计算机行业动态报告：昇腾、寒武纪、浪潮与超节点

随着大模型参数规模持续扩大以及推理需求的爆发式增长，人工智能算力基础设施正经历从单卡性能比拼向集群级系统能力演进的关键转折。2026年上半年，以华为昇腾、寒武纪、浪潮信息为代表的国产算力企业在业绩端实现显著增长，同时在芯片架构、超节点互联、软件生态及模算协同等维度加速布局。中国AI芯片市场格局正在重塑，本土厂商的市场份额已攀升至约41%，国产算力竞争逐步由单一的芯片性能延伸至系统软件、调度能力和整体Token生产效率。

模算协同深化，国产芯片与大模型双向适配提速

大模型与底层算力的深度适配正在成为提升计算效率的核心路径。DeepSeek V4将细粒度专家并行（EP）方案同时在英伟达GPU与华为昇腾NPU上完成验证。与非融合的强基线方案相比，该方案在通用推理任务上实现了1.50至1.73倍的加速；在强化学习rollout、高速智能体服务等对延迟敏感的场景中，最高加速比可达1.96倍。受限于高端算力，目前V4-Pro模型的服务吞吐仍有限，预计下半年昇腾950超节点批量上市后，Pro价格会大幅下调。V4-Pro模型与国产算力的深度适配，有望成为打造“模算协同”、实现全国产闭环的重要机遇。

在架构层面，大模型推理中注意力计算带来的显存消耗与带宽压力已成为重要瓶颈，稀疏注意力与低激活参数成为国产大模型优化的主要方向。智谱GLM-5.3-Flash采用线性注意力与稀疏注意力混合架构，总参数量355B，激活参数量由32B压缩至18B、层数由92层减至45层，并引入IndexPool索引器；DeepSeek-V4结合DSA稀疏注意力，实现上下文压缩，1M上下文成为全系服务标配。这些优化大幅缓解了显存消耗与带宽压力。

系统层面的验证同样取得突破。智谱GLM-5.3-Flash公开服务在试用期间全部由国产算力支撑，依托国产芯片集群与自研高带宽互联网络，首次在大规模流量场景下承担前沿模型推理。最终效果是端到端服务性能较同一硬件基线提升3倍，硬件效率与单token成本达到与主流英伟达GPU相当的水平。值得注意的是，全部构建与优化工作由GLM-5.3驱动的infra agent协助完成，模型能力开始反哺算力优化效率本身。

超节点重构算力评价体系，从单卡走向集群级系统

随着MoE模型参数规模持续扩大，部分新一代MoE模型已经迈向万亿参数，并支持128K以上长上下文。由于模型规模和上下文长度显著提升，单张GPU已难以承载完整模型训练和推理，模型必须被拆分到多GPU、多节点集群中运行。当前主流MoE系统通常需要结合专家并行、数据并行、流水线并行和张量并行等多种并行策略，其中专家并行会带来大量All-to-All通信，随着专家数量和节点规模扩大，通信开销会显著影响GPU利用率和整体训练效率。

传统集群中万卡规模训练的实际算力利用率约为30%至40%，主要损耗在通信等待。超节点的技术路径是以高速互联协议将数百至数千颗芯片组成统一内存编址的单系统。衡量算力系统效率的口径随之发生变化。推理取代训练成为数据中心核心工作负载后，峰值算力、单卡小时成本等投入侧指标无法完全反映AI基础设施的真实效率，单位Token成本成为同步覆盖硬件性能、软件优化、生态支持与实际利用率的综合指标。以英伟达官网数据为参照：基于DeepSeek-R1模型，Blackwell平台GPU每小时成本约为Hopper的2倍，但每GPU每秒Token产出提升65倍，每百万Token成本由4.2美元降至0.12美元。推理效率竞争的本质是系统级优化，而非单点硬件规格的堆叠。

华为昇腾超节点方案正持续向大规模集群演进。以Atlas 950 AI超节点为例，该产品面向万亿参数大模型训练推理场景打造，搭载8192颗Ascend 950DT AI芯片，FP8精度总算力达8EFLOPS、FP4精度达16EFLOPS，总显存容量1152TB；互联架构升级到灵衢2.0协议，总互联带宽达16.3PB/s。昇腾A3超节点系列产品已实现DeepSeek V4-Flash模型单卡Decode吞吐2000+TPS，其代表产品采用平等架构、全局内存统一编址，点对点互联带宽达784GB/s，可满足互联网、运营商、金融等行业对大模型推理超高吞吐、大并发的性能需求。

英伟达与华为在超节点路线上呈现代际趋同演进。英伟达侧，超节点已迭代至三代，从GB200 NVL72至Vera Rubin NVL72；华为侧，昇腾超节点同样形成代际序列，从Atlas 900至Atlas 960。二者均在CPU-GPU协同、统一内存、高速互联带宽逐代翻倍的方向上推进，技术路线趋同、规模量级有别。

底层技术突围：韬定律、数据流与内存墙破局

在制程受限的背景下，华为提出了“韬（τ）定律”，核心表述为“以时间缩微替代几何缩微”：不依赖晶体管几何尺寸缩小，通过器件、电路、芯片、系统四个层级的协同优化降低系统时间常数。摩尔定律以几何缩微提升晶体管密度，当前正逼近原子物理极限；黄氏定律以更大芯片、更多HBM与更先进封装堆高单卡算力，代价是功耗与成本的快速上升；韬定律则在不改变晶体管尺寸的前提下压缩系统时间常数。过去六年华为设计并量产381款遵循该定律的芯片，路线图目标为2031年在不依赖EUV光刻机的条件下达到1.4纳米制程等效晶体管密度。关键技术为逻辑折叠（LogicFolding），即将平面布局电路折叠至垂直维度，缩短关键信号路径。

产品规划方面，昇腾950系列采用共用Die方案，950PR于2026年一季度上市，配套Atlas 350加速卡，单卡综合算力为英伟达H20的2.87倍、国内唯一支持FP4的推理产品。2027年四季度昇腾960有望上市，各项规格相比Ascend 950翻倍，并将支持自研HiF4数据格式；2028年四季度昇腾970上市，维持“一年一代、算力翻倍”节奏。软件层面，CANN推出PyPTO编程范式，提供Python API进行算子开发，依托内置高级编译优化自动完成流水编排与内存管理，DeepSeek V4新一代模型算子开发周期可缩短至天级；基于PTO虚拟指令集实现不同代际芯片的跨代兼容。

内存墙源于冯·诺依曼架构的存储-计算分离与算力、内存发展节奏的失衡。过去20年服务器峰值算力提升约60000倍，而DRAM带宽仅提升约100倍、互连带宽仅提升约30倍，数据搬运的能耗与延迟远超计算本身。AI时代大模型规模扩张进一步放大该矛盾。在此背景下，英伟达与华为沿不同路径布局存算相关技术。英伟达走片上大容量SRAM的近存计算路线，随Vera Rubin平台发布的推理加速器Groq 3 LPX在芯片裸片上集成500MB高速SRAM以缓解内存瓶颈；华为走RRAM存内计算路线，联合清华大学、字节跳动发布RRAM存内计算加速器HYDAR，运算效率较传统架构提升66倍。

同时，AI训练数值精度正沿FP32至FP16至FP8至FP4路径持续下探。推理端已从FP32经FP16发展至FP8及NVFP4，预训练端长期依赖BF16或FP8以维持收敛稳定，FP8在多方推动下有望成为新黄金标准趋势。英伟达进一步将NVFP4推向预训练阶段，通过微块缩放等技术解决低精度下动态范围、梯度波动与数值稳定性难题，相同硬件可处理更多token、模型收敛更快。

国产算力企业业绩高增，竞争格局加速重塑

2026年上半年，国产算力头部公司中报集体验证了行业景气度。寒武纪实现营业收入59.96亿元，同比增长108.13%；归母净利润23.11亿元，同比增长122.61%；扣非归母净利润21.66亿元，同比增长137.30%，连续第七个季度盈利。同期存货82.48亿元，预付款项约29.14亿元、同比增长约291%，反映公司正为下游需求做供应链准备，预示产能端持续扩张。海光信息营收90.99亿元，同比增长67%；浪潮信息归母净利润29.52亿元，同比增长269.59%；紫光股份、联想集团、摩尔线程、天数智芯、壁仞科技等公司亦实现利润高增或亏损收窄。

生态建设方面，2026年9月8日，寒武纪正式加入PyTorch基金会，成为最高级别白金成员，并在理事会拥有一个席位。寒武纪坚持“Upstream First”原则，对PyTorch贡献覆盖torch编译器、分布式计算、自动混合精度等多个主干模块，并已完成DeepSeek-V4、GLM-5等主流开源大模型Day 0适配。深度参与主干共建后，PyTorch、vLLM对寒武纪硬件的支持有望更加原生，开发者迁移成本有望下降。

需求侧，国内头部互联网厂商持续加大AI基础设施投入。腾讯2026年上半年资本开支847.20亿元、同比增长82%，其中二季度单季527.84亿元，主要投向数据中心、服务器等AI基础设施；阿里巴巴2027财年第一季度资本开支676.78亿元、同比增长75%。

当前竞争格局可概括为三个生态位：华为以芯片、互联、超节点、软件栈与集群构成的全栈体系参与竞争，约束条件是HBM相关的产能供应；寒武纪占据独立第三方位置，约束条件是客户集中度与实体清单；DeepSeek以模型定义精度格式与架构需求。根据IDC报告，2025年中国AI加速服务器市场中，本土芯片厂商的市场份额已攀升至约41%，中国市场AI加速卡总出货量达到约400万张，其中中国本土厂商合计出货约165万张。此外，海光信息首发“Agent to Token开放计算架构”，依托CPU与DCU双芯协同贯通计算周期；FlagOS作为完全开源的异构AI芯片系统软件栈，形成多层开源组件体系，允许AI模型一次开发即可移植到广泛的AI硬件平台。国产算力竞争已全面延伸至系统软件、调度能力和整体Token生产效率。