Chinese GPU Manufacturers: Technical Routes, Commercial Paths, and CUDA Ecosystem Barriers

国产GPU“四小龙”在技术路线上的差异，结合各自在产品定位与生态合作的切入方式，具有一定的分工协同优势，但在英伟达以CUDA构建的训练/推理生态壁垒下，短期仍难以完全撼动其主导地位。现实路径应聚焦于国内特定应用场景与系统级整合（例如推理集群、国产云服务）并借助政策与资本支持，实现分阶段的商业化突破，同时逐步向英伟达生态靠拢或构建兼容方案。

1. 摩尔线程（全功能、对标英伟达）
   
   摩尔线程目前是国内唯一实现全功能GPU量产的企业，产品线覆盖AI智算、图形渲染及智慧座舱，意图复制英伟达在训练+推理+图形的覆盖能力，但目前仍处于扩张性亏损阶段，预计2027年前后才可能实现盈亏平衡。面对CUDA生态，摩尔线程利用创始团队的英伟达经验，尝试在系统协议层实现一定兼容，但在软件生态（cuDNN/ TensorRT等）方面仍存在显著差距；因此其短期战略需在“国产可替代＋政府/行业订单”上获取商业回报，同时积极推动本地深度学习框架的优化与编译器支持，以缩小与CUDA的差距[1]。

2. 沐曦（复制AMD toB路线）
   
   以AMD基因为背景的沐曦主打通用GPU与图形/AI复合应用，现阶段重点在云端智算推理与训练通用芯片。其“曦云”系列已实现全流程国产闭环，并凭借toB市场集中度较高的特点，快速切入国内云服务与行业集成商；公司计划借助强绑定的战略投资（如国家AI产业基金）快速建立市场信誉。由于定位与AMD更接近，若能与主流服务器硬件（CPU+内存）建立稳定兼容方案，商业化加速能力可期，但依旧需面对CUDA生态在AI训练脚本与工具链层面的深厚积累[2]。

3. 壁仞（瞄准高端训练）
   
   壁仞科技专注于高性能训练型GPU，正筹划在港股与科创板两地上市，估值一度突破千亿级别。截至目前，公司在高性能计算与大模型训练方面的设计瞄准英伟达的A100/H100，但在软件层面尚未形成成熟生态。为实现突破，壁仞可在高端服务器与国产超级算力（如华为/阿里云）合作中打造联合调优模型；同时，在工具链层面发展兼容CUDA的译码层或提供自动化转换工具，或可在封闭/定制化客户中建立生态基础[3]。

4. 燧原（绑定腾讯云服务）
   
   燧原以绑定腾讯云为核心优势，通过与云服务紧密集成，实现特定场景（如企业云+AI应用）中的快速部署。在处理器设计上，它更倾向于高性价比推理芯片，借助腾讯的行业资源实现场景落地。尽管单卡性能仍难与H100匹敌，但在对延迟敏感型推理场景、对国产化要求极高的政府/金融客户中具有天然优势。未来可通过“GPU+DSA”混合架构（例如在云端先用英伟达训练，推理端用燧原芯片）形成差异化组合。

5. 寒武纪（DSA与AI专用架构）
   
   虽然不在“四小龙”中，但其在ASIC/DSA领域与上述厂商形成互补。2024/2025年寒武纪已实现盈利，市值稳坐高位，凸显DSA芯片在推理市场的优势。其策略并不直接对标CUDA，而是围绕场景化推理与系统协同，这种路线最大限度避开CUDA的直接竞争，而是以效率、成本与国产化为卖点。

• CUDA的生态壁垒
  ：英伟达通过CUDA构建了端到端的训练与推理工具链（cuBLAS、cuDNN、TensorRT、CUDA Graphs等），配套丰富的开源框架（PyTorch/ TensorFlow/ JAX等）与优化器，形成高度粘性的开发者生态。任何要在训练场景竞争的国产GPU，都必须在兼容性、性能调优、编译器优化等方面投入巨大研发成本。

• 差异化突破点
  ：
  1. 系统级集成与场景优化
     ：国产GPU可绕开单卡性能瓶颈，通过高效互联（如国产高速互联、异构调度）形成“算力簇”，对标“系统级”竞赛（类似华为Atlas/阿里磐久）。借助国内大型云厂商和政府客户的定制需求，满足“国产算力”安全要求[4]。
  2. DSA/ASIC结合
     ：在推理侧，DSA芯片能以更低功耗、更高吞吐率抢占需求量大的长尾场景，形成“GPU训练＋DSA推理”的组合，规避CUDA在训练领域的主导。
  3. 软件兼容与转换层
     ：通过开发CUDA兼容层或自动化转换工具（如自研编译器将CUDA调用转换成国产指令），缩短迁移成本，使现有模型可在国产GPU上运行。

商业化突破的关键在于：

1. 先发优势+生态闭环
   ：利用政府采购、云服务平台与国产整机厂商合作，形成“硬件+软件+服务”闭环；
2. 高成本替代英伟达在敏感领域
   ：如政务、国防、金融等对国产化要求高的行业；
3. 分层生态
   ：训练端可借助壁仞/摩尔线程/沐曦等逐步构建训练环境（即使不完全替代CUDA），推理端则完全靠DSA实现商业回报。

• 短期（1-2年）
  ：优先在国产化强需求场景（政企/云边协同/安全等级高行业）推进部署。尽量减少与CUDA的正面竞争，聚焦垂直应用与系统集成。
• 中期（3-5年）
  ：通过优化兼容层、编译器、性能调优工具，逐步把部分训练任务迁移到国产GPU。扩大与本地AI框架的协同，增强差异化优势（如与大模型训练平台合作）。
• 风险管控
  ：持续关注供应链政策、电源/散热与可靠性，确保大规模部署无风险。
• 建议激活“深度投研模式”
  ：若需详细对比各公司最新财报、毛利率与订单结构，可启用深度投研模式获取更多A股/美股行业数据与定量指标。

[1] 网络搜索 - 雅虎香港财经：“中国GPU新贵摩尔线程散户认购倍数创三年之最” (https://hk.finance.yahoo.com/news/中國gpu新貴摩爾線程將在科創板亮相-散戶認購倍數創三年來之最-233148786.html)
[2] 网络搜索 - 雅虎香港财经：“沐曦股份亮相科创板 AMD光环及GPU四小龙标签料为公司打开估值空间” (https://hk.finance.yahoo.com/news/沐曦股份亮相科创板-amd光环及gpu四小龙标签料为公司打开估值空间-220000870.html)
[3] 网络搜索 - 雅虎香港财经：“中国算力进入资本收割期！GPU四小龙冲刺上市” (https://hk.finance.yahoo.com/news/中國算力進入資本收割期-gpu四小龍衝刺上市-燧原科技17日登科創版-010003148.html)
[4] 网络搜索 - 雅虎香港财经：“7兆美元商机！ASIC芯片冲破千万颗 中国AI靠‘系统级’逆袭突围” (https://hk.finance.yahoo.com/news/7兆美元商機！asic晶片衝破千萬顆中國ai靠「系統級」逆襲突圍-025409147.html)