国产算力降本双轮：稀疏注意力/MoE架构创新＋国产芯片适配，能否终结高端GPU单点依赖？

核心结论：高端GPU单点依赖正被“结构性稀释”——推理侧国产替代已实质成立（2025年份额41%、2026Q1破55%），训练侧经“MoE×稀疏注意力×超节点”组合快速跟进；完全“终结”仍受先进制程产能、HBM供应与生态迁移三重约束，2026-2028年为决定性窗口期。

一 核心观点

核心命题：在高端GPU供给被地缘政治持续约束的背景下，中国AI产业能否依靠“算法侧架构创新（稀疏注意力/MoE）＋供给侧国产芯片适配”的双轮降本路径，终结对英伟达高端GPU的单点依赖。

核心判断：单点依赖正在被“结构性稀释”——在推理侧已实质性突破，在训练侧正快速跟进，但“终结”仍受制于先进制程产能、HBM供应与软件生态三类硬约束，预计2026-2028年是中国算力自主化从“替代可用”走向“自主好用”的决定性窗口期。

核心观点一：高端GPU单点依赖的政策与市场基础已被双重削弱。政策端，美国出口管制自2022年10月首轮管制以来不断加码，H20于2025年4月起需许可证且无限期生效，直接导致英伟达在2026财年第一季度计提45亿美元费用；2025年12月H200虽获准对华销售（25%分成），但2026年8月披露的财报显示其对华收入占数据中心总收入不足1%，英伟达对华数据中心收入贡献已边缘化。市场端，IDC数据显示2025年中国AI加速卡市场总出货量约400万张，其中国产厂商合计出货约165万张、份额约41%，首次突破四成；英伟达份额降至约55%，较管制前宣称的约95%近乎腰斩。

核心观点二：稀疏注意力与MoE构成“算力节省”的算法双引擎，且已被工程与商业结果验证。MoE架构以“总参数承载知识容量、激活参数决定算力账单”的两本账机制，使DeepSeek-V3以278.8万H800 GPU小时（约557.6万美元）完成671B参数模型训练，仅为Llama 3.1 405B训练算力的约1/11；稀疏注意力谱系（MLA→NSA→DSA→CSA/HCA）则将KV缓存与长上下文计算压缩一至两个数量级：MLA将每token KV缓存降至传统MHA的约4%，NSA在64k上下文实现最高9.0倍前向加速，DeepSeek-V4将单token推理FLOPs降至前代的27%（Flash版为10%）、KV缓存占用降至10%（Flash版7%）。算法降本直接传导至价格：2025年9月V3.2-Exp发布当日API降价超50%。

核心观点三：国产芯片适配已从“可用”进入“好用”阶段，Day 0适配成为行业范式。DeepSeek-V4发布当日即获寒武纪、华为昇腾Day 0适配，截至2026年4月30日已有8家国产芯片厂商完成适配；华为昇腾超节点全系列支持V4，并有券商研报指出华为芯片参与了V4-Flash的部分训练环节。2026年上半年，七家国产AI芯片公司合计收入约214.6亿元、接近上年同期两倍，寒武纪、摩尔线程、天数智芯等业绩集体兑现。

核心观点四：“终结单点依赖”的准确含义是“脱钩但非封闭”。中国实验室正形成“国产＋进口”双轨模式：国产芯片承担推理为主，高端训练仍有进口芯片参与；制约因素集中在先进制程产能（中芯国际7nm级月产能与台积电存在量级差距）、HBM供应（2026年国产AI芯片因HBM短缺集体涨价）与CUDA生态迁移成本三方面。国海证券预计超节点市场2026/2027/2028年分别达889亿/4151亿/11089亿元（2025-2028年CAGR约341%，隐含2025年基期约129亿元），系统级创新正以“以系统补芯片”的方式对冲单卡代差。

二 高端GPU单点依赖：现状、成因与算力经济学

2.1 出口管制演进：从“限性能”到“限生态”再到“政策回摆”

美国对华AI芯片管制经历了四个阶段。第一阶段（2022年10月起）：美国商务部工业与安全局（BIS）发布首轮“先进计算”出口管制，A100/H100等高端芯片对华受阻，英伟达推出降规格的A800/H800维持中国市场。第二阶段（2023年10月）：管制规则升级，英伟达被迫推出H20、L20、L2等“二次降规”产品，其中H20训练算力约为H100的十分之一。第三阶段（2024年12月-2025年4月）：BIS将管制延伸至HBM等先进存储，并宣告H20对华出口需许可证且无限期生效。第四阶段（2025年7月-2026年）：政策出现回摆——2025年7月H20以向美国政府上缴15%收入的条件恢复销售；2025年12月特朗普宣布允许H200对华销售、需缴纳25%费用，2026年1月BIS将对华H200出口从“推定拒绝”调整为“逐案审查”。

 图2-1 美国对华AI芯片出口管制与政策回摆时间线（2022-2026）

值得注意的是政策回摆的商业结果：英伟达2027财年第二季度（FY2027Q2，截至2026年7月）总营收达962亿美元、数据中心收入890亿美元，但按许可证向中国交付的H200收入占数据中心总收入不足1%；公司同时为H200过剩库存计提约4亿美元，并在下一季度指引中继续不假设任何中国数据中心收入。中国市场（含香港）本季度（FY2027Q2）贡献约79亿美元、占总收入8.2%，已从曾经的13.1%（FY2025，约171亿美元）大幅边缘化。这印证了一个结构性事实：出口管制并未换回美国芯片的在华市场，反而将需求让渡给了国产供给。

2.2 市场格局：国产份额首次突破四成

IDC数据显示，2025年中国AI加速卡市场总出货量约400万张。其中国产厂商合计出货约165万张、份额约41%，首次突破四成大关；英伟达出货约220万张、份额约55%；AMD出货约16万张、份额约4%。国产阵营内部，华为以约81.2万颗、约20%的份额居首（约占国产出货一半）；阿里平头哥出货约26.5万张居国产第二；百度昆仑芯与寒武纪各出货约11.6万张并列国产第三；海光信息、沐曦股份、天数智芯分别占国产出货的5%、4%、3%。

图2-2 2025年中国AI加速卡市场份额

更前瞻的机构预测显示替代进程仍在加速：TrendForce于2026年8月将2026年中国高端AI芯片市场国产份额预测从约50%大幅上调至接近90%，并称这一修正“在八个月内完成”，反映的是结构性而非周期性变化；Bernstein按中国市场收入口径预测英伟达份额将从2025年的约40%降至2026年的约8%，2026年国产AI加速器市场规模约190亿美元、份额79%，2028年达820亿美元、份额93%；高盛预计2026年国产AI加速卡出货份额有望超过50%。IDC季度数据显示，2026年第一季度中国AI芯片市场规模同比高增长（IDC官方口径约+30.9%，媒体另有“超80%”转述口径，出入较大），国产份额首次突破五成（第三方统计口径约52.3%）。作为对照，IDC口径下2024年中国本土AI芯片品牌渗透率仅约30%、出货约82万张——约一年半内（2024年至2026年一季度），国产份额完成了从约三分之一到超半数的跨越。

2.3 单点依赖的三重表现与算力经济学

高端GPU单点依赖本质上不是“要不要买”的问题，而是“成本—供给—生态”三重锁定的复合问题。

其一，供给锁定的不确定性：H20曾承担中国约60%的AI推理工作负载，其供给在2025年经历“禁售—恢复—再禁”的反复，中国监管层面亦引导企业避免将H20用于政府或安全用途、推动采用国产芯片。

其二，成本锁定：以H20为例，其训练算力约为H100的1/10，但凭借大显存配置在部分推理场景效能反而优于H100约20%（SemiAnalysis口径），这种“为合规而设计”的产品形态扭曲了中国用户的采购性价比。其三，生态锁定：CUDA生态构成最深的护城河，国产芯片厂商普遍以“兼容CUDA+自建生态”双轨策略应对（详见第五章）。

从算力经济学视角看，中国AI产业的核心矛盾已经从“能否买到芯片”转向“能否养得起算力”。IDC与浪潮信息预测，2023-2028年中国智能算力规模年复合增长率达46.2%，2026年有望达到约1460.3 EFLOPS；到2027年推理将占智能算力需求的70%以上。截至2026年3月底，全国智能算力总规模已达1882 EFLOPS（FP16），八大国家枢纽节点占比超过80%。（注：IDC/浪潮的1460.3 EFLOPS为2025年初预测值，国家数据局的1882 EFLOPS为截至2026年3月底的已安装实测口径，两者时点与统计范围不同，实际进展已超原预测。）在这一需求曲线下，任何单点供给的波动都会被放大为全行业成本冲击——这正是“降本双轮”成为产业共识的根本动因。

三 算法侧第一轮：稀疏注意力架构创新

3.1 问题根源：注意力机制的平方复杂度与KV缓存经济学

Transformer自注意力机制的 computation 与显存占用随上下文长度呈平方级/线性膨胀：以Llama 3.1-70B（GQA架构）为例，每token KV缓存约320KB，128K上下文单会话即需约40GB显存，100万token则需约320GB——即便英伟达旗舰单卡显存也难以容纳。由于大模型解码是逐token生成，KV缓存的读取频次极高，显存容量与带宽直接决定了按token计费生意收入上限。因此，“压缩KV缓存+稀疏化注意力计算”成为推理降本的第一杠杆。

3.2 技术谱系：从MQA/GQA到MLA、NSA、DSA、CSA/HCA

表3-1 稀疏注意力技术谱系（国产团队主导的迭代路线）

这条技术路线有两个关键工程特征。

第一，原生可训练：NSA强调硬件对齐与原生训练支持，避免“训练全注意力、推理再稀疏化”的精度损失，其加速随上下文长度增加而扩大。

第二，与低精度协同：V4.1-Flash以FP4格式存储全局KV缓存（训练阶段即引入），将HBM需求降至V4 Flash的1/4、SSD需求降至1/8，较初代模型累计压缩约437倍。

3.3 降本效果的量化与商业传导

图3-1 稀疏化技术栈的量化降本效果

稀疏化的降本效果已直接传导至API定价。2025年9月29日，DeepSeek发布V3.2-Exp并引入DSA，API价格同步下调超50%：缓存未命中输入价格从0.56美元/百万tokens降至0.28美元，缓存命中输入0.028美元，输出0.42美元。2026年4月24日发布的DeepSeek-V4将1M上下文设为全系标配，凭借CSA+HCA混合注意力实现“百万token普惠”；随后V4.1-Flash将持久化缓存占用进一步压缩，官方称DeepSeek V1的KV缓存是V4.1-Flash的437倍。

这一轮算法降本的意义在于：它降低的是“单位智能”的算力消耗，因而与芯片供给解耦——无论跑在英伟达还是国产芯片上，稀疏化都能同比降低成本。更重要的是，稀疏化对显存带宽与容量的依赖高于对峰值算力的依赖，客观上降低了国产芯片的单卡规格门槛，为软硬协同创造了空间。国内工程实践已经跟进：摩尔线程在S5000上完成DeepSeek-V4全链路适配，其FlashMLA-DSA算子BF16 Tensor算力利用率达50%；智谱GLM-5.3-Flash采用线性+稀疏混合注意力，注意力计算量较GLM-5.3降低3.01倍、KV缓存降低4.44倍。

四 算法侧第二轮：MoE架构演进与成本效益

4.1 MoE的“两本账”：总参数承载知识，激活参数决定账单

MoE（混合专家）将巨型网络拆分为多个“专家”，每个token仅激活其中少数几个，从而把“知识容量”与“计算成本”解耦为两本账。这一架构在2024-2025年成为前沿大模型的既定默认：DeepSeek-V3以671B总参/37B激活实现GPT-4级竞争力；Qwen3系列提供235B-A22B与30B-A3B两种MoE变体（128专家、每token激活8个、全局批次负载均衡）；Kimi K2以1T总参/32B激活成为国内首个开源万亿参数MoE模型。

图4-1 国产旗舰模型的“两本账”：总参数 vs 激活参数

4.2 标杆案例：DeepSeek-V3的训练成本革命

DeepSeek-V3是MoE降本的标杆。其采用MLA+DeepSeekMoE架构、首创无辅助损失负载均衡，以FP8精度完成671B参数训练并开源原生FP8权重；完整训练仅消耗278.8万H800 GPU小时（预训练266.4万＋上下文扩展11.9万＋后训练0.5万），按每GPU小时2美元测算成本约557.6万美元。作为对照，Meta Llama 3.1 405B官方披露的总训练量约3930万H100 GPU小时（与V3的H800 GPU小时口径不同、跨硬件不宜直接相除）；就激活参数量而言，V3（37B激活）约为405B稠密模型的1/11。科智咨询测算，DeepSeek同等模型效果的训练成本仅为海外领先模型的约1/10。需要指出的是，557.6万美元仅为正式训练运行成本，不含前期研究与消融实验投入，但其数量级意义——把旗舰模型训练从“亿美元俱乐部”拉入“数百万美元区间”——已经重塑了行业的成本预期。

图4-2 DeepSeek-V3 vs Llama 3.1 405B训练算力对比

4.3 国产模型军团：稀疏化与MoE的极致化竞赛

2026年以来，国产模型将“MoE×稀疏注意力×低精度”推向极致。2026年4月24日，DeepSeek发布V4系列：Pro版1.6T总参/49B激活，Flash版284B总参/13B激活，采用CSA+HCA混合注意力、流形约束超连接（mHC）与Muon优化器，1M上下文成为全系标配。7月16日，月之暗面发布Kimi K3（2.8T总参/约104B激活、896个专家每token激活16个），成为全球首个开放3T级权重的模型，官方报告称1M上下文推理速度较K2提升约6.3倍。8月，阿里开源Qwen3.8-Max（2.4T/95B激活、512专家），并于8月26日发布Qwen3.8-Flash（Transformer参数125B仅激活6B，GDN+QSA混合注意力，训练成本较上代骤降近90%，定价每百万tokens输入1元/输出3元，24小时内再降至0.8元/2.7元）；同日智谱开源GLM-5.3-Flash（320B/18B）。7月6日，美团开源LongCat-2.0（1.6T总参/平均激活约48B），采用自研LSA稀疏注意力、ScMoE跨层快捷连接与零计算专家机制。

表4-1 国产旗舰MoE模型一览（2024-2026）

这场竞赛的产业含义有二。其一，推理成本进入“厘时代”：随着激活参数降至个位数十亿、KV缓存压缩至前代十分之一以下，旗舰能力的单位推理成本呈数量级下降，智能正在从“稀缺”走向“普惠”。其二，模型架构反向定义芯片需求：稀疏MoE的高频All-to-All通信、动态路由对负载均衡的要求、低精度（FP8/FP4）算力的偏好，都在重新划定国产芯片的优先优化方向——这正是第六章“双轮协同”的技术接口。

五 国产芯片供给侧全景与适配生态

5.1 竞争格局：一超多强与新势力，业绩进入兑现期

中国云端AI芯片市场已形成“一超（华为昇腾）、多强（寒武纪、平头哥、昆仑芯、海光信息）、新势力（摩尔线程、沐曦、壁仞、天数智芯、燧原等）”的梯队。2025年资本化明显提速：摩尔线程于2025年12月5日登陆科创板（发行价114.28元/股、募资80亿元，成为“国产GPU第一股”），沐曦紧随其后，2026年1月壁仞科技、天数智芯相继在港交所上市，2026年9月燧原科技申购（拟募资60亿元）。从财务看，行业已跨过“样片—测试—批量交付”门槛：2026年上半年七家公司合计收入约214.6亿元、接近上年同期两倍，其中寒武纪59.96亿元（+108.13%）、归母净利23.11亿元（+122.61%），摩尔线程17.36亿元（+147.42%、已超其2025年全年15.06亿元），天数智芯扭亏（+191.6%），燧原+279%、壁仞在低基数上增长1997.6%。

图5-1 国产AI芯片公司业绩进入兑现期（各公司年报/半年报）

技术路线上，行业呈现三大阵营：GPGPU阵营（摩尔线程、沐曦、壁仞、天数智芯）兼容CUDA生态、迁移成本低；自研架构阵营（寒武纪、燧原）构建专用架构与软件栈；CPU+DCU双线（海光信息）依托“类CUDA”生态实现业务迁移。2025年年报与2026年一季报显示，海光信息2025年营收143.77亿元（+56.92%）、净利25.45亿元（+31.79%），2026年一季度营收40.34亿元（+68.06%）；寒武纪2025年营收64.97亿元（+453.21%）、上市以来首次年度盈利。

5.2 华为昇腾：以路线图与超节点实施“系统级补偿”

华为是国产阵营的“一超”。2025年9月18日，华为轮值董事长徐直军首次公开三年芯片路线图：昇腾950PR（2026年一季度，搭载自研HiBL 1.0 HBM）、950DT（2026年四季度，搭载HiZQ 2.0）、960（2027年四季度，支持HiF4自研4比特格式）、970（2028年四季度），保持“每年一代”节奏。2026年3月，搭载昇腾950PR的Atlas 350加速卡已发布亮相。当前主力昇腾910C的FP16稠密算力约780-800 TFLOPS（不同口径：券商测算780、路线图表800、SemiAnalysis实测口径752）、内存带宽3.2TB/s，综合性能接近H100的80%；上一代910B（FP16稠密320 TFLOPS）可对标A100（312 TFLOPS）。

华为应对单卡代差的核心打法是“以系统补芯片”。CloudMatrix 384超节点基于384颗910C构建，BF16稠密算力达300 PFLOPS、为英伟达GB200 NVL72的1.7倍，总内存容量与内存带宽分别为其3.6倍和2.1倍；SemiAnalysis评价CM384在多项关键指标上超越GB200 NVL72、领先英伟达和AMD产品一代，连黄仁勋也公开承认其部分性能超过英伟达产品。下一代Atlas 950 SuperPoD最大可扩展8192颗NPU（单柜64颗），华为称其卡规模为英伟达NVL144的56.8倍、总算力6.7倍、内存容量15倍（1152TB）、互联带宽62倍。

5.3 软件栈：CANN开源开放与“类CUDA”迁移路径

软件生态是国产芯片从“可用”到“好用”的分水岭。华为于2025年8月宣布CANN全面开源开放；2026年9月社区版已迭代至9.2.0-beta.2，原生支持DeepSeek-V4、Qwen3.6、Kimi-K2.6、GLM5.2等前沿模型，其MLA融合算子（MLAPO，2025年5月）针对DeepSeek的MLA架构实现推理效率倍增。寒武纪开放NeuWare软件栈与vLLM-MLU源码，以Torch-MLU-Ops融合算子库和BangC语言释放硬件潜力；海光DTK+DAS集成超2000个算子、支持100余个主流框架组件；摩尔线程MUSA架构已深度兼容CUDA生态，MUSIFY工具支持CUDA代码快速迁移，生态汇聚超80万名开发者。昆仑芯则在2025年中国移动集采“类CUDA生态”标段中以三项标包份额第一斩获十亿级订单。

5.4 硬约束：先进制程产能与HBM供应

国产算力的天花板仍在制造与存储两端。制造端，据爱集微援引TrendForce的测算，国内7nm级量产代工实质上仅中芯国际一家，其月产能不足2万片、远低于台积电同制程约15万片；按2026年底目标月产能7万片折算，全年可产出的AI芯片约260万颗，而同期国内需求约420万颗——每两颗需求中约有一颗无法满足；产能分配上华为约占43%、寒武纪占9%-11%。存储端更为紧张：2024年12月美国收紧先进HBM对华出口后，中国厂商转向灰色市场渠道采购、价格达正常渠道数倍；路透社2026年9月报道，华为昇腾950DT加速卡报价已上调至25万元以上（较两个月前上涨20%-50%），950PR由年初约6万元升至8万元以上，910C由约9万元升至11万元以上，寒武纪下一代思元690报价亦上调20%-30%。这构成本报告结论部分情景分析的关键变量：国产替代的“成本优势”部分来自规模与系统工程，部分依赖HBM供给的松紧。

六 双轮协同：架构创新×国产芯片的乘数效应

6.1 Day 0适配成为行业范式

“算法双轮”与“芯片双轮”的交汇点，是大模型与国产芯片的深度耦合。2026年4月24日DeepSeek-V4发布当日，寒武纪、华为昇腾即完成Day 0适配并开源适配代码；截至2026年4月30日，寒武纪、华为昇腾、海光信息、摩尔线程、沐曦股份、百度昆仑芯、阿里平头哥（真武）、天数智芯共8家国产芯片厂商完成适配（部分统计口径另含清微智能共9家；“曦望”未见Day 0适配证据）。华为昇腾超节点全系列产品支持V4，昇腾950通过融合kernel与多流并行技术实现高吞吐、低时延部署，昇腾A3超节点同步提供训练参考实现；万联证券研报进一步指出，华为芯片参与了V4-Flash的部分训练环节，标志着国产算力从推理部署向训练链条渗透。

这一范式正在全行业复制：摩尔线程对DeepSeek-V4、美团LongCat-2.0（万亿参数）等前沿模型实现“发布即适配”；沐曦自2025年12月以来完成33个主流模型Day 0适配，天数智芯累计适配模型超500个；燧原在庆阳、无锡、成都等地智算中心完成DeepSeek全量模型的数万卡部署；智谱则首次在大规模线上流量中采用国产芯片集群提供服务。

6.2 系统级协同：稀疏化×超节点的互补

稀疏注意力/MoE与超节点构成“降维—补维”的互补关系：算法侧稀疏化削减了单卡的计算与访存需求，系统侧超节点则以高带宽、低时延的Scale-up域解决MoE高频All-to-All通信瓶颈——传统集群中MoE训练的集群算力利用率（MFU）往往不足60%，超节点将强耦合通信时延从微秒级压缩至百纳秒级。国海证券测算，国产超节点市场2026/2027/2028年将分别达889亿/4151亿/11089亿元（2025-2028年CAGR约341%），在国产AI芯片出货中的渗透率从2026年约15%提升至2028年约55%；华泰证券的保守口径为2028年约3414亿元。产业侧，曙光、阿里、百度等厂商亦密集推出单柜百卡级超节点系统，华为Atlas 950单柜可部署64颗芯片。2026年7月，粤港澳大湾区首个“国芯训国模”万卡智算集群在韶关上线，部署30个昇腾910C超节点、建成9000P（FP16）资源池、总投资约55亿元。

图6-1 国产超节点市场规模预测（国海证券测算）

6.3 训练侧渗透：从推理替代到“国芯训国模”

训练侧是国产替代的深水区。行业观察显示，中国实验室普遍采用“国产+进口”双轨：国产芯片承担AI推理任务，训练阶段仍主要依赖英伟达芯片。典型案例是美团以显存64GB的昇腾910B（小于H800的80GB）完成大模型预训练，科大讯飞的国产化亦从910B起步。而DeepSeek-V4的落地正在改变这一格局：若华为芯片参与V4-Flash训练环节的研报表述得到进一步证实，叠加韶关“国芯训国模”集群、华为昇腾二次训练解决方案的推广，训练侧国产替代的节奏存在超预期空间——券商普遍将其视为2026-2027年最重要的观察变量。

表6-1 产业链关键环节与代表玩家

七 结论：能否终结高端GPU单点依赖——判断、情景与风险

7.1 总体判断：“单点依赖”已被结构性稀释，推理侧实质突破

综合全文证据链，本报告的结论是：

（1）“终结”在推理侧已接近事实成立——2025年国产加速卡份额41%、2026年一季度突破五成，叠加TrendForce对2026年高端市场国产份额接近90%的预测，中国AI推理的算力底盘已可主要由国产供给承担；DeepSeek V3.2/V4的连续降价（V3.2发布当日API降价超50%、缓存命中输入价格低至0.028美元/百万tokens）证明国产模型+国产芯片组合已具备全球成本竞争力。

（2）训练侧从“不可替代”转为“快速跟进”：MoE+稀疏化将训练成本压缩一个数量级（V3仅557.6万美元），客观上降低了训练对顶尖单卡性能的敏感度，昇腾超节点+国产模型训练的示范效应正在形成。

（3）英伟达自身行为印证了这一趋势：其对华数据中心收入指引持续为零、H200对华销售“象征意义大于实际收入”，并连续两年在年报中将华为列为竞争对手。

7.2 三情景推演（2026-2028）

表7-1 高端GPU依赖演变的三情景推演

7.3 市场空间：万亿元级国产替代主战场

市场空间层面，弗若斯特沙利文预测中国AI计算加速芯片市场规模将从2024年的1425亿元增至2029年的约1.34万亿元（2025-2029年CAGR 53.7%，以2025年约2398亿元为基期），GPU份额由69.9%升至77.3%；亿欧智库口径为2026年约2500亿元、2029年约1.34万亿元。需求侧，IDC与浪潮预计2026年中国智能算力规模约1460.3 EFLOPS、2027年推理占比超70%；中商产业研究院预计中国AI服务器市场2026年达3500亿元。全球坐标下，IDC预计2026年全球AI基础设施支出将上调至4970亿美元，其中中国一季度支出78亿美元（+9.3%）；灼识咨询预计全球AI加速卡市场将从2024年超1000亿美元增至2028年超5000亿美元。中国是全球AI算力增长最快的单一市场，这为国产供给提供了足够的腹地。

图7-1 中国AI计算加速芯片市场规模预测（弗若斯特沙利文）

7.4 风险提示

· 制造与存储瓶颈：中芯国际7nm级产能与需求间存在约四成缺口，HBM短缺已导致国产芯片集体涨价20%-50%，若延续将侵蚀国产方案的性价比优势；

· 生态迁移成本：CUDA生态存量深厚，国产软件栈（CANN/MUSA/DTK/NeuWare）虽快速迭代，但长尾算子覆盖、框架兼容与人才储备仍需时间沉淀；

· 政策反复风险：美国出口管制存在再度收紧的可能（历史上H20即经历“放行—禁售—附条件放行”的反复），国产化率的提升节奏可能被打断；

· 技术路线风险：稀疏化/MoE的收益依赖模型架构持续演进，若海外团队转向全新架构（如线性注意力大规模替代、新范式出现），现有国产芯片的优化积累可能部分失效；

结语：算力自主化没有“毕其功于一役”的奇袭路径，但有可复利的复利路径——算法侧每压缩一个数量级的成本，国产芯片的单卡压力就小一分；国产芯片每完成一次Day 0适配，算法创新落地的摩擦就少一分。双轮互锁之下，高端GPU的“单点依赖”正在退化为“多点选择”中的一个选项。这正是2026年中国AI算力产业最重要的结构性变化。