国产 GPU 的价值兑现，始于模型跑通与业务迁移之后。这背后隐藏着一笔常被硬件参数掩盖、却深刻影响厂商盈利能力的“软件账”。
文丨胡昊
双重追赶：硬件迭代与软件优化的博弈
国产 GPU 追赶英伟达面临两场节奏迥异的竞争：一是硬件层面的设计、流片与量产，周期漫长；二是软件层面的持续优化，即便芯片不变，通过改进程序和工具也能提升实际运行效率。
英伟达曾在 2024 年披露，在 GPU 型号和数量不变的情况下，仅通过计算程序优化、并行通信调整及功率分配改进，使 GPT-3 175B 训练基准性能提升了 27%。国产 GPU 亦有类似案例：2025 年 12 月，沐曦在与上海 AI 实验室的合作中，通过 Graph 模式优化，使 C500 GPU 在 MinerU 应用中的性能较 Eager 模式提升约 60%。
这些案例表明，决定 GPU 实际价值的不仅是出厂硬件性能，更是量产后持续完善的软件能力。国产厂商因此面临“移动靶”式的追赶压力：
一方面需开发下一代芯片，缩小硬件性能差距；
另一方面需持续优化现有产品软件，以支持不断变化的模型与应用。
对沐曦、摩尔线程、寒武纪、燧原等厂商而言，软件不仅是技术命题，更是决定投入回收的商业命题。成熟的编译器、数学库和工具可跨代复用，形成通用资产；而在体系未成熟时，每新增一家客户都意味着适配、调优等非标准化工程服务的重复投入。软件投入能否产生商业回报，关键在于一次开发形成的能力能否随订单增加被反复使用。
客户为何难以抛弃英伟达 GPU？
对企业而言，购买芯片仅是开始。让模型真正运行涉及编译、算子优化和多卡通信等环节。更换 GPU 意味着原有程序修改、精度验证及稳定性测试，不仅消耗工程师资源，更可能延缓业务上线。即便新芯片价格更低，高昂的迁移成本也可能抵消硬件节省的费用。
英伟达的壁垒不仅在于硬件，更在于围绕 CUDA 积累的软件资产和使用经验。其核心设计包括：
- 虚拟指令集 PTX：提供稳定的中间指令层，使程序不必直接适应每一代硬件变化，部分差异由编译工具处理，保护了客户的软件开发投入。
- 数学库（如 cuBLAS）：开发者无需从头实现矩阵乘法等基础运算，英伟达针对不同硬件持续优化底层调度，提升效率。
软件与硬件由此形成相互强化关系：已有软件降低新卡导入成本，新硬件与新工具提升生态留存收益。此外，长期使用还沉淀了难以迁移的工程经验，如模型调优、故障处理方法等。
DeepSeek 技术报告曾指出，英伟达 H800 部分流式多处理器用于通信操作，占用计算资源。这说明即使在英伟达生态内，开发者仍需针对硬件特点优化。因此，国产 GPU 争取客户时，不仅要证明芯片能运行模型，更要回答“换卡增加的工程成本由谁承担”这一现实问题。
在生态未成熟阶段，厂商往往需承担代码迁移、算子补齐、精度验证等工作，甚至通过价格优惠补偿客户风险。以燧原与腾讯合作为例，2025 年燧原对腾讯及相关模式销售额占营收约 84%，且单价低于第三方。这反映了大客户在帮助厂商完善产品的同时，也凭借议价能力压低了厂商利润。客户迁移越困难，国产厂商需在价格之外承担更多的工程责任。
两条技术路线，两种商业取舍
为降低客户离开 CUDA 的成本，国产 GPU 厂商选择了不同路径：
路径一：兼容 CUDA
沐曦、摩尔线程等强调兼容，通过工具将 CUDA 调用映射至自有接口。此举保留了客户原有代码和经验，降低了进入供应链的难度。但兼容不等于减少开发工作，厂商仍需维护自有驱动、编译器及数学库，并解决接口对应、功能一致性问题。随着 CUDA 更新，厂商需持续跟进，这是一项长期承诺。
路径二：建立独立软件体系
燧原更倾向于围绕自身芯片构建独立体系，避免长期跟随英伟达软件演进。但自主开发无法完全绕开 CUDA 影响，因为行业已形成基于 CUDA 的开发习惯。因此，燧原也在 PyTorch 适配中提供部分迁移能力，寒武纪亦通过自有工具支持应用。自建体系与降低迁移成本并不矛盾，差别在于兼容范围、自主性及成本分配。
兼容路线保留客户投入，但要求厂商持续维护对应关系；自主路线赋予厂商更多开发自由，但可能增加客户学习成本。两者本质是不同的投入与成本分配方式。
两种交付模式，一道商业难题
软件支持之外，交付边界也是关键：客户是自行集成加速卡，还是由供应商交付整套计算系统？
- 板卡销售：如沐曦 2025Q1 板卡收入占比约 98%。厂商聚焦芯片和基础软件，由客户或伙伴负责集成。前提是合作方具备相应能力。
- 集群交付：如燧原智算集群业务。厂商承担多卡协同、资源调度、部署测试等系统级责任。虽有助于争取大单，但增加了工程投入和交付风险。
对客户而言，迁移风险是重要考量；对供应商而言，提供更多服务可降低门槛，但也增加了随订单增长而线性增加的工程成本。缓解这一矛盾的关键，在于将软件工具和系统交付能力标准化，使一次适配成果能在后续客户中复用。
软件研发，究竟是一笔多大的账？
由于财务披露通常不按软硬件划分研发费用，且硬件研发也依赖软件工具，准确拆分难度较大。但从募资用途和项目投入可见端倪：
- 沐曦：2025 年“高性能通用 GPU 优化升级项目”投入约 4.6 亿元，占研发投入 45%，主要用于存量产品适配，显示售后软件投入规模不小。
- 壁仞：计划将全球发售所得款项净额的 40% 用于软件平台开发升级。
- 寒武纪：软件平台项目人员工资预算占总投资约 86%，高于芯片平台的 53%，且软件研发人数增长更快，反映软件对人力的高度依赖。
相比投入总额，资金形成的能力更为关键。量产后的软件工作可分为三类：
基础能力建设：编译器、数学库等，具强复用潜力；
持续维护：支持已售芯片和既有版本，成本受自动化程度影响；
客户定制适配：针对特定场景，标准化程度低，难以直接复用。
规模效应的形成，取决于通用能力积累能否减少后续维护和定制工作的增量投入。但兼容旧架构和版本也有成本，厂商需在客户需求与维护价值间权衡。对于规模较小的国产厂商，资源分配尤为困难，只有当通用能力不断积累，适配和维护工作得到控制，收入增长才能摊薄研发投入。
如何把一次投入，变成多次收入？
软件能否形成规模效应，最终体现于经营结果。2024 至 2025 年，摩尔线程收入大幅增长，研发费用率显著下降，虽不能直接证明软件复用改善，但显示出支出被更多收入分担的趋势。
更直观的指标是适配效率。燧原透露，早期腾讯模型更新需一至两个月补齐算子，后缩短至两三天甚至数小时。这表明随着算子、编译器完善，新模型可更多调用已有能力，减少重复开发。
这种变化的商业意义在于，将逐项攻关的工程经验沉淀为标准化的产品能力。此外，软件也可直接产生收入，如壁仞 2026 年上半年软件产品收入占比约 5%。但更多时候，软件价值隐含在硬件和系统销售中：完善的工具提升性能、缩短验收周期，进而影响销量和定价。
若客户部署长期依赖研发人员，且费用计入研发而非营业成本，毛利率将无法完整反映持续投入。只有当软件能力复用，客户增长不再要求人员同比例增加时，规模效应才体现在利润中。
为减少重复开发，国产厂商需借助外部生态。如沐曦开源 TileLang-MetaX，利用社区成果减少重复建设；DeepSeek 则受益于编译器自动优化，减少了手动处理指令的需求。社区有助于将共性问题沉淀到基础工具中。
然而，后发厂商仍面临基础能力不足、客户规模有限等约束。它们既要加快基础软件建设，又要支持新模型和新硬件；既不能等软件成熟再入市，也难以让客户独自承担迁移成本。
国产 GPU 厂商真正的竞争分水岭，在于谁能率先打破“低价格换规模、高定制耗利润”的循环。在此期间，它们需承受双重压力：一边靠低价争取订单，一边靠内化成本沉淀软件资产。国产 GPU 的软件账，最终是一笔研发投入能否及时转化为规模化经营能力的账。
硬件决定计算能力上限，软件决定能力释放程度。对厂商而言，终极目标是从替客户逐个解决问题，转向让客户依靠成熟工具自行完成工作。届时，软件将从必须承担的成本，转变为可持续积累、反复变现的资产。
题图来源：视觉中国
- FIN -
