2025年中国AI芯片市场分析：训练与推理需求分解

2025年中国AI芯片市场分析：训练与推理需求分解

第一章执行摘要

2025年中国AI芯片市场规模约为1650亿元，同比增长约32%，增速较2024年的28%进一步提升，成为半导体行业中增

长最快的细分领域[来源：IDC《中国AI芯片市场跟踪报告（2025年）》，2026年]。市场增长的核心动力来自大模型训

练算力需求的持续爆发、推理算力在云端和边缘端的规模化部署，以及国产AI芯片在供应链安全诉求下的加速渗透。

从训练与推理的需求分解看，2025年训练芯片需求占比约38%，对应市场规模约630亿元，同比增长约45%；推理芯片

需求占比约62%，对应市场规模约1020亿元，同比增长约25%[来源：IDC，2026年；本报告测算]。训练需求的高增速

主要由大模型预训练、微调以及多模态模型训练拉动，智算中心建设进入高峰期；推理需求虽然在增速上低于训练，

但绝对规模更大，且随着AI应用从云端向边缘和终端扩散，推理芯片的长期增长空间更为广阔。

竞争格局方面，英伟达凭借H20等特供产品仍占据中国AI芯片市场最大份额，但受出口管制影响，其在中国市场的收

入占比从2023年的约80%下降至2025年的约50%。华为昇腾、寒武纪、海光信息等国产厂商加速崛起，2025年国产AI

芯片在训练和推理市场的合计份额提升至约35%，其中昇腾在训练市场的份额已接近英伟达。地平线、黑芝麻智能等

厂商在智能驾驶和边缘推理领域形成差异化优势。

展望2026—2028年，中国AI芯片市场预计保持25%—35%的年均增速，2028年市场规模有望突破3500亿元。训练需求

增速将逐步放缓但保持高位，推理需求将成为主要增长引擎，尤其是在端侧AI、智能驾驶和行业大模型推理领域。国

产化替代、先进封装技术突破以及存算一体等新型架构的产业化，将重塑市场格局。

第二章市场界定与细分

本章界定AI芯片的研究范围与统计口径，并从技术架构、应用场景和部署位置三个维度对市场进行细分，为后续需求

分析提供框架。

2.1市场定义与统计口径

AI芯片是指专门针对人工智能算法进行加速设计的半导体器件，包括图形处理器（GPU）、现场可编程门阵列

（FPGA）、专用集成电路（ASIC，含NPU、TPU等）以及类脑芯片、存算一体芯片等新型架构。本报告所研究的“中

国AI芯片市场”是指在中国大陆市场销售的、用于AI训练和推理计算的芯片及相关模组/板卡收入，不包括传统CPU和通

用存储芯片，也不包含芯片制造代工收入。

统计口径上，市场规模包含云端AI芯片（训练和推理）、边缘AI芯片和终端AI芯片的销售收入。数据来源于芯片厂商

直销收入、云厂商自研芯片折算价值及公开市场渠道销售数据，由IDC等机构按季度跟踪统计。由于AI芯片销售中存在

大量云厂商自用和集成交付形态，实际市场规模可能存在低估，本报告采用机构统一口径以确保可比性。

2.2按技术架构细分

GPU（图形处理器）：当前AI训练和云端推理的主流架构，凭借高度并行的计算能力和成熟的软件生态（CUDA）占据

最大份额。英伟达、AMD为全球主要供应商，国内厂商中壁仞科技、摩尔线程在GPU架构上有所布局，但生态成熟度

与英伟达差距明显。

FPGA（现场可编程门阵列）：具有可重构特性，适用于低延迟、灵活部署的推理场景，如金融加速、网络卸载和部分

边缘AI。AMD（赛灵思）和英特尔（Altera）主导市场，国内厂商有紫光同创、安路科技等，在AI加速领域份额较

小。

ASIC（专用集成电路）：针对特定AI算法和场景定制，包括华为昇腾NPU、寒武纪思元系列、百度昆仑芯、阿里含

光、特斯拉DojoD1（海外）等。ASIC在能效比和单位算力成本上优于GPU，是大规模推理和部分训练场景的优选方

案。国内厂商在ASIC路线上投入集中，是国产替代的主要方向。

新型架构：存算一体、光子计算、类脑芯片等处于产业化早期，2025年市场规模很小但技术突破值得关注。存算一体

芯片在低功耗边缘推理场景已开始小批量落地。

2.3按应用场景细分

训练场景：用于大模型预训练、微调、行业模型训练等，对算力规模、显存带宽和互联速率要求极高。训练芯片以高

性能GPU和云端ASIC为主，典型产品包括英伟达A100/H100/H20、华为昇腾910B、寒武纪思元590等。训练场景通常

以集群形式部署，单集群算力可达数千PFLOPS。

云端推理场景：用于已训练模型的在线推理服务，如智能客服、推荐系统、图像识别、大模型对话等。云端推理对算

力需求持续增长，但对单卡性能和成本敏感度较高，ASIC和GPU混合部署成为主流。国产推理芯片在云端推理市场的

渗透率高于训练市场。

边缘推理场景：部署在网络边缘设备或边缘服务器上，满足低延迟、数据本地化和带宽约束需求，典型场景包括智能

安防、工业质检、智慧交通、边缘视频分析等。边缘AI芯片以ASIC和SoC形态为主，功耗和成本是关键指标。

终端推理场景：嵌入智能手机、PC、智能家居、可穿戴设备等终端产品中，用于端侧大模型推理、语音识别、图像处

理等。终端AI芯片通常集成在SoC中，以NPU形式存在，高通、联发科、苹果等海外厂商主导高端市场，国内展锐、

瑞芯微、全志科技等在中低端布局。

2.4按部署位置细分

云端数据中心：占AI芯片市场最大份额，2025年约60%，以训练和云端推理芯片为主。云厂商和大型互联网企业是主

要采购方，智算中心建设是核心驱动。

边缘与终端设备：占市场约40%，其中边缘服务器和边缘盒子约15%，终端设备约25%。随着AI应用向行业和消费者

渗透，边缘与终端占比持续提升。

第三章市场规模与增长

本章基于历史数据量化中国AI芯片市场规模及训练/推理细分结构，分析增长驱动因素，并对2026—2028年进行情景预

测。

3.1历史市场规模

2020—2025年中国AI芯片市场规模及增速如下表：

年份市场规模（亿元）同比增长率

202032045.5%

202148050.0%

202271047.9%

202397036.6%

2024125028.9%

2025165032.0%

数据来源：IDC《中国AI芯片市场跟踪报告（2020—2025年）》、中国信通院《AI芯片产业发展白皮书（2025

年）》，2026年。2025年数据为IDC于2026年发布的全年统计值。

2020—2022年是AI芯片市场高速增长期，年增速接近50%，主要受疫情加速数字化、AI训练需求上升和国产替代起步

推动。2023—2024年增速回落至30%左右，但仍远高于半导体行业整体。2025年增速回升至32%，大模型训练和智算

中心建设是主要拉动。

3.2训练与推理需求分解

2023—2025年中国AI芯片市场训练与推理细分规模如下：

训练芯片规模（亿训练占训练增推理芯片规模（亿推理占推理增

年份

元）比速元）比速

202331032%40%66068%35%

202443534.8%40%81565.2%23%

202563038.2%45%102061.8%25%

数据来源：IDC《中国AI芯片市场跟踪报告（2023—2025年）》，2026年；训练与推理口径按芯片主要用途划分，部

分芯片同时用于训练和推理，按出货量加权处理。

关键结构变化：训练芯片占比从2023年的32%提升至2025年的38%，原因是大模型预训练和微调需求暴增，以及智算

中心建设高峰期到来。2024—2025年国内大模型厂商（深度求索、智谱、百川、月之暗面等）训练算力采购大幅增

长，单集群万卡规模成为竞争门槛。推理芯片占比虽从68%降至62%，但绝对规模仍大，且增速在2025年回升至

25%，主要受云端大模型推理和端侧AI部署带动。

3.3增长驱动因素

第一，大模型训练算力需求爆发。2024—2025年，中国大模型从百亿参数向千亿甚至万亿参数演进，训练算力需求呈

指数级增长。2025年中国智能算力规模预计达1100EFLOPS，同比增长约50%，其中训练算力占约40%[来源：IDC

《中国智能算力发展报告（2025年）》，2026年]。万卡集群、多模态训练和强化学习训练模式对AI芯片需求量大幅提

升，直接拉动训练芯片市场增长。

第二，智算中心建设进入交付高峰。2024—2025年，国家“东数西算”工程和各地智算中心建设加速，运营商、地方政

府和云厂商密集采购AI训练芯片。2025年全国新建智算中心超过50个，新增训练算力约8000PFLOPS，对应训练芯片

采购额约300亿元[来源：中国信通院《中国算力发展指数白皮书（2025年）》，2026年]。智算中心建设是训练芯片需

求的最重要来源之一。

第三，推理算力规模化部署。大模型商业化落地推动云端推理需求快速增长。2025年国内大模型API调用量同比增长

约3倍，推理算力需求随之上升。推理芯片在云厂商采购中的占比从2023年的50%提升至2025年的60%，单位算力成

本更低的ASIC芯片受到青睐[来源：IDC，2026年]。同时，智能驾驶、智慧城市、工业质检等边缘推理场景持续放量。

第四，端侧AI加速普及。2025年端侧大模型成为趋势，手机、PC、汽车座舱等终端设备内置AI算力升级。高通骁龙8

Elite、联发科天玑9400等旗舰SoC的NPU算力突破50TOPS，带动终端AI芯片模组价值量提升。国内智能驾驶芯片（地

平线、黑芝麻）出货量同比增长超过60%，成为推理芯片市场的重要增量。

第五，国产替代与供应链安全诉求。美国对华AI芯片出口管制持续收紧，英伟达高端GPU对华供应受限，企业加速采

购国产AI芯片。华为昇腾、寒武纪、海光信息等国产厂商在训练和推理市场均获得大量订单。2025年国产AI芯片在智

算中心采购中的占比从2023年的15%提升至35%，国产替代成为市场的结构性驱动力量[来源：中国信通院，2026

年]。

3.4未来预测

基于2024—2025年实际数据，对2026—2028年中国AI芯片市场规模进行情景预测：

基准情景：大模型训练需求保持高位但增速回落，推理需求持续增长；国产化率每年提升5—8个百分点；整体

市场年增速25%—30%。

保守情景：AI商业化不及预期，智算中心建设放缓，训练需求下降；整体市场年增速15%—20%。

乐观情景：端侧AI爆发、新型架构产业化、国产芯片性能大幅提升；整体市场年增速35%—40%。

年份保守情景（亿元）基准情景（亿元）乐观情景（亿元）

2026190021002250

2027220026503100

2028250033004300

本报告采用基准情景：2026年市场规模约2100亿元，2028年约3300亿元，年复合增速约26%。预测基于2025年实际

基数1650亿元，假设训练芯片占比从2025年的38%逐步回落至2028年的33%，推理芯片保持25%以上增速成为主要增

量。

训练与推理的长期趋势：训练需求在2026—2027年仍将维持高位，但增速从45%逐步回落至20%左右；推理需求增速

将稳定在25%—30%，到2028年推理芯片市场规模预计达到2200亿元，占比约67%。

第四章市场需求分析

本章从训练和推理两个维度深入分析中国AI芯片的需求来源、需求规模及需求影响因素，重点拆解不同场景的算力需

求特征。

4.1训练芯片需求分析

需求来源与规模：2025年训练芯片需求约630亿元，主要来自三类客户：云厂商与大型互联网企业（占训练芯片采购

的55%）、智算中心与地方政府平台（占30%）、头部AI创业公司与科研机构（占15%）。云厂商中，字节跳动、阿

里巴巴、腾讯、百度是最大采购方；智算中心则由运营商（移动、电信、联通）和地方政府主导。

需求特征：

高算力密度：训练芯片需要高浮点算力（FP16/BF16）、大显存容量（≥80GB）和高带宽互联

（NVLink/PCIe），单卡性能直接决定训练效率。

集群化部署：大模型训练以千卡、万卡集群为基本单位，芯片的互联能力和集群稳定性比单卡性能更关键。

生态依赖性强：CUDA生态锁定了大量训练框架和库，国产芯片需通过兼容CUDA或构建自主软件栈降低迁移成

本。

需求集中度高：训练芯片采购集中在少数头部客户，订单规模大、决策周期长，且受宏观政策影响明显。

典型需求场景：

大模型预训练：从0开始训练千亿级模型，需数千至数万张训练芯片，单次训练成本可达数千万元。

领域微调与持续预训练：垂直行业模型（金融、医疗、法律、代码）需要在基座模型上微调，对训练芯片需求

量持续增长。

强化学习与多模态训练：RLHF、多模态对齐等训练模式对算力消耗更大，成为新的需求增长点。

4.2推理芯片需求分析

需求来源与规模：2025年推理芯片需求约1020亿元，按部署位置分为云端推理（55%）、边缘推理（25%）和终端推

理（20%）。云端推理的主要客户是云厂商和行业ISV；边缘推理客户包括安防厂商、工业制造企业、交通管理部门；

终端推理客户以手机、汽车、IoT设备厂商为主。

需求特征：

能效比优先：推理芯片的单位算力功耗（TOPS/W）和单位算力成本是核心指标，ASIC在推理场景中占比显著

高于训练场景。

碎片化与场景化：推理需求高度分散，不同场景对算力精度（INT8/INT4）、时延、功耗和成本的要求差异

大，难以用单一芯片覆盖。

成本敏感度高：推理芯片采购量大但单卡价格远低于训练芯片，客户对性价比极为敏感，国产芯片在推理市场

更具价格竞争力。

软件栈相对简化：推理框架（TensorRT、ONNXRuntime等）适配难度低于训练框架，国产芯片容易从推理切

入。

典型需求场景：

大模型在线推理：对话、生成、搜索推荐等场景，推理请求量快速增长，推理芯片需要支持高并发和低延迟。

智能安防与视频分析：海量摄像头视频流分析，边缘和云端协同推理，对低功耗边缘芯片需求稳定。

智能驾驶：车载域控制器需要高算力、功能安全等级的AI芯片，地平线、黑芝麻等国产芯片加速上车。

工业视觉与质检：制造业质检对边缘推理芯片的精度和稳定性要求高，工业级AI芯片需求上升。

端侧大模型与AI手机/PC：2025年端侧大模型成为消费电子新卖点，终端SoC内置NPU算力快速提升。

4.3需求影响因素

正向因素：大模型参数量和训练数据量持续增长，AI应用从互联网向制造、医疗、金融等行业扩散，智能驾驶和机器

人等新终端放量，政策推动算力基础设施建设和国产化替代。

制约因素：AI商业化变现能力不足可能导致资本开支收缩；高端芯片供应受限影响训练算力供给；算法效率提升（如

模型压缩、稀疏化）可能降低单位任务算力需求；全球宏观经济波动影响企业AI投资意愿。

需求弹性：训练芯片需求对AI资本开支高度敏感，弹性较大；推理芯片需求与AI应用活跃度和终端出货量相关，弹性

相对较小但更加稳定。2025年训练芯片需求的价格弹性约1.2—1.5，推理芯片约0.8—1.0[本报告根据行业访谈测算，

2026年]。

第五章供给与竞争分析

本章分析中国AI芯片市场的供给结构、主要厂商及竞争格局，重点对比训练与推理市场的差异化竞争态势。

5.1主要供应商及产品

英伟达（NVIDIA）：全球AI芯片领导者，受出口管制影响，对华供应产品从A100/H100降级为H20等特供版本。2025

年英伟达在中国AI芯片市场仍居第一，但份额从2023年的约80%降至约50%。H20在FP16算力上被大幅限制，但在推

理场景和CUDA生态上仍有竞争力[来源：IDC，2026年]。

华为昇腾（HuaweiAscend）：国产AI芯片龙头，昇腾910B用于训练，昇腾310P用于推理和边缘。2025年昇腾在训

练芯片市场份额约30%，在国产训练芯片中居首。华为通过“硬件+软件+生态”全栈布局（CANN、MindSpore、昇

思），在智算中心和政企市场获得大量订单，是国产替代的主力军。

寒武纪（Cambricon）：思元590（训练/推理）和思元370（推理）系列，是国产AI芯片的重要供应商。2025年寒武

纪营收同比增长超过50%，在互联网和智算中心客户中逐步放量，但软件生态和集群能力仍需提升[来源：寒武纪2025

年业绩预告，2026年]。

海光信息（Hygon）：深算系列DCU（深度计算单元），兼容CUDA生态，在训练和推理市场均有布局。2025年海光

DCU在国产训练芯片中份额约15%，受益于CUDA兼容性和x86生态协同[来源：海光信息2025年年报，2026年]。

百度昆仑芯（Kunlun）：昆仑芯2代和3代，主要用于百度内部AI业务和外部云客户，在推理场景有一定规模。

阿里含光（AliNPU）：含光800主要用于阿里内部推理场景，未大规模外销。

燧原科技、壁仞科技、摩尔线程：国产GPU/ASIC厂商，燧原（邃思系列）在训练和推理均有布局，壁仞（BR100）专

注训练，摩尔线程（MTT系列）主打通用GPU。这些厂商在2024—2025年获得融资和订单，但仍处于商业化早期，与

华为昇腾存在较大差距。

地平线（HorizonRobotics）：智能驾驶和边缘推理芯片，征程系列（J6等）在国产智驾芯片市场居领先地位，2025

年出货量快速增长，客户覆盖比亚迪、理想、奇瑞等车企。

黑芝麻智能（BlackSesame）：华山系列和武当系列智驾芯片，2024年港股上市，在L2+和L3级别智能驾驶市场逐

步起量。

5.2市场集中度与市场份额

2025年中国AI芯片市场整体集中度较高，但国产厂商份额上升。按收入口径估算：

厂商/阵营2025年市场份额估算主要领域

英伟达50%训练、云端推理

华为昇腾25%训练、云端推理、边缘

寒武纪8%训练、云端推理

海光信息5%训练、云端推理

地平线3%智能驾驶、边缘

其他国产（百度、燧原、壁仞、摩尔等）5%训练、推理、边缘

海外其他（AMD、高通、联发科等）4%推理、终端

数据来源：IDC《中国AI芯片市场跟踪报告（2025年）》，2026年；份额为收入口径估算值，含模组和板卡收入。

英伟达在训练市场仍保持优势，但在国产替代趋势下面临持续压力。华为昇腾在训练和国产智算中心市场快速崛起，

份额显著提升。推理市场中国产厂商整体份额已超过50%，在边缘和终端推理领域国产化率更高。

5.3竞争特点

第一，训练市场竞争集中在“性能+生态+集群能力”。训练芯片的单卡算力、显存带宽、互联带宽和软件栈成熟度决定

竞争力。英伟达凭借CUDA生态和NVLink互联在训练集群中占据主导，华为昇腾通过自研CANN和MindSpore构建替

代生态，海光通过CUDA兼容降低迁移成本。训练市场的客户迁移成本高，生态壁垒是国产厂商面临的最大挑战。

第二，推理市场竞争更加多元，国产厂商优势扩大。推理芯片对生态依赖较小，ASIC和高性价比国产芯片在推理市场

更具竞争力。国产厂商在边缘和终端推理领域已形成规模优势，在云端推理市场通过“算力性价比+本地服务”逐步替代

英伟达。推理市场的竞争维度更多元，包括功耗、成本、时延、开发工具链支持等。

第三，云厂商自研芯片加速。阿里、百度、字节跳动、腾讯等云厂商加大自研AI芯片投入，用于内部推理和部分训练

场景。自研芯片虽不直接外销，但减少了对英伟达的采购，并可能通过云服务间接影响市场格局。2025年云厂商自研

芯片在内部推理算力中的占比约15%，预计2028年提升至30%[来源：IDC，2026年]。

第四，智能驾驶芯片成为独立战场。智能驾驶对AI芯片的功能安全、实时性和算力有特殊要求，形成独立的竞争赛

道。地平线、黑芝麻智能、华为（MDC）、英伟达（Orin/Thor）竞争激烈。2025年国产智驾芯片在乘用车前装市场

的份额约40%，同比提升10个百分点，国产替代在汽车领域快于数据中心[来源：高工智能汽车研究院，2026年]。

第五，出口管制深刻影响供给格局。美国对华AI芯片出口管制持续升级，英伟达高端产品供应受限，国产芯片获得替

代窗口。但国产芯片在先进制程代工（7nm及以下）上面临瓶颈，供给能力受限。2025年国产AI芯片产能利用率接近

饱和，部分厂商交货周期长达6个月以上，供给瓶颈成为国产替代的主要制约。

5.4竞争对比矩阵

选取英伟达、华为昇腾、寒武纪、海光信息、地平线5家代表性厂商，从训练性能、推理性能、软件生态、集群能力、

能效比、成本竞争力6个维度进行1—5分评分：

厂商训练性能推理性能软件生态集群能力能效比成本竞争力综合

英伟达4.54.555434.3

华为昇腾4444.54.544.2

寒武纪3.5433443.6

海光信息3.53.543.53.53.53.6

地平线2432553.5

评分说明：训练性能和推理性能基于单卡算力及实际评测；软件生态考量开发框架、工具链和开发者社区；集群能力

评估大规模互联和稳定性；能效比考量单位算力功耗；成本竞争力基于单位算力采购成本。评分依据为2025年各厂商

产品参数、公开评测及行业访谈，存在一定主观性。

英伟达综合得分仍第一，但领先幅度缩小。华为昇腾综合得分紧随其后，在能效比和成本竞争力上已反超英伟达。寒

武纪和海光信息在训练性能上差距明显，但海光凭借CUDA兼容在迁移成本上有优势。地平线在边缘推理和能效比上表

现突出，但训练能力基本不具备。

第六章渠道与销售分析

本章分析AI芯片的销售渠道结构、渠道利润率及渠道趋势，重点关注训练芯片与推理芯片的渠道差异。

6.1主要销售渠道

直销模式：头部AI芯片厂商（英伟达、华为昇腾）主要采用直销模式，直接面向云厂商、大型互联网企业和智算中心

运营商。直销模式适用于大客户、大批量采购，便于提供定制化方案和技术支持。2025年训练芯片直销占比约80%，

推理芯片直销占比约50%。

渠道分销模式：通过授权分销商、系统集成商和行业ISV向中小客户销售。推理芯片和边缘AI芯片的渠道分销占比更

高，尤其是面向制造、安防、医疗等分散行业。分销渠道能够覆盖长尾客户，提供本地化服务。

云平台模式：芯片厂商与云厂商合作，以云服务形式向最终用户提供AI算力。用户无需直接采购芯片，按需租用算

力。这种模式在推理市场占比上升，尤其受到中小企业和AI创业公司青睐。2025年云端推理算力中约30%通过云平台

模式交付[来源：IDC，2026年]。

OEM/ODM集成模式：AI芯片嵌入服务器、边缘盒子、智能终端等产品，通过OEM/ODM厂商间接销售。英伟达通过

浪潮、戴尔、H3C等服务器厂商出货，华为昇腾通过自身Atlas服务器和合作伙伴出货。

6.2渠道利润率

直销毛利率：训练芯片直销毛利率较高，英伟达数据中心GPU毛利率约75%—80%，华为昇腾训练芯片毛利率

约60%—70%。

渠道分销毛利：分销商和集成商在AI芯片上的加价率约10%—20%，推理芯片和边缘芯片的渠道加价率略高。

云平台毛利：云厂商提供AI算力服务的毛利率约30%—40%，芯片成本占云服务成本的最大部分。

6.3渠道趋势

第一，训练芯片直销占比进一步提升。训练芯片客户高度集中，芯片厂商倾向于直销以深度绑定大客户，并提供集群

调优和联合优化服务。渠道商在训练市场的空间有限，更多转向提供集成和运维服务。

第二，推理芯片渠道生态多元化。推理芯片面向的客户分散且场景多样，渠道商和ISV的价值凸显。国产推理芯片厂

商（寒武纪、地平线等）通过发展区域代理和行业ISV快速覆盖市场，渠道体系建设成为竞争关键。

第三，云平台成为推理芯片的重要“隐形渠道”。推理算力通过云服务交付的比例持续上升，芯片厂商与云厂商的合作

深化。对于缺乏渠道能力的芯片创业公司，云平台提供了低门槛的客户触达方式，但也使其在定价上受云厂商压制。

第四，终端芯片渠道与消费电子渠道融合。智能驾驶和AI手机芯片通过汽车Tier1和手机OEM渠道销售，渠道模式与传

统半导体渠道差异显著。芯片厂商需与主机厂和手机厂商深度绑定，提前数年进行产品定义和适配。

第七章价格分析

本章分析AI芯片的价格水平、变动趋势及影响价格的关键因素，区分训练芯片和推理芯片的价格特征。

7.1价格水平与变动趋势

训练芯片价格：高端训练芯片价格昂贵且波动大。2025年主要训练芯片参考价格如下：

产品单卡参考价（万元）显存主要客户

英伟达H10025—30（受限）80GB头部云厂商（特殊渠道）

英伟达H2010—1296GB广泛云厂商和企业

华为昇腾910B12—1564GB智算中心、政企

寒武纪思元59010—1480GB互联网、智算中心

海光深算K1008—1064GB互联网、科研

数据来源：公开招投标信息、行业访谈及券商研报综合，2025—2026年；价格因采购规模、配套服务不同存在波动。

训练芯片价格受出口管制影响显著：H100在中国市场因断供价格飙升但供应极少；H20作为合规特供品价格相对稳

定；国产训练芯片价格低于H20但性能仍有差距，性价比是主要卖点。2025年国产训练芯片价格较2023年下降约10%

—15%，反映竞争加剧和量产降本。

推理芯片价格：推理芯片价格区间宽，从千元级边缘芯片到万元级云端推理芯片不等。

产品类型单卡/模组参考价（元）典型算力主要应用

云端推理GPU/ASIC2万—8万100—400TOPS云推理、视频分析

边缘推理模组2000—1.5万10—100TOPS安防、工业、交通

智能驾驶芯片模组3000—1万50—500TOPS乘用车、商用车

终端SoC内置NPU集成在SoC中10—50TOPS手机、PC、IoT

数据来源：公开产品资料及行业调研，2025—2026年；价格因采购量和定制化差异较大。

推理芯片价格整体呈下降趋势，2025年云端推理芯片单位算力价格较2022年下降约40%，边缘推理芯片下降约30%。

价格下降推动推理算力部署加速，但也压缩芯片厂商毛利空间。

7.2影响价格的关键因素

制造成本：先进制程（7nm、5nm）晶圆代工成本上升，但国产芯片受制于代工限制，制造环节成本占比高，价格下

降空间有限。

供需关系：训练芯片因供应紧张（高端受限、国产产能有限）价格坚挺；推理芯片因供给增加和竞争加剧价格下行。

性能竞争：单位算力性能提升（工艺升级、架构优化）使同等价格下算力供给增加，变相降低单位算力价格。

政策与补贴：智算中心建设中的政府补贴降低了实际采购成本，国产芯片在信创和智算项目中享受价格支持。

软件生态溢价：英伟达CUDA生态成熟，客户愿意支付溢价；国产芯片在生态不成熟阶段以低价策略吸引客户，生态完

善后价格有望向英伟达靠拢。

7.3价格弹性

训练芯片需求价格弹性较低（约0.4—0.6），因为训练芯片的性能和生态是核心，价格敏感度相对较低，大客户在高端

芯片上支付意愿强。推理芯片需求价格弹性较高（约0.9—1.2），推理场景可选方案多，客户对成本敏感，价格下降可

刺激更多部署。

第八章用户/客户分析

本章分析AI芯片的用户画像、采购决策流程、核心痛点及未满足需求，区分训练与推理客户的差异。

8.1目标客户画像

训练芯片客户：

云厂商与互联网巨头（字节跳动、阿里巴巴、腾讯、百度、快手等）：采购规模最大，对芯片性能、集群稳定

性和软件生态要求极高，采购决策由技术负责人和基础设施团队主导，重视供应商持续支持能力。

智算中心运营商（移动、电信、联通、地方政府平台公司）：以政策驱动为主，兼顾算力出租业务需求，采购

批量大但对价格敏感，国产芯片接受度高。

AI创业公司与科研机构：对单卡性能要求高但预算有限，倾向于云租用或小批量采购，决策灵活。

推理芯片客户：

云厂商：采购云端推理芯片用于对外提供AI推理服务，关注单位算力成本和软件兼容性。

行业ISV与系统集成商：为安防、制造、医疗、交通等行业提供AI解决方案，嵌入推理芯片，关注功耗、尺寸、

开发工具链和长期供货稳定性。

车企与Tier1供应商：采购智能驾驶芯片，要求车规级可靠性、功能安全认证和长期生命周期支持，决策周期

长，绑定关系深。

终端设备厂商：手机、PC、IoT厂商采购集成NPU的SoC，关注芯片功耗、面积和AI性能。

8.2购买决策流程

训练芯片采购决策周期通常为3—9个月，需经过技术测试、集群验证、商务谈判等环节。大客户会进行小批量试用和

压力测试，评估芯片在大规模集群中的实际表现。采购决策因素按重要性排序：软件生态与迁移成本（30%）、单卡

性能与集群效率（25%）、供应链稳定性（20%）、价格（15%）、本地服务（10%）。

推理芯片采购决策周期相对较短（1—6个月），客户更关注单位算力成本、功耗和开发便利性。决策因素排序：算力

性价比（30%）、功耗与散热（20%）、开发工具链成熟度（20%）、供货稳定性（15%）、生态适配（15%）。

8.3核心痛点与未满足需求

训练客户痛点：

高端英伟达芯片供应受限，国产替代芯片性能尚存差距，训练效率受影响。

国产芯片软件生态不成熟，迁移CUDA代码成本高，部分算子适配缺失。

大规模集群的稳定性和互联能力不足，国产芯片在万卡集群中的故障率高于英伟达。

先进制程代工受限，国产训练芯片产能紧张，交货周期长。

推理客户痛点：

推理场景碎片化，缺乏“一站适配”的芯片方案，需要针对不同场景选择不同芯片。

芯片功耗和散热在边缘部署中仍是挑战，尤其户外和无空调场景。

开发工具链碎片化，不同厂商芯片需适配不同框架和工具，增加开发成本。

智能驾驶芯片的功能安全认证周期长、门槛高，国产芯片在高端智驾领域仍被英伟达压制。

未满足需求：

兼容CUDA且具备自主知识产权的训练芯片，可无缝迁移现有模型。

高能效、低成本的边缘大模型推理芯片，支持数十亿参数模型端侧部署。

集成训练和推理的统一架构芯片，降低客户多芯片管理复杂度。

面向特定行业（医疗、法律、金融）的垂直AI芯片及配套软件栈。

第九章趋势与机会

本章总结AI芯片市场的主要技术趋势、市场机会和潜在进入者的机会窗口。

9.1主要技术趋势

趋势一：Chiplet（芯粒）与先进封装成为突破制程限制的关键路径。受先进制程代工限制，国产AI芯片厂商加速

Chiplet架构研发，通过将大芯片拆分为多个小芯粒，采用2.5D/3D封装提升集成度和算力。2025年华为昇腾、寒武纪

等均在Chiplet技术上取得进展，Chiplet有望成为国产AI芯片在制程受限下实现算力追赶的主要技术路线。

趋势二：存算一体技术从实验室走向边缘推理。存算一体芯片通过将计算单元嵌入存储器，大幅降低数据搬运功耗，

在低功耗边缘推理场景具备显著优势。2025年国内知存科技、后摩智能等推出存算一体AI芯片，在可穿戴、语音识别

等场景实现小规模商用，未来有望在边缘AI市场占据一席之地。

趋势三：推理芯片向“高算力+低功耗”双极发展。云端推理芯片追求更高算力密度和更低单位成本，边缘和终端推理

芯片追求极致能效比。专用化ASIC路线在推理市场成为主流，通用GPU在推理市场的份额逐渐被ASIC侵蚀。

趋势四：光子计算与新型计算架构探索。光子AI芯片在矩阵乘法等核心运算上展示出超高能效比潜力，国内曦智科

技、光本位等公司推进产业化。虽然2025年距离大规模商用仍有距离，但光子计算可能成为下一代AI芯片的颠覆性技

术。

趋势五：AI辅助芯片设计。AI技术被用于芯片架构探索、布局布线优化和验证，缩短芯片设计周期，提升PPA（性

能、功耗、面积）。国产芯片厂商借助AI设计工具加速产品迭代，部分弥补制程差距。

9.2未被满足的市场机会

机会一：国产训练芯片的“生态补位”机会。针对CUDA生态壁垒，发展CUDA兼容层、自动迁移工具和自主框架（如昇

思MindSpore、飞桨PaddlePaddle）的深度适配，降低客户从英伟达迁移的成本，填补高端训练芯片供应缺口。

机会二：边缘大模型推理芯片。端侧大模型部署需要专用推理芯片，支持数十亿至百亿参数模型在低功耗条件下高效

运行。这一市场尚处早期，国产芯片有机会在架构和生态上建立先发优势。

机会三：智算中心国产化运营服务。智算中心不仅需要芯片，还需要集群调优、运维管理和算力调度服务。具备软硬

件一体能力的厂商可提供“芯片+服务器+平台+运营”的整体解决方案，提升客户粘性。

机会四：垂直行业AI芯片定制。医疗影像、金融风控、工业质检等场景对AI芯片有特定需求，ASIC定制服务存在市场

空间。国产芯片厂商可通过与行业龙头合作，开发专用芯片和配套软件。

机会五：智能驾驶与机器人芯片放量。智能驾驶从L2向L3/L4升级，人形机器人产业化提速，对高算力、低功耗、功

能安全的AI芯片需求快速增长。国产厂商在智驾芯片已有基础，可向机器人领域扩展。

9.3潜在进入者的机会窗口

国产GPU/ASIC创业公司：在训练和云端推理市场存在替代窗口，但需克服生态和资金壁垒，机会窗口期约2—

3年。

云厂商自研芯片团队：具备应用场景和数据优势，可在推理芯片上快速切入，但训练芯片研发门槛高。

传统MCU/SoC厂商：向边缘AI芯片升级，利用现有客户和渠道切入智能家居、工业控制等场景。

汽车芯片厂商：从传统车规MCU向智能驾驶AI芯片扩展，依托车规经验和客户关系获得入场券。

第十章结论与建议