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。公司成立时间核心路线代表产品方向差异化标签天数智芯2018年通用GPGPU架构训练与推理双线布局天垓系列训练产品、智铠系列推理产品务实派强调通用性和可迁移性摩尔线程2020年全功能GPU图形、计算、AI一体的统一架构MUSA架构下的消费级显卡与计算卡唯一同时打消费市场与计算市场的公司沐曦2020年高性能加速计算面向大算力场景曦云训练产品、曦思推理产品创始团队深厚AMD背景架构设计偏激进壁仞科技2019年大芯片高算力路线冲击旗舰级性能BR系列高密度计算产品性能指标驱动敢于挑战大芯片工程极限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。
