文章核心观点 - 国产GPU行业在AI算力需求驱动和国产替代主题下，资本市场情绪高涨，相关公司上市后市值飙升，但公司普遍处于巨额亏损和早期商业化阶段，当前估值已严重偏离基本面 [1][18] - 摩尔线程、沐曦、壁仞三家主要国产GPU公司技术路径和商业化策略差异显著，但均在2025年迎来订单和商业化的拐点，产品开始被市场接受并应用于实际场景 [6][21][27] - 尽管面临生态薄弱、技术差距等挑战，但在中国AI产业链的协同支持下，国产GPU正逐步通过千卡/万卡集群解决方案在智算中心、大模型训练等关键领域实现落地应用 [14][23][24] 资本市场表现与估值 - 沐曦股份科创板上市首日开盘暴涨超568%，市值突破3000亿元，中一签可获利约30万元 [1] - 摩尔线程与沐曦市值合计超6000亿元，但流通盘仅约5%，网下配售被机构重仓，相当于为市值加了杠杆 [1][21] - 采用PS估值法，摩尔线程和沐曦的市销率分别高达300多倍和150多倍，远超科技成长股常规的10-20倍区间，估值已完全偏离正常价值逻辑 [18][19] - 市场高估值由AI算力国产替代的宏大叙事、稀缺的流通筹码以及寒武纪等先例带来的乐观情绪共同驱动 [21] 公司财务与经营状况 - 三家国产GPU公司均处于大额亏损状态：摩尔线程2025年前三季度亏损7.24亿元，沐曦亏损3.46亿元，壁仞2025年上半年亏损16.01亿元 [2] - 摩尔线程2025年上半年营收超过7亿元，远超2022-2024年营收总和，显示商业化进入新阶段 [11] - 壁仞2025年上半年营收为5.87亿元，规模小于摩尔线程和沐曦 [17] - 摩尔线程与沐曦的产销率均已超过100%，且明显好于2024年，反映商业化加速 [21] - 摩尔线程早期营收主要依赖经销商，目前90%已实现直销，显示项目对接能力提升 [22] 技术路径与产品对比 - **摩尔线程**：追求全功能GPU，覆盖图形渲染、AI计算、科学计算等，路径最接近英伟达从游戏到AI的发展历程 [6][7] - 桌面显卡S80对标英伟达RTX 3060，但实际游戏性能仅与AMD R7核显相当 [9] - 算力卡S5000在带宽、显存、算力上表现不错，支持主流计算精度，可作为英伟达H100的替代品用于AI大模型推训 [9][11] - 发布AI训推一体芯片“华山”和高性能图形渲染芯片“庐山”，其中“华山”性能介于英伟达Hopper和Blackwell架构之间 [4] - **沐曦**：核心团队出身AMD，聚焦数据中心高性能计算，不涉足游戏显卡 [6][14] - 曦云C500系列算力卡单卡算力达英伟达A100水平，支持FP32到INT8全精度混合计算，并已走通千卡集群解决方案 [14] - **壁仞**：偏爱“暴力计算”，追求极致算力 [6][16] - 首款旗舰通用GPU BR100采用数据流并行+Chiplet+台积电N7工艺，晶体管数量达770亿个，接近英伟达H100的800亿个 [16] - 官方宣称FP16/BF16算力大于1000 TFLOPS，INT8算力大于2000 TOPS，FP32算力超越英伟达A100/H100一个数量级 [16] - 拥有光跃LightSphere X超节点技术，通过光互连实现灵活、高可靠的GPU互联，支持大规模集群 [24] 商业化进展与客户 - **摩尔线程**：客户涵盖互联网企业、AI公司、算力服务商、运营商等，并适配了飞腾、海光等国产CPU及麒麟、统信等操作系统 [22] - 2025年上半年，前两大客户R和J贡献收入占比分别为56.63%和30.91%，但客户续费率低，营收依赖新增大单 [22][23] - **沐曦**：通过集成商实现落地，客户包括超讯通信、新华三等 [25][26] - 产品累计销量超过2.5万颗，应用于国家级人工智能公共算力平台、运营商智算平台等项目 [24] - 与联想合作推出DeepSeek一体机，积极将产品打造成行业“标准件” [25] - **壁仞**：客户主要为大型运营商和智算中心，产品用于大模型推训、科研和商业应用 [23] - 已在中国电信落地千卡集群，可实现连续训练30天不中断，千亿参数模型断点续训时间小于5分钟 [23] - 推理卡壁砺110E以1.3倍于主流方案的算力密度和70%的能耗节省，在文生图、语音识别等场景快速渗透 [16] 行业生态与挑战 - 沐曦的MXMACA软件栈截至2025年10月22日注册用户及客户仅15万人，网络API调用1300多万次，生态规模与英伟达CUDA差距巨大 [16] - 摩尔线程上市募资80亿元后，公告拟使用不超过75亿元闲置资金购买理财，引发市场对其研发投入进度的争议 [4] - 商汤科技高管表示，国产GPU早期难用，但如今成本逐步降低，在长期跑同类型任务时已成为一个可行选择 [27] - 根据弗若斯特沙利文预测，2029年中国算力总规模将达3442.89 EFLOPs，年均复合增长率40.0% [19]

采购项目概况 - 某985高校发布总预算2100万+的GPU服务器采购需求，计划采购13台服务器 [1] - 采购核心逻辑从传统“参数堆砌”转向“实用性”与“适配性”，重点关注国产化、实测性能和模型兼容性 [1][3] - 采购清单包括10台标准GPU服务器和3台高密度GPU服务器（单台搭载≥16张GPU卡） [4][8] 技术规格要求 - 服务器CPU要求采用国产x86架构，配置≥2颗处理器，单颗基础主频≥2.7GHz，核数≥64核，线程数≥128 [6][8] - 标准服务器要求配置≥8张国产AI加速卡，单卡显存≥96GB，整机FP16算力≥2.2 PFLOPS [6] - 高密度服务器要求单台配置≥16张GPU卡，整机HBM显存容量≥1400GB，GPU卡间互联带宽≥700GB [8] - 网络配置要求支持IB和RoCE联合组网，标准服务器需配备≥4*400G光口网卡，高密度服务器需配备≥1*双口200G卡 [6][8] 性能与兼容性测试 - 要求服务器支持CUDA生态，需现场演示通用AI相关主流Cuda Samples算子的兼容能力 [8][9] - 高密度服务器需在BF16精度下运行DeepSeek-V3 671B或DeepSeek-R1 671B模型推理服务，在256/256输入输出场景下TPOT≤50ms时，承载≥32并发，单机生成吞吐≥600 Tokens/秒 [8] - 同时要求运行QWEN3-235B-INT8模型，在256/256输入输出场景下TPOT≤100ms时，承载≥512并发，单机生成吞吐≥4700 Tokens/秒 [9] 采购趋势变化 - 趋势一：从“指标比拼”转向“模型实测”，高校直接将DeepSeek、Qwen等主流大模型作为测试标准，要求算力从理论性能落地为实用价值 [10] - 趋势二：从“N卡封闭生态”转向“国产兼容生态”，标书明确国产化导向，同时要求兼容现有成熟软件生态，降低科研机构迁移成本 [10] - 趋势三：从“硬件采购”转向“算力体系建设”，采购目的是搭建AI算力支撑体系，厂商需提供从硬件部署到模型优化的全链条服务 [11] 国产算力厂商机遇 - GPU领域海光DCU、壁仞BR100、沐曦MX1系列已具备技术积累，部分产品算力指标接近主流N卡 [11] - CPU方面海光3号、飞腾2000+、鲲鹏920等产品凭借稳定性能成为高校服务器常用选择 [11] - 软件生态上海光DCU已实现对PyTorch、TensorFlow等主流框架兼容，壁仞科技通过完善工具链降低CUDA迁移成本 [12]

中国AI算力基础设施现状总览 - 国家顶层布局以“东数西算”工程为核心，在8地建设国家算力枢纽，规划10大数据中心集群，配套多项政策构建“全国一张网”格局 [5] - 截至2024年全国在用算力中心机架规模达830万标准机架，算力总规模超280 EFLOPS（全球第二），其中智能算力90 EFLOPS占比超30%，较2019年增长近13倍（年均增速约90%） [7] - 区域协同形成东部聚焦低时延业务、西部承接后台计算的多层算力网络 [9] 发展环境驱动因素 - 政策层面国家夯实顶层设计，地方明确智算建设目标（如上海2027年智算规模200 EFLOPS），聚焦自主创新与绿色节能 [12] - 技术层面AI芯片性能突破，液冷技术降低PUE（先进智算中心PUE≤1.2），高速互联与软件定义技术实现算力池化调度 [17] - 产业层面生成式AI引爆需求，大模型训练/推理带动算力消耗激增，应用从互联网（占比超50%）向金融、制造、医疗等传统行业渗透 [19] - 商业化层面算力供给转向平台化服务与生态协同，按需租赁等模式降低中小企业门槛 [21] AI算力基础设施发展进程 - 探索期（~2019年）聚焦数据中心与云计算，AI算力服务于基础机器学习 [29] - 市场启动期（2020-2022年）GPT3发布（千亿级参数），疫情加速线上化催生算力需求 [32] - 高速发展期（2023-2028年）2023年为“AI算力增长元年”，生成式AI推动算力需求向超大规模集群跃迁，国产化与绿色化成为主流 [34] - 应用成熟期（2029年~）算力基础设施化，“算力即服务”普及，市场寻求量子计算等创新 [34] 核心驱动因素 - 大模型迭代参数量从十亿级跃升至万亿级，中国大模型数量占全球36%，带动算力指数级需求 [35] - 政策与资本联动“东数西算”撬动超2000亿元投资，国资主导基金聚焦AI芯片与算力服务 [35] - 产业应用规模化推动互联网、金融、制造等行业智能化升级，工业与能源场景化智算需求成为新动能 [36] - 长尾算力释放通过分布式调度技术整合闲置GPU/TPU，提升设备利用率（如高校闲置节点对外服务） [37] - 云化调度技术通过容器化、弹性伸缩与标准化计费实现算力即取即用，扩大用户群体 [38] 2025年关键趋势 - 自主可控算力加速突破，先进地区明确国产化指标（如上海2027年自主可控算力占比超70%），国产AI芯片性能逼近国际水平 [39] - 绿色算力成硬性约束，新建大型数据中心PUE需≤1.3，超大型智算中心以PUE≤1.2为标准，液冷技术节能30%+，新一代国产AI芯片单位算力能耗降低25% [41][42] - 跨区域算力互联深化增加国家级骨干直联点（现有26个），扩展骨干网带宽实现算力自由流动，西部富余绿色算力支援东部优化供需 [44][45] - 智算云平台“双轨并行”，综合型平台提供全链条服务降低AI研发门槛，垂直型平台聚焦特定领域适配场景化需求 [46] - LLM+知识库催生新需求，部署知识增强模型所需智算能力为基础LLM的2~3倍，推动垂直领域智算中心建设 [48] - 算力云化加速普惠，2024年智能算力服务市场增速80%，云厂商推出GPU租赁等产品，整合高校闲置节点提升全社会算力利用率 [49][50] 利益相关方建议 - 政府层面加强区域算力网络规划，推进全国统一调度平台建设，对绿色算力与自主技术研发给予资金/税收优惠，开放公共数据释放需求 [51] - 企业层面供给方打造高品质算力云平台开发行业定制化方案，需求方将算力纳入战略规划优先通过云租赁替代自建 [52] - 园区与枢纽层面打造智算产业集群配套绿色能源与高速网络，创新运营模式避免资源闲置 [53] - 生态层面联合芯片、服务器、云平台企业攻关关键技术，推进高校-企业合作培养专业人才，组建产业联盟制定算力标准 [54]