美国禁令逼出新解法！华为等中国科技巨头自研ASIC芯片：替代英伟达GPU

6月2日消息，

，这类芯片从设计之初就锁定单一业务场景，去除多余通用计算模块，和可灵活编程的通用GPU形成鲜明技术分化。

近些年来，美国接连落地的先进半导体出口管制政策，持续扰动国内AI芯片产业的发展节奏。此前国内AI算力基建高度依赖英伟达GPU，

，华为、寒武纪、阿里、摩尔线程等企业各自锚定不同赛道，两条路线的发展走向，直接决定国内DeepSeek、阿里等本土头部大模型的算力底座建设进度。

想要理清两条路线的差异，首先要弄懂GPU产品的底层定位。GPU最初的研发目的是处理游戏画面渲染工作，

时隔多年，GPU在AI产业浪潮中迎来价值跃升，多核心并行运算的硬件特质，刚好匹配人工智能神经网络海量的并行计算需求。

与此同时，

。在硬件架构固定的前提下，研发人员能够反复改写配套软件代码，灵活适配持续迭代的大模型结构，这类灵活属性，也是英伟达GPU能够长期垄断全球AI算力市场的关键。

立足国内市场，

其中2020年成立的摩尔线程看点突出，企业创始人张建中拥有多年英伟达中国区高管任职履历，熟悉英伟达产品与生态崛起的底层逻辑，企业现阶段主力落地MTT S5000系列通用芯片，也是国内对标英伟达通用路线最具代表性的初创企业。

不过，通用GPU想要追赶海外成熟产品，除硬件打磨外，还需要漫长周期完善配套软件生态，整体商业化落地进度相对迟缓。

GPU属于通才，而ASIC的核心特点是专才专用。

ASIC的产品设计逻辑和通用 GPU完全相悖。如果把GPU看作身兼数职的全能技工，ASIC就是针对单一工序量身打造的专属设备。

，这也是当前国内头部科技企业扎堆布局ASIC赛道的核心原因。

按照芯片优化的数学运算方向划分，国内已经形成三种落地成熟的ASIC细分架构，分别是NPU、TPU与PPU，三类产品的设计逻辑、适用场景各有明确区分。

，硬件架构研发逻辑参考人脑神经网络的运行机理，电路单元专门针对神经网络权重计算、特征提取等专属运算优化，是当前大模型训练与推理场景普及率最高的专用ASIC品类，

，由谷歌率先研发并商用落地，产品架构面向AI任务中成块张量数据做批量并行运算优化，砍掉通用计算冗余模块，能效表现优于传统GPU，如今全球多家科技企业都在自研自有TPU，。

，，没有照搬NPU、TPU成熟设计，专为阿里云业务、智能代理类AI任务量身开发。

华为深耕NPU赛道，主力产品包含已经大规模商用的昇腾910C以及尚在推进的新一代昇腾950。寒武纪同样锚定ASIC专属架构，思元590、思元690系列产品持续迭代更新。依托定制化硬件的高效算力，两家企业顺利绕开海外芯片采购限制，撑起国内云端算力基础设施。

除此之外，阿里平头哥选择自研PPU路线，前不久在阿里云年度峰会上正式发布真武M890处理器。官方数据显示，这款新品综合性能达到前代真武810E 的三倍，产品优化方向精准适配当下火热的智能代理AI算力需求。

国内还有中昊芯英等初创企业跟进TPU国产化研发，自研TPU产品已经实现规模化量产，这也和谷歌等海外科技巨头放弃全盘外购通用GPU，自研定制芯片的全球产业趋势保持一致。

随着大模型参数体量不断攀升，ASIC和GPU原本清晰的技术边界正在慢慢消融。但从商业化落地成本来看，量产上线成熟AI应用时，ASIC的部署与运维成本优势十分突出，国内云厂商扩建自有算力集群的过程中，会更偏向采购ASIC芯片，这条路线的市场渗透率还会持续走高。

从摩根士丹利分析师Charlie Chan在5月8日发布的行业研报显示，机构预测2026年国内AI加速芯片市场份额会出现明显倾斜，预计华为凭借昇腾系列拿下62%的市场占比，寒武纪紧随其后占据14%，百度与阿里依托自研芯片各自瓜分约5%的市场份额，头部ASIC厂商稳稳把持国内绝大部分算力市场。

算力实测数据进一步印证国产ASIC的技术突破，行业以每秒token生成量作为性能评判标准，实测结果显示，华为昇腾950、寒武纪思元690的算力表现，对比英伟达受管制后获准对华售卖的顶配H20芯片高出50%至150%。

国内AI产业的核心诉求是面向亿万普通用户落地各类C端 AI 产品，更高的生成效率可以直接压低云端运行成本，这也是定制ASIC产品快速抢占商用市场的核心原因。

进一步来说，国产芯片想要真正打破英伟达的行业垄断，单纯实现硬件参数赶超远远不够。

。

在此背景下，国内芯片厂商同步开启自研配套软件工作，华为搭配昇腾硬件打造CANN软件栈，摩尔线程围绕自家GPU开发 MUSA 生态，软硬件协同打磨，才能从根源跳出海外生态束缚，稳定支撑DeepSeek、阿里等本土头部大模型落地运行。

站在产业长期发展的角度，ASIC和通用GPU不存在优胜劣汰的竞争关系。企业选择芯片路线，完全由自身业务体量与研发成熟度决定。

具备完善自研团队、AI业务场景固定的大型科技企业，选用ASIC芯片可以收获更高算力性价比。日常业务繁杂，同时兼顾多类型AI开发、渲染、计算混合负载的项目，依旧离不开通用GPU的灵活适配能力。

客观上来说，美国出口管制倒逼了国内AI芯片产业加速自主化进程，短期之内，ASIC产品凭借成本与算力优势占据商用市场主流。

长远来看，通用GPU与ASIC会长期并行发展，分别覆盖不同细分算力需求。

伴随国产软硬件生态持续完善，

。