黄仁勋看走眼了！以为中国几十家芯片会互掐，结果一起攻破生态墙

黄仁勋当年断言，几十家中国芯片公司架构五花八门、各写各的编译器，最后一定会内耗互掐、谁都吃不下这块市场；然而剧本的走向却截然相反。这盘围绕芯片与生态展开的博弈究竟是如何一步步演变的？

中国的半导体产业又走过了怎样一条艰难而清醒的追赶之路？芯片话题近两年已成为热门议题，芯片与AI几乎成为反复讨论的焦点。

人们或许知道英伟达这样的企业，或黄仁勋这样出圈的高管，但对于芯片行业或半导体行业究竟正在发生什么，为何这两年它成为中美之间乃至全球各国科技竞争中的关键，了解仍不够深入。

要解释芯片是什么，其实相当复杂，因为它涵盖的种类实在太多。曾描述过这样一个场景：每天回小区，若开车停到停车场，从驶到门口到最终停好，其间有多个环节都由芯片在发挥作用。

门口的摄像头拍下车牌，将信息传输回后台；后台的计算机通过CPU调度这些信息，并与小区业主已登记的车牌进行比对；

确认为登记车辆后，信号再传输回来，控制升降杆升起放行。整个过程用到了大量芯片，包括计算机中承担调度的大型计算芯片、控制升降杆动作的驱动芯片、存放业主车牌信息的存储芯片，以及负责信息传输的通信芯片。

可以说，现代生活已完全离不开芯片，人们所到之处都需要用到它。

不过，通俗所讲的芯片，在很多人印象中似乎是特别复杂、特别难造的东西。但事实上，如今日常生活中用到的大部分芯片，已经没有那么复杂，一家很小的公司也能造出来。

芯片种类繁多，复杂程度各异，比如CPU与用在遥控器里的芯片，完全不能放在同一个层面上讨论。

在决定推进芯片选题之前，编辑部其实已经准备了好几年。2023年完成锂电池封面报道之后，最早想写的是新能源汽车。彼时业内会将锂电池称为电车的心脏或"电车之心"，视其为最重要的部分。

但除了电池之外，业界当时也开始越来越多地谈到芯片，因为汽车正朝着智能化方向发展，自动驾驶芯片以及其他各类系统芯片被大量应用到车上。

2021年至2022年前后，受疫情影响，上海供应链一度出现问题，同时全球芯片供应链也出现波动，对造车产生了很大影响。

现在汽车上使用的芯片，大大小小加起来可能有上千颗，与以往完全不是一个概念。即使是缺少一些较低端的芯片，对整车的影响也非常大。

整个芯片产业的链条非常复杂，且这些公司多为偏上游企业。芯片最终作为整机——汽车、手机、电脑的一个零部件而存在。因此，在消费者以及媒体的认知当中，这些公司的存在感原本没那么强。

但近几年出现了一个很大的变化，那就是AI的兴起。AI的出现直接催生了全球市值最高的企业英伟达，而这家企业正是一家做芯片的公司。

GPU的火热众所周知，许多人开始买入半导体行业相关股票，各种讨论也随之涌现。其中还涉及中美地缘政治竞争这一维度。各种要素——民族情绪、高技术竞争、地缘政治博弈——聚集到芯片行业上面，值得讨论的层面非常多。

对于普罗大众来说，CPU一词已经相当熟悉，甚至变成日常用语，比如说"我CPU烧了"，几乎不用解释。而GPU则是在AI火起来之后才进入大众视野的。资深的游戏玩家对GPU其实相当熟悉，也就是显卡。

玩3D电子游戏时，往往需要一张性能较好的显卡，画面渲染以及加载速度都会因此更快，游戏体验也会更好。英伟达早年就是一家做游戏显卡的公司。

十几二十年前，它在美国硅谷的大厂中位置并不重要，属于较为边缘化的角色，主要赚取电子游戏市场的钱，当时还面临着许多其他竞争对手。

GPU之所以在AI时代突然变得如此重要，与人工智能领域大模型或者说深度学习这一技术范式的演变有关。最早，辛顿等做深度学习的一批人开始使用英伟达制造的GPU。

众所周知，CPU是PC时代最重要的芯片，相当于电脑的大脑，能够对各种复杂任务进行调度和控制，所以被称为中央处理器——所有输入输出都会经过它调度安排。在CPU与GPU独立的时代，GPU相当于CPU旁边的一个帮手。

当CPU遇到需要渲染图形画面这类任务时，会把任务分配给GPU来处理。二者的设计风格完全不同：GPU最早是为了计算图形而设计的，而图形在计算机框架里其实就是海量的像素点，计算并不复杂。

因此GPU设计有一个核心特点，就是可以并行处理，同时进行大量简单的矩阵运算。在遇到复杂任务时，小学生肯定算不过博士生；但面对大规模、可并行处理的计算，让一百个小学生同时算，运算速度肯定比一个博士生快很多。

而深度学习或者说神经网络架构本质上就是在做大量的矩阵运算：海量数据灌进去，并行处理，最后输出一个结果。

把中间大量的矩阵运算交给GPU，演算速度自然会快很多。当今AI能够爆发，一是靠算法，即辛顿等人研究出的算法架构与具体算法；二是靠算力；三是靠数据。

算力其实早在上世纪80年代就是一个很大的瓶颈。现在使用的很多算法在80年代其实已经出现，但当时没能做出大模型、没能做出好用且威力强大的AI，很重要的一点就是卡在算力上。当时计算机运行速度不够快，即使有大量数据也未必能快速算出结果。

到了2010年至2012年前后，随着游戏工业的发达，GPU性能提升越来越快。英伟达团队当时已经开始尝试将GPU应用于气候模拟、核武器模拟等大规模科学计算领域，这些场景同样需要大量并行计算，GPU能够发挥作用。

英伟达因此开始在这方面进行资源部署，开发了很多工具，让原本用来渲染3D画面的GPU可以直接用于科学计算。做人工智能的一批人发现，用一两张GPU就可以在宿舍里训练出一个小型神经网络，于是开始大量使用GPU。

随着人工智能的发展，业界对GPU以及GPU之上一整套工具生态和工具链的依赖越来越深。

大家开发自己的模型时，都开始使用英伟达的GPU以及为GPU开发的一系列名为CUDA的工具生态。这其实是一个相互成就的过程：因为有了这套工具，人工智能发展越来越快；

人们说这些芯片公司是"卖铲子的人"，所有训练模型的人都必须用到它。芯片已不再是一件简单的商品，更像是当下科技竞争下的一件战略武器，是一种基础性的关键工具。

近些年，围绕光刻机的竞争与关注确实非常聚焦。这也带来一个认知问题：似乎只要拿到光刻机，或自己能造出最先进的光刻机，先进制程被卡脖子的问题就能迎刃而解。

但深入这一领域后，与不同环节、不同工段的工程师交流，发现事情远不止光刻这一个问题。

被卡

脖子的地方其实很多——一些关键材料，全球也就日本或美国的那几家公司能够供应；还有一些检测设备与其他设备，都是别人迭代了非常多年、跟随整个产业与摩尔定律一同成长起来的，形成了极深的护城河，只有他们能做出来。

要从零起步，构建一个自己闭环的生态系统，难度确实非常高。此外，光刻机在封装环节现在也会用到。如今的封装与以往要求大不相同，特别是在制造AI相关芯片时，封装的精密度越来越高，对技术的要求也越来越高，所使用的光刻机的要求也比以往更高。

关于此前听工程师讲述的一个案例：早期英特尔在建设某座芯片工厂时，遇到良率始终有问题的情况——所谓良率，就类似合格率——最后测试发现，一片晶圆上可用的芯片数量偏低，说明整个制造环节存在问题。经过排查发现，问题竟出在选址上：工厂离一处奶牛养殖场太近。

奶牛会放屁，若养殖场规模较大，就会产生大量甲烷等气体。这些气体飘散到晶圆厂附近，加上当时空气净化设备的性能还不够好，最终渗透进厂内，影响了良率。

此后，英特尔以及许多其他晶圆代工企业形成了一条选址标准：不能距离大型养殖基地、畜牧业基地太近，否则会带来诸多麻烦。

听起来颇为夸张，甚至比工程师在晶圆上划痕的溯源更令人震撼。但由于芯片是纳米级产品，纳米级已完全肉眼不可见，一颗气体颗粒物若在晶圆制造的任一环节落到晶圆上，对于芯片上的电路而言就是一个庞然大物，可能造成短路或其他故障，影响电路正常工作，从而导致芯片失效。

中国其实很早就开始自己制造大量低端芯片，华强北做的许多电子设备中也用到了大量芯片。但人们会发现，买到的一些低端山寨产品——山寨手机、山寨耳机或山寨遥控器——没用多久，既没有摔过也未使用不当，就自己失效了。其中很多问题都可能出在芯片上。

当然，也可能与设计相关——电路设计不合理、某些逻辑对不上，运行到某项功能时就突然失效。这类问题相当隐蔽，但最终仍会被消费者感知到。

国产芯片是近两年更受关注的话题。中芯国际2000年在上海张江成立，是中国芯片产业链中最重要的公司之一。

它虽不是国内第一家晶圆代工厂，但属于在大陆做得最成功的一家，也是国内目前唯一有能力追赶先进制程的公司。外界推测，虽然它没有EUV光刻机，但通过上一代光刻机技术以及其他配套手段，已能生产7纳米产品。

7纳米在芯片领域已算相当先进的工艺，可以承接许多现在的AI芯片以及高端旗舰手机芯片。它相当于是中国大陆在摩尔定律这条技术路径上唯一的独苗——虽然与国际先进水平仍存在一定差距，但至少有这样一家企业在追赶。

国产芯片近两年最火的还是一批做AI芯片的公司，从寒武纪到如今的"GPU四小龙"，都在资本市场排队上市；已上市的股价很高，关注度也很高。

这源于AI对算力的巨大需求，加之地缘政治竞争因素，英伟达、AMD的高端芯片无法进口，为国产替代创造了巨大空间。

当下的产业叙事就是：国内公司要做出国产AI芯片，以满足国内算力基础设施扩张的需求。因此出现了一批创业公司，且这些公司出现的时间节点存在共性。较早的一批多源自科研院所，例如寒武纪源自中科院计算所体系下的龙芯团队；

上海也有几家公司同样成立较早，最初并非瞄准人工智能，而是做与机器学习相关的芯片。2015年前后，就有几家公司陆续成立。此后如今做国产GPU的几家新创业公司，则基本成立于2018年至2020年间，恰逢中美科技脱钩起步阶段。

这批工程师中，许多都曾在国外大厂做到较为资深的位置，例如首席架构师，经历过完整的大芯片研发流程，对这门"手艺"已相当熟悉，也做出过几款芯片。

他们意识到中美竞争态势下未来可能出现技术脱钩，国内开始产生国产化需求，加之在国外职业生涯也会遇到天花板，因此大量资深工程师回国创业。

彼时无论是国家资本还是风险资本都看到了这一趋势，形成共识——尤其在美国制裁华为之后，业界意识到我们在芯片领域与国外存在巨大鸿沟，必须拥有一批自主技术与产品，于是资本愿意投入。

资金到位、人才到位，事情便得以推进，一批公司应运而生，短短几年内便推出了自己的产品。

设计一款芯片本是相当复杂的事情，但正因为有这样一批受过完整训练的精英工程师，能够带出一个完整的创业团队，才使事情迅速落地。如今AI芯片领域仍处于追赶状态。国外对中国的管制并不仅限于芯片进口。

此前国内厂商在部分AI用途的芯片设计上尚有不足，但经过多年发展，国内设计厂商的能力已经起来，人才储备也已较为充分，能设计出较好的芯片；但未必能用最先进的工艺将其制造出来，因为台积电、三星对国内厂商代工存在限制。

因此国内必须在自身产业链上形成自主闭环。

而这一闭环起初运转必然不够顺畅——想用最先进的工艺可能行不通，但可以用7纳米制造，只是良率没那么高，成本更高。这也引出中美AI竞争的格局特征：美国有芯片，但电力短缺；中国芯片相对落后，但电力充裕。

芯片本质上是把能源——主要是电力——转化为算力的载体，芯片越好，转化效率越高；芯片较差，转化效率相对较低，就需要消耗更多电力。

而中国近年投入了大量电力基础设施建设，因此算力不够就用电力来补，是一种典型的竞争格局：双方各有所长，各有所短。

整体而言，AI芯片仍在往前追赶。AI芯片不仅是硬件。全世界的AI开发者依赖英伟达，除了其GPU性能出色、好用之外，很重要的原因在于其生态系统——一整套的CUDA体系。这也是当下国产AI芯片与美国企业之间更大的鸿沟。

国外企业起步较早，与辛顿等人一同成长，深知AI开发者的最迫切需求，也对未来技术演进有深刻洞察。而国产GPU之上的生态工具链尚不成熟。大模型公司即便采购了国产AI芯片，硬件性能或许够用，但在做开发、训模型或推理时，工具往往不如国外的好用。

不过近期一些国产大模型也已开始在完全国产的算力基础框架之上进行迭代与开发。这一切需要时间，但生态已经开始转动，未来会有新的东西涌现。关于封装环节。此前很多观点认为，封装可能是国产芯片最有可能实现追赶、具备相对优势的一环。

在先进封装被广泛讨论之前，这一方向本就是芯片行业普遍看好的方向。首先，在封装环节，中国与国外的差距是三大环节中最小的。这与国内封装企业的发展历史有关：在地缘政治竞争尚不激烈的前些年，国内许多封装企业已在走向海外。

总的来说，这是一个工程问题。中国的工程师群体庞大，应用生态与市场规模也很大，都是有利条件。但必须有长期投入、有足够耐心，一点一点地推进。芯片有一个特殊之处：越到尖端环节，越考验硬功夫。

顺着这条追赶路径向外看，一年前DeepSeek把全球AI格局搅得天翻地覆，谁都以为那已是中国这一轮最猛的一波，没想到剧本还要再演一遍——只是这一次，冲击的主角从AI模型换成了AI硬件本身。华盛顿原本不想让中国上桌，结果桌子被人家自己搭起来了。

中国在全球AI竞赛里一直背着一个大包袱——拿不到最先进的AI芯片，美国出口管制一层加一层，DeepSeek这样的实验室要么绕过去，要么就只能推迟，目前这一版本很可能比理想情况晚了约六个月。

据业内透露，2026年将出现一波中国芯片IPO潮，市场上已给其中四家起了个名字——"四小龙"，任务只有一个：把国内硬件做大，把对美国的依赖打下去。