AI 芯片与算力国产化：2026 进展到哪步，哪些已是事实

把 AI 算力国产化当成一个整体来判断，几乎一定会得出错误结论。它至少分成四层：芯片本身、芯片之间的互联、支撑训练的软件栈、把这些装进机房的实际交付。四层的进度完全不同，公开讨论里最容易被混为一谈。这篇只给判断框架和已经能确认的结构性事实，不列份额，也不猜制程节点。

四层拆开看，进度完全不同

芯片层再分两类：训练卡和推理卡。前者的难点在算力密度与卡间互联，后者的难点在成本、功耗与适配广度。同一家公司的两类产品，成熟度经常差着一代。

互联层指卡与卡、机与机之间的数据通道。单卡跑分再高，几百张卡连起来后有效算力取决于互联带宽和拓扑。这一层不像芯片那样容易发布，却直接决定大集群能不能跑起来。

软件层是编译器、算子库、通信库、框架适配，以及调试和性能分析工具。它不产出发布会素材，但决定了开发者迁移要花多少人力。

交付层是整机、液冷、供电、机房改造和运维。很多“算力不够”的问题，实际卡在电力和机房，而不是芯片。

训练和推理，难度差一个量级

训练对互联的要求高得多。上千张卡要协同几个月不出错，任何一张卡掉线都可能让整个任务中断，恢复要靠检查点。精度对齐也更麻烦：换一套硬件，同样的超参数未必收敛到同样的结果。

推理的要求宽松很多。请求可以拆开、可以混部、可以按业务线逐步切量，单次失败只影响一个请求。所以公开可见的部署案例集中在推理侧，这是结构性事实，不是预测。

这个差异对判断很有用。看到“某芯片已用于某业务”，先问是训练还是推理。用在推理上，说明它跨过了可用门槛；离“能训大模型”还有一段距离，两者不是同一件事。

真正的摩擦在软件栈

开发者习惯了一套工具链之后，迁移的成本不是学新语法，而是三件事：算子要重新映射，精度要逐层对齐，性能要重新调优。前两件是正确性问题，第三件是经济性问题。

算子缺失是最常见的阻塞。模型里用到的新算子，如果没有对应实现，就得自己写，还要验证数值一致性。精度对齐更琐碎：同一批输入，两套硬件的输出差异要在可接受范围内，否则下游任务的结果会漂。

性能调优最消耗人力。跑通和跑得快是两件事，中间隔着算子融合、显存布局、通信重叠这些工作。这部分投入往往要按人月算，而且随模型结构变化反复发生。

迁移成本怎么估

这张表的用法是先估第一行。多数团队的国产化是从推理开始的，如果连推理的精度对齐都过不了，后面三层不必谈。第一行过了，再按业务重要性决定要不要动训练。

哪些说法已经是事实

供给多元化是事实。推理侧已经有不止一种可采购的选择，采购方在谈价时有了第二个报价，这对成本的影响是直接的。

软件栈是摩擦点是事实。这一点从公开的技术分享和开发者讨论里能反复看到，不需要具体数字支撑。

算力供给影响 API 价格是事实。推理算力宽松时，服务商才有降价空间；供给紧张时，降价通常只出现在限时活动里。这条因果链怎么读，一次价格战的拆解给了可对照的框架。

哪些还不能下结论

具体份额不能下结论。按卡数、按算力、按销售额统计，得出的排名完全不同；口径不公开时，任何排名都只是某一方的口径。

良率与制程不能下结论。这类数字通常不在公开材料里，网上流传的版本多数没有来源。

训练侧大规模替代的时间表不能下结论。它取决于软件栈成熟速度和集群稳定性，两者都不是线性推进的。

新芯片发布时往往伴随跑分，跑分和集群实际表现差得远。榜单怎么读、哪些维度容易做文章，排名变化的信号里有对照方法。

看新闻时的四个陷阱

把发布当量产。发布是样品和路线图，量产要看交付和客户侧的实际部署。

把单卡跑分当集群算力。没有互联数据，单卡数字推不出大集群表现，规模越大偏差越大。

把适配完成当性能达标。能跑通只是第一关，吞吐、延迟、稳定性三项都达标才算可用。

把行业试点当规模商用。试点通常有原厂工程师驻场，规模化之后的支持能力是另一回事。硬件这条线本身怎么读，制程、算力与生态有一篇系统拆解，可以补齐判断的输入。

对使用者的实际影响

如果你的业务只是调用 API，芯片路线与你关系不大。你该关心的是价格结构、限流策略和可用性承诺，这些是服务商把底层成本翻译给你之后的结果。

如果要私有化部署，问题就变成软件栈成熟度：目标模型有没有现成适配、缺哪些算子、出问题谁支持。这三个问题的答案，比芯片参数更能决定项目能不能交付。

判断速查

• 先问训练还是推理，两者难度不在一个层级
• 看互联数据，单卡跑分推不出集群表现
• 算迁移成本按人月估，别按“能不能跑通”估
• 份额与制程类数字，没有口径就不采信
• 只调 API 的话，盯价格与可用性，不必追硬件路线

把四层分开之后，很多争论会自动消解：某一层的进展，不能代表整条链路可用。真正值得跟踪的信号是交付量和开发者迁移案例，而不是发布会上的峰值数字。