为什么中国非要自己造 AI 芯片

家用电脑里的中央处理器是个全能选手。它要能打开网页、能放视频、能解压文件、 能同时伺候几十个后台程序，所以它的每个核心里都塞满了各种功能部件—— 预测你下一步要干什么的电路、临时存数据的高速缓存、处理各种奇怪指令的模块。 这些东西让它「什么都能干」，代价是真正做算术的那部分只占很小一块面积。

而训练一个大模型要干的事，单调到有点荒谬：把一大堆数字两两相乘，再把结果加起来， 然后换一批数字再来一遍，重复上万亿次。这件事没有分支、没有意外、没有需要临时决定的地方。 拿全能选手去做这种活，就像雇一个会五国语言的人去流水线上拧螺丝—— 他确实能拧，但你为那五国语言付的钱全浪费了。

于是就有了另一条思路：既然要干的活这么单一，那就把芯片上所有用不着的功能砍掉， 把腾出来的面积全部换成算术单元。同样大的一块硅片，全能处理器上可能只有几十个计算核心， 专用芯片上可以放上万个。这就是 领域专用架构的全部逻辑， 也是这门生意存在的理由。

这张表从上到下是一条连续的光谱，没有哪一档天然正确。 往下走一格，性能和能效就好一截；同时，能跑的活也窄一截，被下一代算法淘汰的概率也高一截。 真实世界里大家都在这条线上找位置：做通用芯片的往下挪（在通用核心里加专门算矩阵的单元）， 做专用芯片的往上挪（留出可编程的余地，好让新出现的算子也能跑）。

本课主角的产品线落在中间偏专用那一档：专为神经网络设计，但保留足够的可编程性。 这个位置决定了它的两条命脉——一条是硬件的能效，一条是软件能不能及时支持新模型。 第 11 节会看到，后面这条在中国市场里的分量，比很多人以为的重得多。

这两个词在新闻里经常混着用，但对芯片生意来说它们完全不同。 训练是把一个模型从随机数练成能用的东西，要把海量数据反复喂进去， 上万张卡连成一个集群跑上几周甚至几个月。它的特点是一次性、规模极大、对卡与卡之间的通信极度敏感—— 一万张卡要像一台机器那样协同，任何一张掉队全队都得等。

推理是模型练好以后，每一次有人提问、每一次生成一段文字，都要算一遍。 单次计算量比训练小得多，但它是经常性的：用的人越多，账单越长。 所以推理关心的不是「峰值能有多快」，而是「跑完同样一批请求，一共花了多少钱」—— 电费、机器折旧、运维全算在内。

这个区别之所以要在第一节就讲，是因为它直接决定了谁有机会。 在训练场景里，制程落后、互联带宽不足是硬伤，很难用别的东西补； 而在推理场景里，只要单位成本划算，规格差一点未必要命。 行业的共识是推理的总量会超过训练，而中国市场的需求结构又比全球更偏推理—— 这条线索会在第 3 节变成一条可以跟踪的判据。

最后一件事关系到这门生意的形态。芯片厂商卖出去的，从来不是一颗光秃秃的硅片。 芯片要先焊到一块电路板上，配上高带宽内存、供电、散热和对外的接口， 变成一块能插进服务器的加速卡；很多时候还要再往上走一层， 把几十上百块卡装进机柜、连好网络、装好软件、调通一个真实的模型，整套交给客户。

这个形态问题看着琐碎，其实决定了后面几节的很多现象。卖芯片，发货就能确认收入； 卖整套系统，要装完、调通、验收才算数——于是收入天然会一阵一阵地来，很不平滑。 同样，卖系统意味着仓库里囤的不只是芯片，还有内存、板卡、整机部件， 存货的金额会比纯芯片生意大得多。第 13 节和第 15 节都会回到这两句话上。

到这里，这门生意的轮廓有了：做一种专用到恰到好处的芯片， 把它做成卡和机柜卖给需要算力的人，赚的是「同样一笔算力预算，我这边更划算」的钱。 下一节把这块卡拆开，看看里面到底有什么、哪几样是自己能决定的、哪几样不是。

拿一块 AI 加速卡在手上，你看到的是一块比显卡厚一些的板子：中间一颗盖着金属散热壳的大芯片， 周围一圈供电元件，边上是插进服务器的金手指和几个高速接口。真正决定它值不值钱的，是四件事。

第一件是计算。芯片上有多少个算术单元、每个单元一个时钟周期能做几次乘加、 支持到多低的数值精度。这里有个外行常搞错的地方：近几年算力的提升相当一部分不是来自「跑得更快」， 而是来自用更粗的数字格式做同一件事——原来用 32 位小数表示一个权重， 后来发现 16 位够用、再后来 8 位甚至 4 位也够用（低精度格式）。 位数减半，同样的电路吞吐量就能翻倍。这条路走到哪一步，各家差别很大。

第二件是内存。算术单元再多，数据喂不上去也是空转。 大模型的权重动辄几百 GB，全靠芯片旁边那圈 HBM（把内存芯片垂直堆起来、 用极宽的通道贴着计算芯片放）来供数据。推理场景下的瓶颈，很多时候根本不在算力而在内存带宽—— 所以卡的规格表上，「多少 GB、多少 GB/s」这两个数往往比峰值算力更能说明问题。

第三件是互联。一张卡装不下一个大模型，就得几十上百张连起来用。 卡与卡之间每秒能传多少数据，决定了这堆卡是「一台大机器」还是「一堆各干各的小机器」。 第四件是软件——留到第 4 段单独说，因为它是这四件里性质最特别的一件。

这张表有三条线索值得一条条读。第一条是制程和代工地的变化： 早期几代都用境外代工厂的 7nm，而思元 580 和下一代思元 690 已经落在境内代工厂。 这不是技术偏好，是被迫的——第 10 节会讲清楚原因，也会讲清楚它同时带来的代价和保护。

第二条是内存。从 8GB 普通内存到 48GB 低功耗内存，再到 96GB 的 HBM3， 这条线跳得比制程还猛。把它和上一段那句「推理瓶颈常在内存」连起来看， HBM 的可得性是这门生意里一条很硬的约束，第 12 节会专门讲。

第三条最值得记住：思元 690 相对思元 590，制程一样是 7nm， 内存容量一样是 96GB，但内存带宽从 1,600 提到 2,400 GB/s、片间互联从 425 提到 1,200 GB/s—— 接近三倍。这说明代际进步不一定要靠制程： 在拿不到更先进制程的前提下，把带宽和互联做上去，一样能把系统性能往前推一大截。 这句话是理解整个第三单元的钥匙。

模型是用一种通用的语言写的，芯片认的却是自己那套指令。中间需要一整层东西 把模型的每一个算子翻译成这颗芯片跑得最快的写法，还要负责把计算切到多张卡上、 调度数据搬运、处理精度转换——这一层就是所谓的软件栈。 本课主角的这一层叫 NeuWare。

它的分量有多重，看一件事就知道：客户把一个模型从 A 家的卡搬到 B 家的卡上， 要重新适配、重新调优、重新验证结果一致性，运维工具链和人员熟练度也要重新积累。 这堆工作量就是迁移成本。它不靠合同锁定，靠的是「换一次太麻烦」这件事本身。

但这道护城河有个必须说清楚的性质：它会随时间自己变浅。 对手的软件生态越成熟、迁移工具越好用，客户搬一次的代价就越小。 所以「客户黏性」在这门生意里是一条真实但有保质期的理由， 需要定期重新确认，不能一次性接受。第 11 节整节都在讲这件事。

「AI 需求很好」这句话对做投研没什么用，因为它没告诉你该盯什么。 把它拆开会清楚得多：一家国产 AI 芯片公司能卖多少，等于中国这一年在 AI 算力上花的总钱数， 乘以其中有多大比例用国产芯片，再乘以它自己在国产里占多少份额。 三个因子相乘，而它们的决定者完全不是同一批人。

这样拆的好处是，每个因子都能找到自己的观察对象。总投资看的是互联网大厂的资本开支公告 和国家级算力项目的落地节奏；国产化比例看的是管制政策和供给条件； 份额看的才是这家公司自己的产品、交付和客户关系。 三个因子里，前两个几乎不由公司自己决定—— 这一点在第 13 节讲景气传导时会再次变得很重要。

先说这组数字怎么读。它们来自同一家机构，本课没有取得第二家的同口径数据做交叉验证， 所以它们只能当量级参照，不能当共识。但即便如此，那个「一次上调 36%」的动作本身就有信息量—— 它说明这个行业的规模判断在短时间内被显著改写过， 而任何基于旧数字做的推算都跟着失效了。看到这类大幅上调， 第一反应不该是「更好了」，而是「原来的判断错在哪，新的判断会不会也一样不稳」。

池子的钱从两个口子进来。一个是互联网大厂的资本开支： 阿里巴巴、腾讯控股、字节跳动这类公司既要训练自家模型， 也要把算力做成云服务卖出去，它们的采购逻辑是标准的投资回报——算得过来就买。 另一个是国家级算力基础设施：电信运营商、国企和地方政府建智算中心， 动机里包含公共服务和数据主权，采购节奏与商业周期并不同步。

国产化率是这三个因子里最特别的一个： 它的涨跌主要不取决于国产芯片变好了多少，而取决于境外产品还能不能买到、买到之后能不能用。 一家机构给出的路径是 2025 年 42%、2030 年 70%。行业里更常被引用的一组口径是 2024 年约三成、2025 年上半年过四成、2027 年目标过半——不同来源口径不同， 但方向一致：这条线在快速上行，而推着它走的力量在产业之外。

这带来一个必须说清楚的不对称：这个因子对国产厂商是普惠的，对单家公司却不构成竞争优势。 管制收紧，所有国产厂商一起受益；管制放松或者境外产品以某种方式重新可得， 所有国产厂商一起承压。所以「国产替代」这四个字本身不是任何一家公司的护城河， 它只是把池子分给谁的规则，不决定池子里谁分得多。第 10 节会把这件事讲透。

总拥有成本和 每 token 成本是这张表最要紧的两行， 因为它们把「芯片好不好」这个技术问题，翻译成了「这活儿多少钱能干完」这个经济问题。 一家机构的调研结论是：大型模型开发者表示，只要每 token 成本有竞争力，他们愿意部署境内加速卡。 这条判断接上第 1 节那句「需求越偏推理，制程落后的杀伤力越小」，逻辑就闭合了。

但这张表还有另外两行，方向是反的。制程落后通常意味着单位算力功耗更高，电费那一栏是吃亏的； 软件迁移的一次性投入也明确更高。所以「总拥有成本更低」这个结论， 很大程度上依赖购置价格的优势足够大，大到能盖住电费和迁移成本这两块。 而购置价格的优势一半来自自己便宜，一半来自境外产品在境内因供给受限而溢价—— 后面这一半不是自己挣来的，也随时可能变。

把这件事变成可跟踪的东西，方法是换掉观察对象：如果买方看峰值性能，你该盯发布会的规格参数； 如果买方看部署经济性，你该盯的是竞品的定价与能效、境外产品在境内的实际售价、下游的推理用量。 第 16 节的跟踪表里「同业新品发布与定价」这一行就是从这里来的—— 不是看对手发布了什么规格，是看对手定了什么价。

前三节讲了这门生意为什么存在、一块卡里有什么、需求由谁决定。 这一节把整条链摊开：从上游的制造资源，到中间的设计与集成，再到下游的买家， 每个环节谁在做、谁最稀缺、谁受制于谁。 先看图，然后我们一段一段解释它为什么长这样。

看懂一张产业链图的办法，是问「哪一格最难替代」。 在全球的 AI 芯片链上，最稀缺的通常被认为是设计与软件生态； 但在中国这条链上，答案不一样——最稀缺的是上游那三格：先进制程的产能、HBM、先进封装。 设计公司这几年冒出来一大批，而能给它们造芯片的地方就那么几家、能给的产能就那么多。

这个判断有一个直接的推论，对理解报表很关键：因为制造是外购的，设计公司的成本里没有晶圆厂的折旧， 所以毛利率可以做得很高——本课主角的季度毛利率在 55% 上下。 但同样因为制造是外购的，它能卖多少不完全由自己决定。 换句话说，这门生意用「利润率的弹性」换来了「产量的不确定」： 销量下滑时成本会跟着降（不像自有晶圆厂那样折旧刚性）， 销量想上去时却可能被产能卡住。第 13 节会看到这件事在 2026 年真实发生。

图的最下面一层把国产同行按模式分成了三类，这个分法比按公司名字排要有用得多。 全栈自有的那一家，设计、制造体系、软件和整机都在自己的盘子里， 所以它的瓶颈是自己的产能扩张速度，不与别人抢代工排期。 设计外包代工这一类——本课主角和大多数新兴厂商都在这里—— 瓶颈是共用的：大家排的是同一条产线的队，谁的订单大、谁的良率高、谁绑得早，谁就拿得多。

云厂自研自用是第三类，性质最微妙：做芯片的公司同时是买芯片的公司。 它自研的量每多一张，市场上就少一张外购需求；但它的自研产品通常只够自用、且不对外卖， 所以它既不是纯粹的对手，也不是纯粹的客户。下游买方自己下场，是这门生意长期最容易被低估的一种压力—— 它不表现为价格战，而表现为「某个大客户的订单以后不再增长了」。

三种模式的具体差异、各自的强项与软肋，第 14 节会逐一拆开。 下一节先回答一个更基础的问题：中国为什么会同时冒出这么多家 AI 芯片公司—— 这个格局不是自然形成的，它有明确的历史成因。

放眼全球，数据中心 AI 加速卡这门生意的格局简单得惊人：一家公司拿走八到九成， 第二名在一成出头，其余所有人加起来是个位数。这种集中度在制造业里非常罕见， 更罕见的是它的成因——领先者的优势主要不来自芯片本身，来自芯片外面那层软件。

道理并不复杂。研究人员写模型时用的是各种框架和库，这些东西十几年来都是围绕 CUDA 生态发展起来的：几百万开发者熟悉它，学校用它教课， 无数论文的开源代码默认它能跑，出了问题网上一搜就有答案。 一家新厂商就算做出一颗性能相当的芯片，也要面对「没人会用、没人愿意花时间学」这道墙。 这就是为什么这门生意的第一名换人非常难——要换掉的不是一块硬件，是一整套工作习惯。

把这件事记牢，因为它会反复出现：在 AI 芯片这门生意里， 硬件规格决定你能不能进候选名单，软件生态决定你能不能被真的用起来。 第 11 节整节都在讲中国厂商怎么应对这道墙。

如果只有市场竞争，国产 AI 芯片大概率不会有今天这个热度——毕竟前一段刚说过， 生态的墙有多高。真正把这条支线劈出来的是另一件事：从 2022 年起， 高端 AI 芯片对中国的出口被逐级收紧。先是最高端的型号不许卖， 厂商推出降规格的特供版本，特供版本很快又被纳入管制；能拿到的产品越来越少、越来越贵。

这件事对买方的含义是直接的：不是「国产更好了所以换国产」， 而是「想买的买不到，只能在境内找替代」。 这个区别看起来只是措辞，实际上决定了整个行业的性质—— 需求不是被产品创造的，是被约束挤出来的。所以它有两个特点： 一是来得快（买方等不起），二是管制方向一旦变化， 这部分需求的稳固程度也会跟着变。

与此同时，管制也从反方向打在国产厂商身上：被列入管制名单的公司， 拿不到境外的先进制程产能、先进设计工具和部分关键物料。 本课主角在 2022 年底被列入名单，从那以后它的产品必须在境内找制造资源。 所以「管制」对它是一体两面的东西：一面是需求侧的保护，一面是供给侧的枷锁—— 第 10 节会把这两面各自量化到能跟踪的程度。

这张表最该注意的是「参与者数量」那一行。一个需求被政策保护、增速极高的市场， 会在短时间内吸引远超它能容纳的供给——这不是中国独有的现象， 任何一个被补贴或保护催起来的行业都会这样。 华为昇腾凭自有制造体系和全栈方案占住国产第一， 后面跟着一长串设计公司：本课主角、海光信息、摩尔线程、 沐曦股份、壁仞科技、燧原科技、天数智芯， 再加上云厂自研的 平头哥半导体 和 昆仑芯。

为什么这么多家现在都还活着？因为池子在快速变大。 当国产化率从三成往四成、五成走，而总盘子本身又在以年均两成以上的速度扩张时， 每家都能拿到一点增量，谁也不觉得挤。这种时候的份额数据几乎没有区分度—— 它反映的是谁拿到了产能，而不是谁的产品更好。

但这个状态不会永远持续。理由在第 4 节那张图上写得很清楚： 这些设计公司排的是同一条代工产线的队，而下游真正有大规模采购能力的客户就那么几家。 池子扩张的速度一旦慢于供给增加的速度，收敛就会开始， 而收敛时被淘汰的，未必是产品最差的，很可能是拿不到产能或者绑不住客户的。

这家公司 2016 年成立，来路很清楚：它源自中国科学院的研究工作， 创始团队在此之前做的就是早期的神经网络处理器。 成立同一年，它推出了第一颗商用 AI 芯片，面向的是终端设备—— 也就是装进手机、摄像头这类东西里的小芯片，功耗只有几瓦， 任务是在设备本地跑一些识别类的模型。

从终端起步在当时是顺理成章的。2016 年前后，数据中心里跑 AI 的活基本被通用图形处理器包了， 新公司挤不进去；而终端侧还没有标准答案，一颗低功耗的专用芯片有真实的位置。 更关键的是商业模式：终端芯片可以把设计成模块授权给别人用， 不需要自己压产能、囤存货，对一家刚成立的公司来说门槛低得多。

但这条路有一个结构性的问题，后来也确实发生了：授权模式的客户集中度天然极高， 而买方一旦决定自己做，这块收入就会整段消失。 这是本课第一次遇到「客户集中」这个词，第 8 节会看到它换了一种形式又出现一次。

2018 年，公司推出云端 MLU100 与边缘 MLU200 两个系列，正式进入数据中心市场。 这一步的分量比听起来大得多，因为它同时换掉了三样东西： 产品形态从可授权的设计模块变成了实体的芯片和板卡； 客户从少数几个终端厂商变成了云服务商、运营商和政府项目； 成本结构从「卖图纸几乎没有变动成本」变成了「每卖一块卡都要先买晶圆、买内存、做封装」。

这一步也把这家公司推进了第 1 节讲的那条光谱的正中间：专用到足以在能效上占便宜， 又保留足够的可编程性来适应新模型。八年之后回头看，这个方向选对了—— 今天它几乎全部的收入都来自数据中心侧，终端那条线已经不是主角。

2020 年 7 月，公司在科创板上市。对这门生意来说，上市不是终点而是燃料—— 设计一颗大芯片、把软件栈做起来、把客户一个个磨通，都是要先烧很多年钱的事， 而上市提供了一条能长期承担这种消耗的资金通道。

上面那张表把之后的曲线摆出来了，它的形状值得盯着看几秒： 2023 年还在亏八个多亿，2025 年净利润二十个亿；收入两年之内从七亿多涨到六十五亿。 这种斜率在制造业里几乎见不到，它更像是一个被压了很久的需求， 在某个时点突然被放开——而放开它的正是第 5 节讲的那件事。

这条曲线同时给后面几节埋了两个必须回答的问题。 第一，这个增速里有多少是行业给的、多少是自己挣的—— 如果整条国产链都在同一年起飞，那份额并没有变化，涨的只是池子。 第二，赚到的这些钱，有没有真的变成现金—— 一家收入两年涨九倍的公司，账面利润和银行账户上的余额往往不是一回事。 这两个问题分别是第 14 节和第 15 节的主题。

2022 年，公司被列入美国实体清单，境外代工厂的 7nm 工艺从此用不了。 对一家把制造完全外包的公司来说，这是最要害的一击——它不影响你的设计能力， 但直接决定你的设计能不能变成实物。公司此后转向境内代工厂的先进工艺， 覆盖机构的公开判断是：大芯片的良率仍是挑战，产能爬坡还在进行中。

把这一段和 2022 年 9 月的另一件事放在一起看更有意思：就在被列入清单的同一年， 公司在一场行业大会上发布了新一代云端训练芯片思元 590。 一边是产品路线图在往前推，一边是制造通道被掐—— 此后几年这家公司的故事，基本就是这两件事的拉锯。

所以三次转身连起来是一条很清楚的线：第一次是自己选的（从终端走向数据中心）， 第二次是自己争取的（上市拿到长期资金），第三次是外部强加的（换制造体系）。 理解这条线之后，下一节可以进入更具体的问题—— 它今天到底卖什么、怎么收钱、收入由什么构成。

第 1 节说过，客户买到的不是裸芯片。具体到这家公司，同一颗芯片能变成三种不同的产品， 而它们的收钱方式完全不同——这件事是理解它季度报表的前提。

第一种是加速卡：芯片焊在板子上，配好内存、供电和接口，客户拿回去自己插进服务器。 这是标准品，按张卖，客户验收简单，发出去基本就能确认收入。 第二种是智能计算集群系统：不只给卡，而是把服务器、网络、机柜、软件栈和运维工具整套配齐， 到客户现场装起来、连通、把模型真正跑起来再交付。 这一种单笔金额大得多，但从签约到确认收入的链条长得多。 第三种是边缘产品与软件授权——体量不大，但它是公司早年那条路线的延续。

这三种形态的比例会随年份大幅变化。一个有代表性的数字是： 2023 年，智能计算集群系统曾贡献公司 86% 的收入。 也就是说在某些年份，这家公司的收入主体并不是「卖了多少张卡」， 而是「交付了几个算力池项目」。这两件事的节奏完全不是一回事。

这张表的第三行和第四行，解释了本课后面两个最重要的现象。 收入高度不规则——这就是为什么覆盖机构会提醒「这家公司的收入确认节奏历来不规则， 去年二季度本来就高于三季度」，也是为什么把单季增速直接年化去推全年，经常会得出错误结论。 存货金额大得多——如果只卖裸芯片，存货不会有这么大的绝对波动； 一旦要备整机，账上囤的就是一整条物料清单。第 15 节会看到这件事在现金流上的代价。

把最近几个季度的收入排开，这种不规则一眼可见： 2025 年第四季度 ¥18.90 亿，2026 年一季度 ¥28.85 亿（同比 +159.56%）， 二季度 ¥31.11 亿（同比 +75.8%、环比 +7.8%）。 而 2025 年全年收入是 ¥64.97 亿——2026 年上半年 ¥59.96 亿， 半年就完成了上一年全年的九成还多。 这种台阶式的跳跃，一半来自需求，一半来自「哪个季度完成了验收」。

收入跳得厉害，毛利率却稳得出奇——连续三个季度都在 55% 上下，波动不到两个百分点。 这不是巧合，它是第 4 节那个结构的直接后果：因为晶圆制造和封装都是买来的， 成本几乎全是变动成本——不卖就不买。所以销量涨落时，成本会跟着同向变化， 毛利率不怎么动。

对比一下自建晶圆厂的公司就很清楚：它们的成本大头是设备折旧，不管卖不卖都要计提， 于是销量一跌毛利率就崩、销量一涨毛利率就大幅改善。 两种结构没有优劣之分，但它们的报表读法完全不同： 看一家外包制造的公司，毛利率波动小是正常的，真正值得盯的是销量和单价； 看一家自有产能的公司，毛利率本身就是产能利用率的温度计。

那这条稳定的毛利率线上有什么值得跟踪的？有一条：一家机构的模型假设它会从 2025 年的 55.2% 缓慢下滑到 2026 年 50.9%、2027 年 49.7%、2028 年 49.2%。 下滑的理由不难想——竞争者变多、集群系统里外购件占比上升、客户议价能力增强。 这是一条可以逐季对表的线：实际毛利率比这条假设高还是低， 比任何定性判断都更能说明竞争强度的真实变化。第 16 节的跟踪表会收录它。

这张表值得多看两眼，因为它回答了一个常被含糊带过的问题： 国产 AI 芯片到底是卖给市场的，还是卖给项目的。 答案对每家公司都不一样。本课主角六成出货给互联网公司、约一成半给政府相关机构， 说明它的主要客户是按投资回报算账的商业买方； 而同一张表里有一家的互联网占比只有 23%，构成完全是另一种。

为什么这个区分重要？因为商业买方和项目买方检验产品的方式不同。 互联网大厂买卡是要拿去跑自己的业务的：模型训练慢一天、推理成本高一分，账上立刻看得见。 它们的采购通过不了「算不算得过来」这一关就不会发生。 所以六成给互联网公司这件事，是这门生意能拿到的最硬的一种产品背书—— 比任何一场发布会的规格参数都管用。

但同一个事实翻过来就是风险，而且是这门生意最大的一个。

中国有能力一次采购成千上万张 AI 加速卡的机构，掰着手指能数完： 几家头部互联网平台、三家电信运营商、少数几个国家级或省级算力项目。 这意味着任何一家国产芯片公司的收入，都必然高度集中在少数几个买方身上—— 这不是经营失误，是市场结构本身如此。

集中带来三种具体的风险，值得分开记。第一种是节奏风险： 某个大客户把项目从这个季度推到下个季度，公司的季度收入就会出现一个大坑， 而这与产品好坏完全无关。第二种是议价风险： 买方少、卖方多（第 5 节那十几家），议价的天平并不在卖方这边， 第 7 节那条「毛利率缓慢下滑」的预测假设，背后就是这件事。

第三种最特别，也最容易被忽略：大客户自己也在做芯片。 第 4 节那张图的最下面一层写着两家云厂自研的芯片公司—— 它们既是潜在客户，也是同行。一家云厂的自研芯片每多用一张，外购需求就少一张； 而且这种挤压不会以价格战的形式出现，它表现为「某个大客户的订单以后不再增长了」， 等你从报表上看出来，往往已经过了一两年。

这三个台阶的区别，比「有没有签合同」重要得多。进了采购目录只是被允许卖， 真正的护城河要到第三个台阶才开始形成——当客户的核心业务跑在你的卡上、 运维团队熟悉了你的工具、模型在你的软件栈上调优了一年，换掉你的代价才真正变高。

按公开材料，这家公司的产品在这三个台阶上都有事实可查。 一家机构的判断是：主力产品已在客户的大规模工作负载中广泛部署——这是第三个台阶。 而下一代产品目前处在更早的阶段：有产业交流材料提到它仍在小批量量产， 主要交付给一家头部内容平台，并已进入另一家云厂的采购目录，但测试结果尚不明朗—— 这是第一、二个台阶之间。

把这两条放在一起看，才是这家公司客户关系的真实图景： 上一代产品已经扎下去了，下一代还在重新证明自己。 这也提醒了一件容易被忽略的事——在这个行业里，护城河不是一次挖成的， 每一代产品都要重新走一遍这三个台阶。第 12 节讲下一代产品时会再回到这个判断。

最后说一句这一节的方法。看任何一家 to-B 公司的客户结构，别停在「客户是谁」， 要问三个问题：买方一共有几家能下这么大的单（决定议价格局）、 这些买方有没有能力自己做（决定长期需求的天花板）、 自己的产品走到了哪个台阶（决定关系的牢固程度）。 这三问在下一节还会用到——因为它们正是护城河评估里最实在的一部分。

讲护城河最容易滑成一串形容词，所以先立一个判据。 在这门生意里，真正能抵挡竞争的东西只有两种形态。 一种是位置型：这个市场上没有别人能站的地方，比如某个环节全世界只有一家做得出来。 另一种是事实型：不是说别人做不到，而是「客户已经在用了，换掉要付出代价」。

这个区分很要紧，因为两者的失效方式不同。位置型护城河会被技术追上， 但在被追上之前它是稳固的；事实型护城河不会被谁一夜追上， 但它会自己慢慢变浅——对手的工具越好用、迁移越省事，客户换起来就越轻松。 本课主角的护城河，三条里有两条是事实型的。这不是缺点，但它决定了跟踪的方式： 位置型只要盯对手有没有突破，事实型必须每年重新体检一次。

第一条是软件栈，以及它能不能跟上新模型。 第 2 节讲过 NeuWare 是什么——把模型翻译成这颗芯片认识的指令的那一层。 它的成熟度有一个非常直接的公开刻度：Day 0 适配。 2026 年 4 月，业界关注的 DeepSeek V4 发布当天， 本课主角与几家国产厂商一起宣布完成适配，并基于 vLLM 推理框架开源了高性能融合算子。 这件事的含义是：它的软件团队能在拿到一个全新模型的极短时间内， 把新出现的算子实现到可用、可调优的程度。这不是宣传口径，是可以被任何人验证的时间戳。

第二条是已经形成的部署事实。第 8 节那三个台阶里， 一家机构的判断是它的主力产品已在客户的大规模工作负载中广泛部署。 这句话的分量在于「大规模」和「工作负载」两个词——不是实验室测试， 是真的在承担业务。到这一步，客户那边就有了一堆调优过的配置、熟悉工具的人和验证过的结果， 这些东西构成的迁移成本是实打实的。

第三条是系统级交付能力。第 7 节讲过它能把卡做成整柜整套交付， 2023 年这块曾占收入的 86%。而第 3 节引过一个行业观察： 竞争的重心正在从单颗芯片的规格之争转向系统级的规模化能力， 行业展会上多数厂商展示的已经是 128 卡以上的整柜方案。 在这个转变里，能交付整套系统本身就是一道门槛—— 它要求的不只是芯片，还有网络、软件、现场工程和售后。

这张表最该注意的是第三列。五条短板里有三条根本不在这家公司的控制范围内—— 它能做的只是排队、备货、找替代方案，无法通过努力解决。 这是「制造外包 ＋ 被管制」这个组合的必然结果， 也是第 2 节那句「四样东西只有一样在自己手里」的代价部分。

真正需要它自己扛的是最后一条，也是最容易被忽略的一条： 软件生态构成的迁移成本，是会自己变浅的。 如果某家对手的工具链做得足够好，客户把模型搬过去只要一周而不是三个月， 那么「已经在用」这件事的保护力就大打折扣。 所以这条护城河的维护费用是永续的—— 每一代新模型都要跟上、每一个新算子都要实现、每一次客户提的性能问题都要解决。 第 11 节整节会讲这场生态战争到底怎么打。

单元二到这里讲完了：它从哪来、卖什么、卖给谁、凭什么守得住。 把四节连起来看，这家公司的形状已经相当清楚—— 一家八成员工是研发的设计公司，产品已经被最挑剔的商业买方大规模用起来， 但它的产量上限、内存供应和制程代差全部握在别人手里。 接下来的单元三要回答的是：这三条外部约束，正在发生什么变化。