海光推出了定制化产品，允许大厂将自己的特殊需求写入芯片。吴宗友认为，这种定制化策略可以规避单纯的价格战，与客户建立更深层的绑定。
至于市场上对“算力泡沫”的担忧，丁振雷认为，2026年是Agent（智能体）元年，Agent与传统AI应用不同，它不是降本逻辑，而是增效逻辑。
“如果大家用过Agent就知道，它对Token的消耗是巨大的。”丁振雷分析，一个真正好用的Agent场景，对算力的消耗是指数级增长的。因此，从大的供需关系来看，算力依然短缺。目前行业面临的问题不是总量过剩，而是供需错配，即好用的算力不够，不好用的算力闲置。这也正是国产算力相关芯片的机会所在。
另外，DeepSeek等国产大模型的爆发，也正在反向定义硬件的竞争标准。比如，DeepSeek采用了FP8量化策略，这是一种通过降低数据计算精度（从16位或32位降至8位）来换取更高计算速度和更低显存占用的技术。换言之，如果芯片厂商不支持这种特定的计算格式，其硬件性能就会大打折扣。
因此，摩尔线程等厂商迅速跟进，通过优化底层的计算库支持了这种混合精度计算，在同等硬件条件下提升了模型的运行效率。
此外，近期市场一直有传闻称美国可能放宽英伟达H200芯片的出口限制。这被行业内视为“温水煮青蛙”的策略，H200性能强于目前的国产主流芯片，如果它大量进入中国市场，是否会打断国产算力产业刚刚建立起的生态循环？
面对这一潜在变量，多位受访者都在接受记者采访时强调，国内政企客户对供应链安全有刚性考量，另外，国产算力产业链也已经形成闭环。目前，从长鑫科技、长存集团提供的存储底座，到中科曙光、海光信息构建的计算与网络集群，再到摩尔线程、天数智芯适配的终端应用，国产芯片产业已不再是单点存在，而是已经逐渐形成了一个完整、庞大的产业链条。
或者说，在过去的几年里，中国算力产业已初步形成生态闭环，这种紧密咬合的生态，让国产算力产业具备了进一步直面挑战的能力。
