AI進入萬億Token時代，國產芯片如何構建行業壁壘？

當AI正式邁入萬億Token時代，算力需求迎來爆發式增長，國產GPU行業也從“單點突圍”進入“全域競爭”的關鍵周期，AI算力從“稀缺資源”加速邁向“結構性過剩”，當國內市場“國產替代”的紅利窗口期開始收窄，中國GPU行業的競爭邏輯正在發生根本性轉變。單純比拼單卡峰值算力、簡單對標英偉達的技術路線，正走向同質化的價格泥潭。

云邊端協同構建算力閉環

GPU行業的競爭，早已從單一芯片性能比拼，升級為全場景產品能力與生態適配能力的綜合較量。摩爾線程的核心競爭力，在于其堅持“全功能GPU”的技術路線，打破了AI芯片、圖形芯片、通用計算芯片的場景壁壘，構建起覆蓋云端智算、端側應用的完整產品矩陣，形成了“算力底座+場景應用”的雙向賦能格局。

云端算力作為摩爾線程的核心布局領域，承擔著大模型訓練、大規模仿真、科學計算等高端算力需求，其產品組合以“夸娥（KUAE）智算集群”為核心，搭配MTT S5000旗艦智算卡與智算一體機，形成了從單卡到萬卡級集群的完整解決方案。

在端側領域，摩爾線程以自研“長江”智能SoC芯片為核心，構建起覆蓋個人、家庭、行業的端側AI產品矩陣，實現了“云端訓練—端側部署”的算力閉環。“長江”SoC芯片作為端側算力基石，采用異構計算架構，集成8個主頻高達2.65GHz的全大核CPU、全功能GPU及高能效NPU，提供50TOPS的異構AI算力，支持INT8/FP16/FP32等混合精度計算，可在端側流暢運行百億參數大模型，配合136GB/s的超高內存帶寬與最高64GB的LPDDR5X高速統一內存，兼顧了高性能與低功耗，適配各類端側設備的部署需求

基于“長江”SoC芯片，摩爾線程在本次產品發布會上推出了三大端側核心產品：MTT AIBOOK AI算力本、MTT AICUBE家庭AI中樞與MTT E300邊緣AI模組。

全功能GPU是核心競爭力

在AI芯片集體對標英偉達的擁擠賽道中，任何僅僅是“對標”的路徑最終都將陷入價格戰。真正的護城河，來自于競爭對手難以同時復制的多重能力組合。除了云端邊的全場景布局之外，摩爾線程真正的護城河在于“全功能GPU”這條技術路徑。所謂全功能GPU，是指在統一架構的單顆芯片上，同時具備AI計算、3D圖形渲染、物理仿真和超高清視頻編解碼四大核心能力。這種“算、渲、仿”一體化的架構設計，在業內極少數企業（如英偉達）之外尚無人具備規模化量產能力。

這個選擇的戰略代價非常清晰：設計復雜度極高、兼容挑戰巨大、研發戰線極長。一款圖形GPU的設計復雜度本已不亞于AI芯片，而將兩者統一到同一架構并兼顧物理仿真與編解碼，意味著在指令集、緩存層級、計算單元調度等多維度都要做架構層面的融合設計。從2025年MUSA軟件棧已實現700多個API兼容、PyTorch算子層面100%兼容的進展來看，摩爾線程正在逼近這個“不可能三角”的平衡點。

為什么值得付出這樣的代價？因為物理AI和具身智能的崛起正在改變算力需求的底層邏輯。正如發布會上摩爾線程CEO張建中所述，具身智能體的訓練不僅需要AI算力來“思考”，更需要圖形渲染來“看見”虛擬環境，還需要物理仿真來“觸碰”物體的運動規律。將三者分立在不同芯片上完成，意味著數據的跨芯片搬運、異構編程和仿真到現實（Sim-to-Real）的巨大鴻溝——而統一架構讓這三者在同一芯片上實現“零拷貝”，數據延遲和轉換損耗被壓縮到最低。

這種架構優勢在夸娥萬卡集群上得到了驗證。基于MTT S5000構建的集群實現了Dense大模型訓練MFU達40%、MoE大模型達60%、訓練線性擴展效率達95%、有效訓練時間占比超過90%。這些技術指標之所以重要，是因為它們共同回答了一個問題：國產GPU集群是否真正解決了大規模分布式訓練中最令人頭疼的兩個問題：效率損耗和故障中斷。

MFU（Model FLOPs Utilization）衡量的是硬件算力被模型訓練實際利用的效率，95%的線性擴展率意味著在集群規模擴大時性能不會斷崖式下降。這些背后離不開從芯片層面的高速互聯設計到集群管理調度算法的全棧優化。

但必須指出，萬卡集群能力的建立只是起點，不是終點。據行業數據，截至2025年底中國已建成42個萬卡級智算集群，智能算力總規模超過1590EFLOPS。隨著深圳、鄭州等地超大規模集群的密集上線，未來兩到三年內，國內智算市場將從“稀缺狀態”快速轉向“結構性過剩” ，市場對芯片的需求將從“能跑通模型”升級為“每Token的邊際成本最低”。這迫使AI芯片廠商的競爭焦點從單卡性能轉向系統級的TCO（總擁有成本）競爭，包括功耗效率、集群調度算法、容錯恢復能力、軟件棧開發效率等。對摩爾線程而言，最新發布的“花港”架構推進十萬卡級集群的規劃，是應對這一趨勢的戰略布局——十萬卡規模下，哪怕是0.01%的故障率，每小時也意味著數十張卡的失效，而每張卡的宕機都意味著數十萬元的算力浪費。

國產芯片繞不開的商業化

技術再好，脫離商業化也只能停留在實驗室階段。在技術的背后，困擾國產芯片的還有一個更高層級的問題：商業化之路怎么走？

而判斷一家技術驅動型企業是否真正步入正軌，不能只看營收增速，更要看其研發投入與商業化變現之間的節奏是否能形成正向循環。

摩爾線程最新披露的財報則為理解其當前的戰略位置提供了關鍵的數據切口。從營收規模來看，摩爾線程2025年實現營業收入15.05億元，同比增長243.37%；毛利總額達到9.87億元，整體毛利率水平達65.57%。2026年一季度實現營收7.38億元，同比增長155.35%，歸母凈利潤2935.92萬元，是公司上市以來首次實現單季盈利。數據的背后隱含一個值得關注的結構性變化：2026年3月，摩爾線程簽訂了6.6億元的夸娥智算集群大單。這意味著，公司已從“賣卡”向“交付系統級AI基礎設施”完成關鍵躍遷——單一大單金額即占全年營收近四成，大客戶集中度的提升既是商業能力的體現，也意味著大客戶續約和復購將成為未來業績的重要觀察指標。

當然，首次單季盈利需要冷靜看待。財報顯示一季度有7006萬元政府補助，而同期研發費用約3億-4億元，毛利率水平約65.6%，單季營收需達8億-10億元以上方能覆蓋當期研發支出。

這些財務表象之上，真正塑造公司長期價值的是研發投入的“縱深”。2025年研發費用13.05億元，占營收比重86.68%。截至2025年底，累計申請知識產權2014項，其中發明專利1743項。這也恰恰說明，摩爾線程選擇了將絕大多數資源投入底層技術而非短期營銷，這種“逆周期投入”將決定它能否在下一代算力競爭中占據主動。2025年，公司基于MTT S5000的夸娥萬卡級智算集群實現了商業化部署，成為國內極少數真正具備萬卡級大規模集群交付能力的GPU供應商。從五年五代架構五顆芯片的產品迭代節奏來看，這是一種典型的“用研發換時間、用架構換代換彎道”的打法。

從夸娥萬卡集群的萬卡工程能力，到MT Lambda仿真平臺的三大引擎融合，再到“小麥”全域智能體的端側閉環，以及AIBOOK、AICUBE、E300對“云-邊-端”全場景的覆蓋——這些產品線揭示了摩爾線程的系統級戰略：不把自己定位為“賣卡的”，而是做“AI基礎設施的系統級供應商”。

但客觀來看，挑戰同樣嚴峻。英偉達已進入Rubin架構的新周期，而國內市場的“國產替代”紅利窗口期也在收窄。當華為昇騰有望在2026年占據中國市場50%份額，當海光、寒武紀、燧原等企業紛紛在各自細分市場發力時，摩爾線程面臨的競爭格局將比過去幾年更加激烈。 研發費用率86.68%雖然在技術攻堅期可以理解，但一旦營收增長放緩，這一比例將直接沖擊現金流。26.68億元的存貨+預付款意味著市場對產品需求的判斷一旦發生偏差，公司將面臨沉重的資產減值風險。

但張建中在2025年年度業績說明會上對存貨問題作出了解釋，他表示，當前國內算力需求持續放量，疊加芯片行業普遍存在的交期波動、原材料價格浮動、核心產能緊缺等不確定性風險，穩定的供應鏈體系成為企業核心競爭力。通過儲備充足庫存、鎖定上游產能，摩爾線程有效規避了行業供應鏈風險，筑牢交付護城河，同時能夠快速響應下游批量訂單，大幅縮短產品交付周期，穩固市場基本盤。

綜合來看，摩爾線程真正的護城河不在于某款芯片或者某個集群，而在于能否把“統一架構”的技術路線堅持到臨界點——讓全功能GPU在物理AI時代成為不可或缺的算力基礎設施。當訓練芯片在中國市場不再稀缺、而是過剩時，決定勝負的可能不再是單卡峰值算力，而是誰能在同一個芯片上承載AI、仿真、渲染等更多維的計算任務，誰能以最低的Token成本交付最多的智能。這恰恰是“全功能GPU”這條看似更艱難的路，所能提供的長期壁壘。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）