2026年行至尾声，国产AI芯片的叙事基调发生了关键变化。过去几年，行业反复追问的是“能不能用”“敢不敢用”；现在，问题变成了“值不值得用”，以及下一代大模型敢不敢押上去用。
变化最先发生在推理侧，但真正的关键分水岭出现在训练侧。两条路线几乎同时传出积极信号，指向同一个判断：国产AI芯片不再只是制裁阴影下的替代选项，它开始进入一线算力需求的核心场景。
01推理侧：从“能跑”到“跑得比H200更好”
推理是国产芯片最早站稳脚跟的领域。大模型部署对生态迁移的容忍度相对更高，推理场景的碎片化也给多路线并进留出了空间。2022年至2025年，美国对华半导体出口管制政策层层加码。2025年4月，美国进一步收紧管制，导致英伟达为中国市场定制的特供版H20芯片被迫停售，公司因此承受了约45亿美元的库存损失及80亿美元的潜在收入损失。过去三年，H200一直被挡在中国市场门外；而如今，国产AI芯片终于达到H200这一规格水平。
首先是沐曦的曦云C600。这款芯片配备144GB HBM3e显存，超过了英伟达H200的141GB规格，于2026年5月正式量产，被评选为“首款基于全国产供应链打造的高性能GPU”，从设计到制造、封装再到软件栈实现了全链路国产供应链闭环。显存容量单点的超越在纸面上只是一个数字，但对于当下头部大模型的训练与推理而言，显存就是容纳模型参数和上下文的硬性上限。越过141GB这条线，意味着国产GPU第一次在旗舰级硬件规格上不再处于仍差一截的位置。
之后是7月份天数智芯发布的天垓300。天垓300基于天枢架构，搭载新一代Tensor Core和Vector Core，提供了更强的计算能力，支持FP4、FP8、BF16、FP16等多种精度格式，也是144GB显存。第三方完成的实测显示，在典型预填充—解码分离部署下，天垓300折算单卡整体端到端吞吐达到英伟达H200的1.05倍；在64K长上下文场景下，Attention性能同样为H200的1.05倍，多模态生成推理吞吐提升约2%—5%，搜广推等在线业务中推荐推理吞吐提升21%。这不是理论峰值的纸面对比，而是在特定模型和部署条件下整条推理链路实际输出能力的比较。这也是国内首个实测性能达到H200水平的通用GPU。
更多超过H200的新产品也正在陆续面世。壁仞科技的下一代GPU近期已成功点亮，即将投入量产。消息人士称，该新品基于国产工艺打造，性能将超过英伟达H200。壁仞科技今年年初就已明确推进基于新一代架构的BR20X系列。该系列芯片原生支持FP8、FP4等更广泛的数据格式，配备更大内存与更高互连带宽，旨在为云端训练和推理场景提供更强算力。在BR20X之后，壁仞还规划了面向云端训练与推理的BR30X。
东方算芯将于今年Q4推出DF2000，能够达到访存带宽15 TB/s，1000TFLOPS@BF16，性能参数全面超越英伟达H200；2027年Q4将会推出DF3000，能够达到访存带宽20 TB/s，2000TFLOPS@BF16，在DF2000的基础上翻倍提升，对标英伟达B300。
推理侧的进展之所以更快，本质上是因为这一侧的商业逻辑已经跑通了闭环。IDC数据显示，2026年上半年英伟达在中国数据中心AI芯片市场的份额降至34%，出货量同比下滑44%；华为昇腾以28%的份额紧随其后，双方差距收窄到仅6个百分点。IDC追踪的11家中国芯片企业中，有9家出货量同比增长。推理侧的规模化验证，为产业注入了最稀缺的东西：信心。
02训练侧：国产芯片第一次站到主流大模型预训练的门口
推理侧的反超是量变，训练侧的突破才是质变。
2026年11月3日，有消息称，DeepSeek下一代大模型DeepSeek V5计划基于昇腾芯片进行预训练。此前昇腾在DeepSeek体系中承担的角色仅限于推理，V5将是首款原生依托昇腾开展训练的大模型，核心训练算力指向昇腾950，项目节奏指向明年落地。双方在V4阶段已经完成了大量底层算子适配与定制开发，针对DeepSeek模型的专属算子，昇腾在V4阶段就已启动定制优化，为V5全量上昇腾训练打通了技术通道。实际上，早在今年9月底，DeepSeek便开源了面向昇腾算力平台的基础设施组件，涵盖TileLang编译工具、计算库与分布式通信库，与此前面向英伟达平台的开源组件一一对应。DeepSeek明确表示，其训练中使用的每一个TileLang算子，在昇腾上都有对应的高性能实现。算子层的系统性对齐，是训练迁移真正的工程底座。没有这一步，V5的预训练计划无从谈起。
训练侧的松动不止发生在DeepSeek一家身上，实际上早有迹象。2026年1月，智谱AI发布GLM-Image，这是首个完全在华为昇腾芯片上完成全流程训练的顶尖多模态模型，使用昇腾Atlas 800T A2设备和MindSpore框架完成了从数据预处理到大规模训练的完整闭环。1月14日，智谱联合华为开源该模型，开源后24小时内登顶全球AI开源社区Hugging Face Trending榜单榜首。这也是首个依托国产芯片实现全程训练的SOTA多模态模型。
其他国产AI芯片在训练侧也有突破。1月13日，摩尔线程与北京智源人工智能研究院达成突破，依托MTT S5000千卡智算集群与FlagOS-Robo框架，成功完成智源自研具身大脑模型RoboBrain 2.5的全流程训练。这一成果首次验证了国产算力集群在具身智能大模型训练中的可用性与高效性，标志着国产AI基础设施已具备应对复杂多模态任务的能力。此外，结合完备的训练套件和领先的训练优化、强化学习等技术，以摩尔线程全功能GPU为根基的夸娥智算集群在关键维度均已实现突破。例如，在高扩展方面，随着集群训练规模持续增大，可保持高达95%的线性扩展效率；在高精度方面，训练精度与国际主流计算卡持平，训练损失曲线高度一致；在高稳定方面，集群支持断点续训，有效训练时长占比超90%。基于此，摩尔线程夸娥智算集群已完成多项“国芯训国模”实践成果，包括从零起步完整训练MoE-236B基础模型，以及实现北京大学5D世界模型EvoPhys-World的全栈原生训练等，充分验证了国产芯片在超大规模、超长连续稳定训练上的全链路闭环能力。
训练端的国产芯片正在从后训练、微调等边缘环节，走向主流大模型预训练这个此前从未真正开放过的核心环节。当然，训练侧的生态迁移成本仍然是决定天花板的变量。CANN软件栈虽然在2026年实现了全面开源开放，兼容PyTorch、vLLM、TileLang等主流生态，MindSpore也迭代到了面向昇腾950的MXFP8低精训练支持，但CUDA十余年积累的开发者惯性和算子丰富度不是一朝一夕可以抹平的。V5的预训练能否如期跑通，将是国产训练芯片的第一次真正意义上的“大考”。
03突破的背后，不只是单点进展
如果只在芯片层面看这场反攻，会漏掉更重要的东西。这些单点突破之所以能在同一个时间窗口密集出现，底下的结构性变化才是真正的关键。
产业链的完整度在肉眼可见地抬升。一颗AI芯片从图纸到落地涉及设计、制造、先进封装、设备材料、EDA和存储七个环节。中国在芯片设计、成熟及部分先进制程代工、先进封装、NAND闪存、DRAM内存五个环节已经形成可观的战斗力，IP授权、光刻机、高阶EDA、HBM仍是短板，但短板的性质正在从“完全空白”变为“有路线图、有验证循环、有量产时间表”。盛合晶微已经成为中国大陆2.5D收入规模排名第一的企业，市场占有率约为85%。此外，盛合晶微亦在持续丰富完善3D集成（3DIC）、三维封装（3D Package）等技术平台，以期在集成电路制造产业更加前沿的关键技术领域实现突破。长鑫的DRAM全球份额从2025年二季度的4%攀升至2026年二季度的10%左右，第五代DRAM平台实现量产。制造、封装、存储三块地基同时在往上走，芯片设计端的突破才有了可复制的落点。
超节点把“单卡差距”变成了“系统问题”。当单卡制程短期内无法追平台积电和英伟达时，国产算力选择了一条更现实的路径：用高速互联和系统级工程把多卡集群的有效算力拉上去。昇腾384超节点已部署750余套，950DT超节点规模供货指向年底或明年初；天数智芯IXL144以单机柜144卡、10.1TB显存的密度切入训练与高并发推理场景。超节点的成熟意味着国产芯片的竞争单元从“一颗芯片”升级为“一套可交付的算力系统”，这是训练侧能够承接大模型预训练任务的工程前提。
人才和资本在同一个方向上加速聚集。几年前国产AI芯片的困境很大程度上是人的困境：懂架构的人少，懂Chiplet和HBM先进封装的人更少，能把硬件和AI软件栈打通的复合型角色几乎无从寻觅。现在的情况是，燧原给Chiplet/D2D方向的AI芯片架构师开出了年包最高180万元的薪酬，摩尔线程、寒武纪的招聘列表里“先进封装设计工程师”“芯片封装工艺工程师”已经成为常规选项。虽然一些领域的高端人才仍然稀缺，但稀缺本身说明需求真实存在、产业在扩张，而不是无人问津。资本端同样密集：墨芯人工智能五个月内完成近20亿元融资，微纳核芯半年内累计融资30亿元，东方算芯A+轮投后估值超过122亿元。钱和人在往同一个方向流，这是产业从摸索期进入建设期最直观的体现。
04结语
把推理侧的性能反超、训练侧的预训练突破、产业链的纵向补齐、超节点的系统级成熟、人才与资本的加速汇聚放在一起看，国产AI芯片的这轮突破并不意味着一场全面领先的胜利。HBM的差距仍然明显，光刻机和高阶EDA的短板不是两三年可以填平的，CUDA生态的惯性也远未消散。但国产芯片已经从一个需要被照顾和容忍的替代品，变成了一个可以被一线大模型公司放进核心训练路线图里的技术选项。
