国产GPU四小龙集结港股，AI算力格局迎来分水岭

开盘那天我盯了一会儿盘口。天数智芯在港交所挂牌，市值冲过400亿港元的位置，这个数字放在两年前大概是很难想象的。更值得注意的是，随着这家公司完成资本化，曾经只在融资新闻里出现的“国产GPU四小龙”——天数智芯、摩尔线程、沐曦、壁仞科技——算是全员先后跨入了公开市场。这是一个行业从一级市场走向二级市场的关键信号，也是从“故事”走向“账本”的分水岭。

这篇东西不打算写成新闻通稿式的复述。我更想从产业视角把这件事实拆开：四家公司的技术路线到底有什么差别？资本市场为什么愿意给它们这么高的估值？上市之后真正的考验在哪里？对于正在做技术选型或者关注国产算力的从业者，这个事件又意味着什么？

1. 上市首秀：400亿市值是怎么撑起来的

1.1 从一级市场到二级市场的角色转换

天数智芯的上市，首先要放在一个大背景下来看：今年是国产AI算力公司的集中IPO窗口。它不是第一家递交招股书的，但确实是市场关注度极高的一家。原因也不复杂，通用GPU或者说GPGPU这条赛道，长期以来几乎是英伟达一家独大，国产厂商能走到挂牌这一步，本身就说明产品有了可验证的量产和交付，而不只是停留在流片成功的PPT阶段。

上市当天的盘面表现其实很有意思。开盘之后股价快速走强，成交活跃，说明首发阶段就有相当规模的真金白银在进场。公开发售部分获得超额认购，这个信息比所谓的“网红概念”更能说明问题——机构投资者和散户都在用脚投票。市值超过400亿港元，对应的估值水平放在半导体公司里不算夸张，但也绝对不便宜。

这里有个容易被忽略的细节：对于一家尚未实现大规模盈利的GPU公司，二级市场给出的定价逻辑是一级市场投资人、基石投资者、散户三方博弈后的结果。它给出的不仅仅是对现有产品的定价，更是对未来三到五年国产算力替代空间的一个预期。所以你会看到，越是靠近AI算力核心环节的公司，估值弹性越是不按传统PE模型走，而是按PS（市销率）甚至按技术节点估值在走。

1.2 招股书里真正值得读的三组数据

不看股价，看招股书，我关注的是三组数据。

第一组是收入结构。天数智芯的产品以训练和推理卡为主，早期收入中有很大比例来自智算中心和行业客户。这类订单的特点是金额大、交付周期长、客户集中度高，好处是上手快，风险是商业化结构容易失衡。如果看它最近几年的收入增速，你会发现增长曲线是相当陡峭的，这既是好事，也意味着基数的可预测性没有传统芯片公司那么强。

第二组是研发投入占比。GPU公司本质上是被研发费用推着走的企业，持续的高研发投入是必要条件。天数智芯走的是自主架构路线，围绕通用计算核心做训练、推理产品矩阵，这类架构的维护成本很高，因为你需要持续迭代编译器、驱动、算子库、性能分析工具这一整套软件栈。研发占比高不是缺点，反而是这个行业生存的底线。

第三组是毛利率。芯片设计公司的毛利率天然偏高，但国产GPU的毛利率会受到产品成熟度的严重制约。早期产品如果良率不够理想、软件适配成本又高，综合毛利往往比成熟大厂难看不少。所以每次有国产GPU公司披露毛利数据，我更在意的是趋势，去年比前年高多少，同代产品迭代后有没有明显改善——这才是估值故事能否持续的关键。

提示：看GPU公司的IPO，别只盯着“市值超400亿”这种数字。要拆开看收入健康度、研发强度、毛利变化趋势这三件事。任何一项存在明显短板，高估值都会在后续财报中被修复。

2. “四小龙”集结：技术路线从来没有统一答案

2.1 四家公司的一次横向对比

“四小龙”这个说法之所以流行，是因为这四家公司在定位上刚好形成了互补而非完全同质化的竞争。我整理了一张对比表，方便你直观感受各家路线的差异。

2.2 天数智芯：为“兼容”和“迁移”做了最多准备

如果你是做AI平台开发的，可能更关心一个实际问题：国产GPU拿到手之后，代码能不能很快跑起来？天数智芯给我的印象是在这里花了很大力气。它从通用计算架构出发，在指令集和软件栈层面做了大量向下兼容的工作，开发者把基于CUDA写的代码迁移到天数平台上，改动量相对可控。对于很多智算中心来说，这一点比峰值算力数字更重要，因为迁移成本常常是隐性的大头。

当然，方向对了不代表已经走完。兼容层就是一层缓冲垫，它能帮你起步，但性能能不能磨出来，还得看运营商和基础库的深度优化。真正常用的模型算子，比如Transformer里的各种矩阵运算，有没有高效实现，是每个做GPU公司都躲不开的硬活。

2.3 摩尔线程与沐曦：路径的二与三

摩尔线程是四家里面最特殊的一个。创始人张建中之前在英伟达做了多年中国区负责人，所以它对“全功能GPU”的理解偏消费与图形。它的产品线里既有面向游戏玩家的显卡，也有面向数据中心的计算卡。双线作战的好处是品牌认知度高，坏处是资源会被摊薄。不过在资本市场上，消费级业务提供了一个极具吸引力的故事：和英伟达最像，这是投资人很容易看懂也愿意买单的叙事。

沐曦则更纯粹一些。创始团队来自AMD高性能计算部门，做加速计算实打实是科班出身。它的产品线从训练到推理都有覆盖，并且非常重视生成式AI催生出来的大算力需求。有意思的是，沐曦大概率不会去做消费级显卡，而是死磕智算中心和企业级市场。这相当于主动把图形GPU市场让给了摩尔线程，专注把通用计算这件事做成最优解。

壁仞科技走的是另外一条险路：做大芯片，把单一芯片的算力天花板尽量往上推。大芯片的工程挑战不用多说，能流片成功、能稳定量产、能控制良率，都是地狱难度。但一旦做成了，在高密度AI训练场景下的单位算力成本会非常有竞争力。壁垒来自工程能力，而不是单纯架构理念。

2.4 为什么路线不同反而是一件好事

我经常被问到：四家公司谁最像英伟达？答案是都不像，但都在向英伟达证明过的两个核心能力靠拢：硬件性能与软件生态的结合、产品代际的可持续迭代。四家路线不同，对行业整体是加分的。

想象一下国产GPU只有一种技术路线，那么这个赛道就变成零和博弈，大家一起挤同一个性能指标，最后拼的只剩价格。但现在的格局是：有人在拼消费级体验，有人在拼大芯片工程极限，有人在拼迁移友好度，有人在拼AI训练集群效率。多条路线并行，意味着下游客户可以按场景选供应商，生态的多样性反而更容易起来。

另一个不能忽视的变数是时间窗口。AI算力的需求增长太快了，单一供应商很难在短时间内吃掉全部增量市场。这时候市场上多一些可选择的中高端算力来源，对供需两侧都是缓解压力的机会。

3. 资本狂热背后的三个支撑逻辑

3.1 18C规则与港股路径选择

先说一个很多人没弄明白的背景：为什么这批GPU公司清一色往港交所跑，而不是憋在A股？这跟港交所2023年落地的18C特专科技公司上市规则直接相关。这个通道专门为“未商业化”或“未盈利”的特专科技企业打开，涵盖新一代信息技术、先进硬件等领域，对收入门槛的要求相对灵活，允许企业使用市值作为核心指标。

对GPU公司来说，这条规则像是量身定做的。它们处在高研发投入阶段，按照传统上市标准很难满足连续盈利要求，但市场愿意按远期空间给它们定价。港股国际化程度高，美元和港币资金池充足，对芯片这种需要长期资本陪伴的行业更加友好。说白了，这是一个“你还没赚钱，但市场愿意相信你未来能赚钱”的游戏规则，GPU公司恰好是这个规则的理想角色。

3.2 估值锚点：稀缺性溢价与AI算力乘数

400亿港元市值高不高？要从估值锚点来看。先看稀缺性，A股和港股市场上真正拥有自研GPGPU架构、而且已经实现规模交付的公司屈指可数。物以稀为贵，这是估值的第一层溢价。

再看AI算力的产业乘数效应。生成式AI带来的训练和推理需求几乎是爆发式的，大模型厂商、智算中心、行业云平台都在抢算力，而高端GPU供给始终偏紧。在这种供需失衡的局面下，市场愿意给“潜在的国产算力替代方案”很高的容忍度。

但这里我要泼一盆冷水：稀缺性溢价的持续时间是有极限的。如果产品交付量跟不上叙事，如果客户名单始终停留在项目制订单而非复购型收入，估值的支撑就会变成空中楼阁。二级市场只愿意为“被验证的故事”付费。

3.3 从信创驱动到市场化算力需求

早几年，国产CPU和GPU公司的收入很多来自特定行业需求驱动，订单确定性高，但天花板有限。现在的变化在于，AI算力需求已经从特定行业扩散到了互联网、金融、运营商、教育、制造等几乎每一个数字化转型的角落。

这是一个关键转折。当国产GPU的采购理由从“必须用”变成“真的好用且划算”时，商业模式的根基就开始变化了。智算中心在采购时会同时盯着三件事：算力密度、单位成本、能耗指标。任何一个GPU公司如果能在性价比和能效比上跟上国际竞品，就算不依赖任何政策护城河，也能拿到大量市场化订单。资本市场看重的正是这个转变。

4. 上市只是入场券：眼前还有四场硬仗

4.1 第一场硬仗：软件生态——“慢功夫”的复利

GPU行业有一句老话：硬件决定上限，软件决定下限。一颗GPU芯片算力再高，如果编译器不行、算子库稀碎、调试工具难用，开发者的体感就是“零”。生态建设的难度远比造芯片迭代一代更大，因为它需要长期持续投入，而且不太可能在一年内靠堆钱解决。

国产GPU目前普遍的做法是先做兼容层，让你现有代码能跑起来，再做算子迁移和性能调优。这个过程的坑我见过太多：一个模型在英伟达卡上跑得好好的，切到国产卡上，刚开始是CUDA报错，改完兼容问题之后是显存管理不太对，调完显存又发现某些算子在国产平台上性能掉一半。每一步都需要GPU厂商的工程师和用户一起去磨。这也是为什么我一直觉得，看一家GPU公司的潜力，要去看它有多少人在写算子库，有多少人在维护开源社区的反馈，而不是只盯着发布会上的峰值指标。

4.2 第二场硬仗：能效比与TCO——让客户算得清账

在算力采购里，峰值FP16算力只是一个参数，真正决定客户掏不掏钱的往往是TCO（总拥有成本）：服务器采购价、机柜功率、散热成本、电力消耗、运维复杂度，全部加在一起，折算到每TFLOPS的成本。国产GPU现阶段最大的短板不是绝对性能，而是能效比——同等性能下的功耗偏高，导致部署密度受限。

尤其是现在大部分智算中心对PUE（电能利用效率）有硬性要求，高功耗意味着你不仅要多付电费，还可能根本批不下机柜容量。所以你会看到，国产GPU厂商在最近几代产品的迭代中，都在拼命提升能效表现，比如更先进的制程工艺、更精细的功耗管理、更成熟的内存子系统。这条路没有捷径，只能靠设计能力一点一点抠。

4.3 第三场硬仗：供应链与制造——产能就是交付力

GPU是先进制程的“重度用户”，一颗大芯片动辄数百平方毫米的Die面积，对先进工艺产能、HBM高带宽内存、先进封装产能都是刚需。任何一环吃紧，都会直接影响出货节奏。做芯片的人都知道，能设计出来不代表能造出来，能造出来不代表能交付。对于已经上市的公司来说，每一张显卡、每一块加速卡出厂销项，都会记在财报上，供应链能力直接决定报表数字。

这也是头部GPU公司都在强调“设计架构自主”“把控制造链路上的关键节点”的原因。完全脱离全球供应链不现实，但至少要保证产品代际迭代时，不至于因为单一环节受困而断供。供应链管理从幕后走向台前，是每一家半导体公司上市后的必修课。

4.4 第四场硬仗：商业化——从项目制走向订阅式复购

目前国产GPU的收入模型偏“大单制”：一单项目下来几百片卡，收入一下子冲高；下一季度如果没新项目，收入就可能空窗。这种波动性在二级市场眼里是减分项。健康的商业模式应该是同时具备两类收入：一类是大项目的大订单，另一类是长期运营带来的持续性收入，比如云服务商把GPU以租用形式输出给开发者的增量收益。

接下来两三年，谁能把客户从“一次性采购”变成“持续扩容”，谁就能在资本市场拿到更高的估值容忍度。单纯靠堆项目、堆资源换来的收入，迟早会在竞争加剧后出现滞涨。

5. 从业者视角：上市这件事和你有直接关系

5.1 对开发者：生态选择多了，但试错成本还在

很多开发者问我，现在有必要切到国产GPU上做开发吗？我的建议是：如果你只是个人学习，蹭国产卡来跑PyTorch、微调模型，意义不大，因为生态体验确实还和英伟达的CUDA存在差距。但如果你所在的公司或机构本身就是国产算力平台的用户，那情况就不一样了——把核心算子、常见模型结构在国产卡上提前验证一遍，会显著降低未来的迁移风险。

随着四小龙上市，拿到资本市场资金后会加速软件栈的迭代，这是利好。未来两三年大概率会出现一个分水岭：部分国产GPU平台的可迁移性和算子覆盖度会逼近CUDA的常用子集，届时开发门槛会进一步降低。这个机会窗口值得从业者提前布局。

5.2 对采购方：把“试用装”变成决策依据

如果你是智算中心、企业IT或者科研单位的采购负责人，我的建议很直接：别光看发布会，也别只读厂商白皮书。找四小龙分别要测试机，把你们的核心负载跑一遍，包括训练脚本、推理服务、容器化部署、Kubernetes调度，甚至包括多卡互联的通信瓶颈测试。选型报告里真正的干货是这些实测数据，而不是标称算力。

尤其要注意GPU驱动开发和推理引擎适配这类细节。驱动稳定性决定了生产环境敢不敢长期运行，推理引擎的兼容性决定了应用落地要改多少代码。这些不是靠销售PPT能说清的，必须用测试机跑出来。

5.3 对同行和投资人：警惕“上市即巅峰”的陷阱

资本市场从来是锦上添花，不是雪中送炭。上市带来的融资红利，如果没法迅速转化为产品迭代和生态扩圈，那市值就有回落压力。美股和港股历史上都不乏“芯片明星股过山车”的案例。我更愿意把这次上市理解为行业“成人礼”——到了用财报、用客户复购率、用开发者后台数据说话的时候了。

注意：有一个很容易被忽略的指标——客户复购率。GPU这种产品，真正的拐点不是“卖给过多少客户”，而是“多少客户续购了第二代和第三代产品”。只有复购，才说明芯片的软件生态和可靠性真正站住了脚。

5.4 人才市场：上市会放大抢人效应

四家GPU公司全部进入公开市场后，对人才的虹吸效应会明显加强。芯片设计、底层软件、编译器、算子开发、驱动开发这些岗位的薪酬体系将被进一步抬高。对整个行业来说，这是好事；对具体公司来说，则是更大的成本压力。

同时，上市也意味着部分早期员工手里的期权兑现，人才流动会加速。这会导致一个短期的乱象：互相挖人的情况更严重，项目进度受影响。但从长期看，有经验的人才在行业里流动，会整体抬高国产GPU的软件和硬件水平。这是市场化的必然逻辑。

6. 最后说点个人体会

国产GPU四小龙齐聚资本市场，确实是一个值得纪念的节点。但如果把时间拉长，今天只是万里长征第一步。我接触过不少在国产GPU平台上做适配的工程师，他们普遍的心态是：骂归骂，但还是愿意给机会。这种“边骂边改”的韧性，恰恰是生态成长的真实状态。

如果让我给这四家公司提一个共同建议，那就是把软件和服务的优先级再往前挪一挪。一颗芯片的寿命就三年，但一套好用的软件栈可以陪伴客户十年。真正决定国产GPU能走多远的，不是流片成功时的高光时刻，而是三年后还有多少客户愿意为下一代产品下单。作为从业者，我会继续一边观望产品的实际表现，一边希望这个赛道里的每一家公司都能活下来、活得好——毕竟，只有竞争充分的市场，下游用户才能真正享受到算力自由的红利。