2026 年上半年，国产 AI 芯片的份额抬升，靠的不是单卡性能追平。真正起作用的是三件事同时到位：供货能按季度排产、互联方案成套交付、软件栈能承接 CUDA 迁移。缺任何一件，采购就会退回「先小批量试试」。份额数字背后是这三件事的完成度，不是跑分。
产品形态也在变。单卡对单卡的差距还在，但补齐方式换成了超节点：把几十张、几千张卡做成一个逻辑整机，用 scale-up 域把互联带宽拉起来。评价超节点别看单卡 TFLOPS，看三个数——单域卡数多大、scale-up 带宽多高、故障域多大。域越大、带宽越高，训练时的有效算力越接近峰值。
再往上到集群，门槛就从芯片换成了电和冷。十万卡大约是数百兆瓦的负荷，相变液冷、供电改造、机房承重，哪一样不达标都上不了线。很多项目最后卡在变电站，不是卡在芯片。
关于数据：份额为 IDC 中国加速计算市场跟踪报告公开摘要口径的整理与取整，用于看趋势，具体数值以原报告为准；算力、互联与卡数为厂商公开规格，不同精度（FP16/BF16/FP8/INT8）不可直接横比；综合分为编辑按「有效算力、互联完整度、软件栈成熟度、交付节奏、运维成本」五个维度整理，10 分制，非官方基准；未交付方案的分数按公布规格折算，不确定性已在逐评中标注。
表格可左右滑动查看完整对照 →
| 排名 | 方案 | 形态 | 综合分 | 最强环节 | 交付状态 | 规格 / 门槛 |
|---|---|---|---|---|---|---|
| 1 | 昇腾 950 超节点华为 · Atlas 950 SuperPoD | 超节点 | 9.2 | 单域 8192 卡 | 批量交付 | 8192 卡需液冷与专用供电 |
| 2 | 曙光 十万卡液冷集群中科曙光 | 集群 | 9.0 | 规模与 PUE | 分批交付 | 10 万卡相变液冷 · 整机房方案 |
| 3 | 寒武纪 思元 690寒武纪 | 芯片 | 8.7 | 训练吞吐与供货 | 规模量产 | 单卡需整机与框架适配 |
| 4 | 昇腾 960 超节点华为 · Atlas 960 SuperPoD | 超节点 | 8.6 | 单域 15488 卡 | 路线图 27Q4 | 15488 卡未交付 · 规格为公布值 |
| 5 | 海光 深算三号海光信息 | 芯片 | 8.4 | 迁移成本最低 | 规模量产 | 单卡x86 整机生态成熟 |
| 6 | 昆仑芯 P800百度 | 芯片 | 8.2 | 推理性价比 | 规模量产 | 单卡 / 整机整机外售 |
| 7 | 阿里云 灵骏阿里云 | 集群 | 8.1 | 按需开通与调度 | 商用 | 按需租用长期满载不如自建 |
| 8 | 摩尔线程 KUAE²摩尔线程 | 集群 | 7.9 | 全功能 GPU | 商用 | 万卡集群液冷整柜交付 |
| 9 | 平头哥 PPU阿里巴巴 | 芯片 | 7.7 | 推理能效 | 内部 + 外售 | 单卡对外供货有限 |
| 10 | 曙光 scaleX640中科曙光 | 超节点 | 7.5 | 单柜 640 卡 | 小批量 | 640 卡 / 柜单柜即插即用 |
表格读法：分数高不等于能买。排第 4 的昇腾 960 规格最激进，但要到 2027 年四季度才交付，现在只能作为规划参考；排第 10 的 scaleX640 分数最低，却是机房条件有限、又想在一柜内跑起超节点的唯一选择。先看交付状态，再看分数。
国产方案里第一个把 8192 张卡做成一个逻辑整机、并且在真实集群里跑起来的。
单域 8192 卡，scale-up 走全光互联，跨柜通信不走以太网，训练时的集合通信开销明显低于拼卡方案。
配套 CANN 与自研框架，主流 PyTorch 代码有官方迁移路径，常用算子不必重写。
整柜交付，现场工作量主要在水电改造与联调，不是装机器。
短板：必须液冷 + 专用供电，老机房改造成本高；冷门算子与自研算子仍需原厂配合补齐；交付按季度排产，临时加量基本排不进去。
规模最大的那一个。它的价值不在卡数，而在把电、冷、网做成了一套可复制的机房方案。
相变液冷 + 余热回收，PUE 做到 1.1 附近，是同规模里最省电的一档。
十万卡分批上线，每批次可独立承担训练任务，不必等全部到齐。
交付范围从变电站、冷站一直包到机柜，机房条件差的场地反而更省事。
短板：对机房承重、层高与配电有硬要求，改造周期以月计；跨地域多集群的统一调度要自建；单卡性能不是强项，靠规模与利用率取胜。
今年国产训练卡里出货最猛的一颗，赢在「能买到 + 能训起来」，不是赢在跑分。
训练吞吐接近同代国际主流产品的七成，价格与供货节奏更可控。
MLU-Link 多卡互联，8 卡与 16 卡整机方案成熟，中小规模训练可以直接落地。
框架适配层覆盖 PyTorch 常用算子，常见模型迁移以重编译和调参为主。
短板：万卡以上超大规模案例少，集群线性度缺少公开数据；自定义算子与性能调优高度依赖原厂支持；推理侧工具链不如训练侧完整。
规格表上最激进的一项：单域 15488 卡。但到现在为止，它是路线图，不是机房里的机器。
单域 15488 卡，官方给出的互联带宽较 950 再翻一倍，面向万亿参数 MoE 训练设计。
与 950 共用机房、供电与运维体系，同一场地可以平滑升级。
互联协议自研，不依赖通用以太网交换，长距离同步的抖动更可控。
短板：官方口径 2027 年四季度交付，现在不能作为选型依据；功耗与机柜密度再上一档，多数存量机房放不下；规格为公布值，第三方实测尚未出现。
迁移成本最低的一颗：x86 加类 CUDA 环境，存量代码的改动量最小。
x86 CPU + DCU 同构，主板、整机与外设生态成熟，兼容性摩擦最小。
类 CUDA 编程接口，迁移以重编译和少量算子替换为主，团队学习成本低。
政企与金融行业交付案例多，集成商与运维体系现成。
短板：单卡峰值算力不占优，大模型训练要靠集群规模补；互联带宽弱于专用超节点方案；产能受限，大单交付周期偏长。
推理侧最实用的选择之一：单卡显存足够大，能把一个中等规模模型整张贴进去。
显存容量与带宽取向明确，长上下文推理的吞吐优势比峰值算力更明显。
整机对外销售，不走纯内部路线，采购与测试门槛低。
百度内部大规模承载推理流量，长期稳定性有现网背书。
短板：训练侧生态较弱，不适合作为预训练主力；集群方案以整机为单位，拓扑灵活度一般；公开的第三方基准数据偏少。
不想自己建机房时的默认答案：按需租，按实际用量算成本。
万卡级集群按需开通，RDMA 网络与弹性调度成套提供，不必自建网络。
与 PAI、百炼打通，从训练到推理是一条链路，模型上线少一次搬运。
不承担电力、机房改造与折旧，短期项目现金流压力小。
短板：长期满载的总成本高于自建；数据合规与出境要单独评估；资源紧张时段仍需排队，峰值保障不如自有集群。
唯一同时做图形与计算的国产 GPU，集群方案已经从「能跑」走到「能运维」。
全功能 GPU，图形渲染与计算共用一套卡，适合既做仿真又做训练的场景。
KUAE² 万卡集群支持液冷整柜交付，运维接口与监控成套。
开发者工具链与社区相对活跃，迁移文档比多数初创厂商完整。
短板：大模型预训练的实际案例仍少，超大规模线性度缺少验证；软件栈成熟度落后头部两家；单卡算力与互联规格处于中位。
阿里内部先跑通、再往外卖的一颗推理芯片，性价比取向很明确。
面向推理优化，能效比突出，单位 token 的电费成本低。
在阿里云内部承载大量推理流量，长时间高负载的稳定性有现网验证。
与云上推理服务天然集成，模型部署不必自建服务框架。
短板：对外供货有限，优先满足内部与云上业务；训练能力没有公开验证；独立采购渠道不清晰，议价空间小。
单柜 640 卡，走的是「一柜起步」的路线，适合机房条件有限又想上超节点的团队。
单柜集成 640 卡，scale-up 域在一个柜内闭合，柜间走普通网络即可。
相变液冷出厂预装，到场接管即用，不需要重建冷站。
小批量交付，起步门槛低，适合先验证再扩容。
短板：单域规模小于 8192 卡方案，超大模型要多柜拼接，跨柜通信回到通用网络；公开实测数据少；软件栈以曙光自家体系为主。
预训练阶段最怕的不是卡慢，是同步等不起。优先选单域大的方案，把梯度同步压在机柜内；如果模型规模还没到需要超节点的程度，8 卡整机加高速网络更划算。别为一个可能永远训不到的规模提前买单。
推理算的是「每秒能吐多少 token」，卡在显存带宽和批处理效率上，不是卡在峰值算力。选型时直接拿自己的模型和真实请求长度压测，用每百万 token 的成本排序，比看规格表可靠。
这类项目的第一道门槛是供应链与合规审查，第二道才是性能。海光的 x86 生态让存量系统改造成本最低；scaleX640 一柜起步，适合机房面积和配电都紧张的办公楼；寒武纪适合已有训练需求的单位批量采购。
不确定任务能不能跑通时，自建机房是最贵的试错方式。用云上集群把流程跑顺、把利用率测出来，再据此决定采购规模。利用率低于 40% 的自建集群，账永远算不平。
峰值乘上集群线性度、再乘上利用率，才是能用的那部分。一个 90% 线性度的 8000 卡集群，实际吞吐可能高于线性度 60% 的 12000 卡集群。采购前要拿到同规模的真实训练曲线，不是单机跑分。
把 scale-up 和 scale-out 分开看：前者决定单域能做多大，后者决定多域能不能拼。张量并行吃 scale-up 带宽，数据并行吃 scale-out。搞反了，卡越多越慢。
自回归解码是访存密集型任务，算力常常闲着等数据。选推理卡时先看显存容量与带宽，再看能效比；同价位下，能把模型整张贴进一张卡，往往比多卡切分更省成本。
先确认变电站容量、机柜承重、层高与冷源，再谈卡。十万卡集群的负荷在数百兆瓦量级，配电改造周期通常比设备交付更长。签约前把电力增容的时间表写进计划。
「支持 PyTorch」和「你的代码能跑」是两回事。把迁移拆成算子替换、精度对齐、性能调优、分布式改造四段，各估人月。冷门算子与自研算子是主要风险点，务必先做一次小规模真跑。
训练按「每次实验成本」，推理按「每百万 token 成本」，把卡价、电费、机房折旧、运维人力、利用率全算进去。这张表出来之后，很多看起来便宜的方案会现原形。
份额会继续变，规格会继续涨，但评价方法是稳定的：有效算力、互联、软件栈、电与冷。把这四项写进采购评审表，比追发布会更有用。
「一万卡集群」听起来比「8192 卡超节点」大，但后者的单域互联更强、线性度更高，实际训练吞吐可能反超。比规模之前，先问一句：这一万卡分几个域、域内怎么连。
FP16、BF16、FP8、INT8 的峰值数字差好几倍，厂商标注口径并不统一。对比时必须锁定同一精度、同一稀疏设置，最好再要一个真实模型的吞吐数据。
单域越大，一次故障影响的卡越多。15488 卡的域里，一个交换模块抖动可能让整域重跑。要问清楚：故障隔离粒度是卡、是柜、还是整个域，检查点间隔能不能压到分钟级。
液冷整柜的重量、层高、管路接口与风冷机房完全不同。签约前让厂商出场地条件清单，逐项对照现有机房；改造工期要算进项目排期，别等设备到货才开工。
电费在三年周期里常常超过设备款的一半。PUE 从 1.4 降到 1.1，省下的电费足以覆盖液冷改造。把采购、改造、电费、运维、折旧拉一张三年表，再比较报价。
追踪 Claude 管理智能体、谷歌云 Gemini Agent、腾讯云 TeamAI 等 10 款智能体产品的 12 项进展，逐条标注形态、权限模型与起步价，并对照 2026 年三季度的 5 起安全事件。
含产品进展 · 5起安全事件梳理 IDC 口径的中国 AI 芯片份额，对照华为昇腾 950/960 超节点、曙光十万卡液冷集群、寒武纪思元 690、海光深算三号、昆仑芯 P800 等 10 项方案，标注规格口径、互联方式与交付状态。
含IDC份额·10项算力方案Seedance 2.5、Seedream 5.0、Kling 3.0、Vidu Q4、Wan 3.0 等 12 款图像与视频生成模型的公开实测汇总，逐条标注输出规格、单条成本、跨帧一致性与已知短板，附场景选型与避坑清单。
含12款生成模型实测Cursor、GitHub Copilot、Kiro、GLM-5.3 等 12 款编程工具与模型的公开实测报道汇总，逐条标注评分、适用环节、起步价与门槛限制，附场景选型与避坑清单。
含 12 款工具/模型实测