壁仞 vs 摩尔线程 vs 沐曦——三种国产 GPU 技术路线的分化与边界

随着摩尔线程、沐曦股份登陆 A 股，壁仞科技冲刺港股，“中国英伟达”的说法被频繁提及。但如果真正从技术与产业角度拆解，会发现：国产 GPU 并不存在一条统一的“英伟达复制路径”。

相反，当前主流国产 GPU 创业公司，已经在以下三个方向上发生了清晰分化：

摩尔线程：全功能 GPU 路线

沐曦股份：生态兼容型 GPU 路线

壁仞科技：高端 GPGPU 原创算力路线

这三条路线解决的是不同问题，面向的是不同市场窗口，其风险结构与成功条件也完全不同。

摩尔线程——“全功能 GPU”的通用替代逻辑

1. 核心定位

摩尔线程选择的是全功能 GPU（Graphics + Compute）路线，即在一颗芯片上同时覆盖：

图形渲染

通用计算

AI 推理与部分训练

桌面端 / 工作站 / 部分服务器场景

目标非常明确：在更多使用场景中，尽可能替代海外 GPU 的“通用角色”。

2. 技术特点

架构强调 通用性与完整性

覆盖 DirectX、OpenGL、Vulkan 等图形接口

同时支持 AI 框架与多类操作系统

更接近“国产 AMD / NVIDIA 早期阶段”的产品形态

3. 优势

应用面广，客户教育成本相对较低

易切入政企、信创、桌面端、行业计算

商业化路径相对清晰，收入来源更分散

4. 约束与挑战

研发资源被“功能广度”持续分

难以在短期内做到AI 训练算力极致化

与英伟达、AMD 的直接对标维度更多，长期竞争压力大

适配的成功条件：

?? 国产 GPU 在通用市场有明确替代空间

?? 信创 / 国产化政策持续释放需求

沐曦股份——“兼容主流生态”的现实主义路径

1. 核心定位

沐曦选择的是一条高度现实主义的路线：

优先兼容主流 GPU 软件生态，再逐步推进国产化替代。

其核心目标不是“重新定义 GPU”，而是尽快降低用户迁移成本。

2. 技术特点

重点投入在 CUDA 兼容层 / 主流框架适配

更强调软件层与生态工具链

硬件架构并非完全从零开始，而是服务于生态适配目标

3. 优势

客户迁移成本低，尤其是存量 AI 应用

商业化推进速度快

更容易进入已有 AI 项目和算力中心

4. 约束与挑战

对主流生态存在路径依赖

架构创新空间受限

长期仍需面对生态规则不在自己手中的问题

适配的成功条件：

?? 客户更看重“能不能马上用”

?? 国产替代窗口期较短、强调落地速度

壁仞科技——“原创 GPGPU + 算力天花板”策略

1. 核心定位

壁仞走的是三者中技术难度最高、周期最长、风险最大的路线：

从底层架构出发，打造面向大模型训练的高端 GPGPU 算力平台

目标并非快速替代，而是在 AI 训练算力上建立“国产上限”。

2. 技术特点

完全原创 GPGPU 架构（非图形优先）

专为 LLM、大规模并行计算优化

全栈自研：

硬件（GPGPU）

软件（BIRENSUPA）

集群（BIRENCUBE）

提前布局 Chiplet + 先进封装

3. 优势

不受既有架构包袱限制

能针对 AI 训练负载做极致优化

有机会在某一细分高端场景形成技术代际优势

4. 约束与挑战

商业化周期长

资本消耗极大

对团队与资金耐力要求极高

客户集中度高，早期市场窄

适配的成功条件：

?? 大模型训练需求持续爆发

?? 国产算力必须“往上突破”，而非仅替代

?? 资本与政策具备长期耐心

三条路线的核心对比

谁更像“英伟达”？这个问题本身就不成立

如果将英伟达拆解，其成功来自三点叠加：

硬件算力领先

软件生态闭环

抓住 AI 训练这一历史级窗口

在这一维度上：

摩尔线程更像“早期多面发展的 GPU 厂商”

沐曦更像“生态策略优先的工程型公司”

壁仞更像“押注下一代算力范式的技术型赌局”

它们不是彼此的复制品，而是在同一时代约束下的三种理性选择。

结语：国产 GPU 是分工协同，而非单点胜负

国产 GPU 的终局，很可能不是“只剩一家”，而是：

通用市场：需要摩尔线程这样的多面型选手

存量迁移市场：需要沐曦这样的生态适配者

高端算力突破：需要壁仞这样的“极限挑战者”

这不是百米冲刺，而是一场长达十年的技术耐力赛。

在这场比赛中，路线正确，比短期领先更重要。

源自--芯科技圈