涉及的行业与公司 * 行业：中国人工智能（AI）与计算芯片行业、全球AI芯片设计、半导体设备[1][2][3][4] * 公司：阿里巴巴（Alibaba）、百度（Baidu）、科大讯飞（iFlytek）、地平线（Horizon Robotics）、北方华创（NAURA）、中微公司（AMEC）、华为（Huawei）、寒武纪（Cambricon）[1][4][7][9][14][15] * 全球科技巨头：谷歌（Google）、亚马逊（Amazon）、Meta、微软（Microsoft）[2][6] 核心观点与论据 中国AI计算本土化进程加速 * 尽管进口AI芯片存在不确定性，但国内计算能力仍在发展，主要受国家政策支持及大型科技公司/本土供应商对研发投入的承诺驱动[1] * 国内GPU厂商与互联网公司的持续研发投入推动芯片性能快速提升，尽管与顶尖水平仍有差距[1][3] * 通过超级节点（如阿里巴巴的Panjiu 128卡超级节点、华为的CloudMatrix 384）进行系统级扩展，提升单个机架的GPU数量，部分抵消了单个国产GPU的性能差距，提供更高的机架级计算能力[1] * 这种设计使国产芯片能够支持更复杂的推理场景（如长上下文和多模态模型），并有望长期支持训练工作负载[1] * AI模型开发者（如DeepSeek）正优化算法以适应国产GPU，例如采用本土团队开发的GPU内核编程语言TileLang，更好地适配华为昇腾和寒武纪等本土计算生态[1] 全球及中国科技巨头加速自研AI芯片 * 主要互联网公司加速内部ASIC开发，以优化内部工作负载并提升性价比[2] * 谷歌是自研AI芯片的早期先驱（2016年TPU v1），已迭代多代，从推理扩展到训练，当前TPU v7 Ironwood支持大规模模型部署[2][6] * 亚马逊推出Trainium用于训练和推理，Meta（MTIA）和微软（Maia）也开发了定制AI芯片[2][6] * 百度已开发三代昆仑芯片，最新昆仑P800支持其模型并实现了30,000卡集群[2][7][8] * 阿里巴巴也开始部署自研芯片用于AI训练工作负载[2][10][11] 国产AI芯片进展与挑战 * 硬件性能：前沿国产GPU的计算能力现已匹配英伟达安培架构（如A800），下一代目标瞄准霍珀架构（如H800），但仍落后于英伟达2024年发布的最新Blackwell系列一代[3][13] * 软件生态：部分国产芯片厂商已构建自有软件栈或通过翻译工具增加CUDA兼容性，提高了工程师的迁移效率，但不同生态系统间的碎片化意味着模型通常需要重新编译和优化，限制了可扩展性[3] * 供应链能力：除了芯片设计质量，中国在先进制程工艺和高带宽内存生产方面的能力仍处于早期阶段[3] 具体公司进展与订单 * 百度：第三代昆仑P800芯片与百舸平台紧密协作，在模型适配、网络和算子优化方面具有优势，展示了30,000卡P800集群和64卡超级节点机架[7][8] 昆仑芯片获得中国移动电信AI项目价值超过10亿元人民币的芯片订单[8] * 阿里巴巴：其半导体部门T-Head通过收购和整合，建立了全栈芯片组合，包括含光800 AI芯片等[9][10] 最新AI芯片PPU据报道在关键硬件规格上接近英伟达A800，具备96GB内存和700GB/s芯片间带宽[10] 发布了Panjiu超级节点（128 AI芯片/机架）和灵骏AI集群[11] 与中国联通等合作，在青海西宁投资3.9亿美元建设数据中心，使用阿里巴巴等中国公司的芯片[12] 投资观点与风险提示 * 看好阿里巴巴和百度，因其自研芯片的持续进展可能加强其在AI价值链中的定位和持续的AI投资[4] * 强调科大讯飞的独特定位，因其在将国产硬件与其大语言模型开发对齐方面取得领先进展[4] * 在科技公司中，偏好地平线（边缘AI）、北方华创和中微公司（中国半导体设备厂商）[4] * 行业风险包括：竞争格局演变和竞争加剧、技术及用户需求快速变化、货币化不确定性、流量获取和内容及品牌推广成本上升、IT系统维护、国际市场扩张、市场情绪不利变化、监管变化[16] * 投资中国半导体行业风险较高，包括快速的技术变革、日益激烈的竞争、宏观经济周期暴露、财务结果难以预测、估值挑战以及政治风险（如政府政策和供应链限制）[17] 其他重要内容 * 报告包含了英伟达与阿里巴巴、百度、寒武纪等中国厂商的AI芯片技术规格详细对比[13][14] * 报告列出了华为昇腾芯片的未来路线图（Ascend 910C 至 970），显示了其性能提升计划[15] * 报告附有全球及中国云服务提供商AI ASIC发展路线图[6]