此前，我们盘点了壁仞、燧原、沐曦等国产GPU“四小龙”，它们凭借极致算力在高端算力赛道强势突围。

本篇我们继续深耕国产GPU赛道，聚焦四家细分赛道标杆企业：主打训推一体的天数智芯、深耕军工专用领域的景嘉微、双线布局消费级与智算市场的摩尔线程、依托百度生态的昆仑芯。

如果用关键词概括头部厂商特色：华为昇腾是系统级全能巨头、海光是借船出海稳健发展、壁仞科技主打极致算力碾压。

而这四家企业的核心竞争力可总结为细分突围：不盲目对标英伟达全栈能力，拒绝全域竞争，而是深耕垂直赛道，凭借专属技术与场景优势，构筑起自身的不可替代性，成为国产GPU产业的重要中坚力量。

一、天数智芯：拿下国产全自研GPU训推一体标杆

1.1 从0到1的突破，补齐国产云端训练GPU短板

天数智芯（Iluvatar CoreX）2018年成立于上海，是国内为数不多聚焦通用GPGPU研发的企业，核心战略锚定训推一体化完整算力方案。

2021年3月，公司推出天垓100云端训练芯片，这是国内首款基于纯自研GPU架构的云端训练产品，彻底打破国产高端通用训练GPU的空白，实现了行业从0到1的关键性突破。

2022年12月，天数智芯再推推理端核心产品智铠100，至此形成训练+推理+边缘计算的完整布局，成为国内唯一具备云边协同、训推组合全场景通用算力解决方案的企业。

1.2 智铠100参数详解

算力层面，智铠100 INT8推理算力达384 TOPS，实测性能较市面主流同类产品提升2-3倍，推理场景优势显著。更核心的优势在于低迁移成本，产品延续天垓系列高适配特性，通过标准化接口大幅降低业务迁移门槛，助力企业实现业务系统无感知切换、快速落地。

1.3 训推一体与全场景落地

天数智芯的产品线布局如下：

其主打的训推一体模式是核心差异化亮点，同一套硬件设备可兼顾模型增量训练与日常推理任务，无需企业分别采购训练、推理两套设备，大幅降低算力采购与运维成本。

目前天数智芯产品已实现多行业深度落地：

AI算力集群：联合无问芯穹搭建Infini-AI异构云平台，集群算力利用率高达97.6%；

新零售场景：携手阶跃星辰、瑞幸咖啡，打造消费领域垂类大模型应用；

金融风控：为太平金科提供OCR识别、人脸识别及DeepSeek R1模型本地化部署服务；

医疗领域：赋能衢州医院，支撑DeepSeek一体机70B大模型本地稳定运行；

城市交通：天垓系列芯片落地长沙地铁，驱动城轨专属大模型一体机。

二、景嘉微：军工GPU的坚守者

2.1 从战斗机座舱起步

不同于一众聚焦AI算力、数据中心赛道的GPU企业，景嘉微从诞生之初就锚定军工高可靠图形显控赛道，核心追求并非极致算力，而是极端环境下的稳定运行能力。

2014年，景嘉微推出国内首款自主可控GPU芯片JM5400，采用28nm制程，专为军用场景定制，广泛应用于战斗机座舱仪表盘、雷达显控台、舰载指挥终端、装甲车载设备等核心军工场景。

军工GPU与民用数据中心GPU的考核标准差异悬殊，核心对比如下：

   这个起点决定了景嘉微的基因：不求算力最高，但求可靠性最强。军用GPU的核心要求与民用完全不同

2.2 JM9系列：从军工到民用的尝试

为突破军工场景局限、开拓民用市场，景嘉微持续迭代产品，完成了从纯军工到“军工+民用办公”的跨界尝试，三代核心产品参数与定位如下：

   JM9系列有一个让人唏嘘的故事。景嘉微最初的设计目标是对标NVIDIA GTX 1080——这在2021年算是一款中高端游戏卡。但实际流片后，JM9231只达到了GTX 1050的水平，性能差距巨大。更遗憾的是，JM9系列原计划采用14nm制程，但最终流片仍停留在28nm。

为什么会"缩水"？核心原因有三：

第一，GPU架构设计本身复杂度极高。从28nm嵌入式图形GPU，升级到14nm高性能3D渲染GPU，并不是简单的制程迭代，而是涉及整个架构设计方法论、图形流水线、并行计算能力的全面升级。

第二，先进制程流片成本压力巨大。14nm一次流片费用通常超过3000万美元，而28nm成本相对更低。对于长期依赖军工订单、商业化收入节奏相对稳健的景嘉微来说，选择28nm更像是成本、风险与交付节奏之间的平衡。

第三，高性能GPU架构积累需要时间。英伟达、AMD在高性能GPU领域已有长期技术沉淀，而国产GPU厂商要从嵌入式图形、军工显控逐步走向高性能通用计算，必然要面对架构、IP、软件生态等多重挑战。

2.3 景嘉微的AI困境

需要特别指出的是：景嘉微JM9系列目前不适合AI计算。

   景嘉微的价值不在于AI算力，而在于军工可靠性——在-55°C的高原哨所、在电磁干扰密集的舰载指挥舱、在震动剧烈的装甲车终端，景嘉微的GPU能稳定运行十年以上。这种能力是所有AI GPU厂商都不具备的。

在-55℃的高原哨所、电磁干扰密集的舰载指挥舱、震动剧烈的装甲车终端，普通民用GPU可能难以长期稳定运行，但景嘉微的产品却能在这类场景中持续服役十年以上。这种能力不是纸面算力能衡量的，也不是所有AI GPU厂商都能替代的。

从转型方向看，景嘉微正在从“军工图形GPU”逐步拓展到“军工+民用桌面GPU”。目前，JM7200已经进入桌面办公市场，可适配飞腾、龙芯等国产CPU，以及统信UOS、麒麟等国产操作系统。未来，若制程升级和AI能力补强顺利，JM9272+系列有望进一步打开成长空间。

三、摩尔线程：消费级+智算中心双线作战

3.1 "国产GPU第一股"

摩尔线程成立于2020年，创始人袁 Jian 曾担任英伟达全球副总裁、中国区总经理，团队在GPU设计、生态建设和市场推广方面拥有较深积累。

2024年12月5日，摩尔线程正式登陆科创板，成为“国产GPU第一股”，募资规模接近80亿元，上市初期市值一度突破4000亿元。这也意味着，国产GPU企业开始从技术研发阶段走向更成熟的商业化和资本化阶段。

摩尔线程的核心特色是自研MUSA统一系统架构。与很多国产GPU厂商侧重单一算力场景不同，MUSA架构同时覆盖图形渲染、AI计算和视频编解码三大能力，是国产GPU中少数具备“全功能”属性的技术路线。

3.2 MTT S4000：智算中心加速卡

从参数看，MTT S4000的FP32算力为25 TFLOPS，高于A100的19.5 TFLOPS；但FP16算力为100 TFLOPS，与A100的312 TFLOPS仍有明显差距。这说明摩尔线程在通用计算方面具备较强基础，但在张量计算和AI训练效率上仍有提升空间。

此外，MTT S4000配备48GB显存和768 GB/s显存带宽，相比A100 80GB版本也存在差距。不过，摩尔线程的优势并不只在单卡参数，还在于生态兼容和全栈方案。

目前，MTT S4000支持CUDA生态兼容，能够降低用户从英伟达平台迁移的门槛。同时，摩尔线程还推出了KUAE智算中心解决方案，覆盖硬件、软件、集群管理等环节，类似英伟达DGX的全栈思路，目标是为智算中心客户提供一体化算力支撑。

3.3 MTT S80：消费级显卡

   除了智算中心产品线，摩尔线程还推出了消费级显卡MTT S80——这是国产GPU中少有的面向消费市场的产品。MTT S80的性能约为NVIDIA RTX 4090的30%，支持图形渲染和轻度AI推理。虽然性能与主流游戏卡有较大差距，但它证明了国产GPU可以进入消费市场。

四、昆仑芯：百度系的XPU架构

4.1 百度AI生态的硬件底座

昆仑芯脱胎于百度AI芯片部门，2021年独立运营。作为百度系芯片企业，昆仑芯的最大优势不是单点硬件参数，而是与百度AI生态的深度绑定。

尤其是在深度学习框架方面，昆仑芯与飞桨（PaddlePaddle）实现了深度集成。飞桨是国内市场份额较高的AI框架之一，拥有大量企业用户、开发者和行业落地案例。这种软硬协同能力，使昆仑芯在AI推理、大模型落地和百度内部业务场景中具备天然优势。

技术路线上，昆仑芯采用自研XPU-R架构。与华为达芬奇、壁仞壁立仞、燧原邃思等路线不同，XPU架构更强调“AI专用+通用计算兼顾”，但整体更偏向推理场景。也就是说，昆仑芯并不是单纯追求最高单卡算力，而是围绕实际业务推理需求做优化。

4.2 R200参数

可以看出，R200的定位非常明确：服务AI推理任务。INT8算力256 TOPS、FP16算力128 TFLOPS，能够较好支撑自然语言处理、计算机视觉、语音识别等推理场景。

与高端训练芯片不同，R200采用GDDR6显存而非HBM2e，显存带宽为512 GB/s。这说明昆仑芯的策略并不是盲目堆高带宽和成本，而是在推理场景中寻找性价比与落地效率的平衡。

在集群方案方面，昆仑芯推出R480-X8加速器，通过集成8张R200，可提供2048 TOPS的INT8推理算力。这类方案更适合需要大规模推理部署的场景，比如搜索推荐、内容理解、语音交互、AI客服和大模型应用落地。

在百度内部，昆仑芯已经成为搜索引擎、文心一言等AI产品的重要推理加速底座。这也说明，昆仑芯的价值不只在于芯片本身，而在于与百度业务场景的长期验证和协同优化。

五、四家厂商对比与国产GPU全景总结

5.1 定位差异

维度	天数智芯	景嘉微	摩尔线程	昆仑芯
定位	GPGPU训推一体	军工图形GPU	全功能GPU	AI推理专用
主力产品	智铠100/天垓100	JM9271	MTT S4000	R200
FP32	24T	~1T	25T	32T
INT8	384T	无	未公开	256T
制程	7nm	28nm	7nm	7nm
CUDA兼容	框架兼容	不支持	是	飞桨原生
上市状态	已上市	创业板已上市	科创板已上市	未上市
核心场景	云端训练+推理	军工/桌面办公	智算中心+消费级	百度生态推理

5.2 国产GPU全景总结

   经过第7-10篇的深入分析，我们可以对国产GPU主要厂商做一个六维能力总结：

5.3 三条启示

通过对这四家企业的分析，可以得到三条比较明确的启示。

第一，没有全能选手，只有细分王者。

目前，没有任何一家国产GPU企业能够在算力、制程、软件生态、互联能力、消费级市场、数据中心市场等所有维度上全面领先。

华为系统级能力最强，但制程受限；壁仞单卡算力突出，但生态仍需建设；沐曦CUDA兼容能力较强，但互联和量产节奏仍需观察；景嘉微军工可靠性强，但AI能力较弱；摩尔线程和天数智芯也都有自己的优势边界。

这说明，国产GPU产业不是靠某一家公司就能完成全部替代，而是需要不同厂商在不同场景中各自突破。

第二，软件生态才是长期护城河。

GPU竞争从来不是只比硬件参数。真正决定用户迁移意愿的，是软件生态是否成熟、开发成本是否足够低、现有模型是否能快速跑起来。

华为CANN和MindSpore代表了全栈自研路线，自主性强，但学习门槛较高；沐曦MXMACA强调CUDA兼容，能降低用户迁移成本；摩尔线程则通过CUDA兼容和KUAE方案推进智算中心落地。

未来，谁能率先形成“开发者愿意迁移、模型能够适配、性能持续优化”的闭环，谁才有可能在国产GPU竞争中真正活下来。

第三，量产交付比纸面参数更重要。

国产GPU行业有一个常见现象：发布会参数亮眼，但真正走向客户环境后，还需要经历漫长的打磨期。

例如，壁仞BR100在2022年发布，但直到2025年才逐步实现量产；景嘉微JM9系列最初目标较高，最终受限于制程、成本和架构积累，实际性能出现缩水。

这说明，从“发布一款芯片”到“客户真正能用”，通常需要2到3年时间。期间可能遇到制程降级、良率不足、性能优化不及预期、软件适配缓慢等问题。

因此，评价一家国产GPU企业，不能只看发布会参数，更要看它是否能稳定交付、持续迭代，并在真实业务场景中跑通。

结语

国产GPU的发展，正在从“单点突破”走向“体系化突围”。

天数智芯的训推一体、景嘉微的军工可靠性、摩尔线程的消费级与智算双线布局、昆仑芯的百度生态推理路线，代表了国产GPU产业中几种不同的生存策略。

它们不一定都追求全面替代英伟达，也不一定都要做最强算力，但都在各自的优势领域建立了不可替代性。

从下一篇开始，我们将从技术维度继续拆解国产GPU面临的共性挑战，包括制造瓶颈、软件生态短板和AI框架适配问题。

本文数据来源：天数智芯官网/BAIA智源社区/界面新闻/腾讯云；景嘉微百度百科/CSDN技术博客/EET-China；摩尔线程官网/知乎/百度文库；昆仑芯百度百科/知乎/CSDN。数据截至2025年12月。