“算力够不够”几乎是中国AI产业最普遍的焦虑。高端算力卡供应紧张、算力集群扩容受限、训练计划反复推迟，一度成为行业常态。但在靠近制造与交付的一端，变化正在发生，市场讨论的焦点开始从“还能不能买到算力”，转向“算力是否值得长期投入，以及新增算力能否被真实业务持续消化”。
外部环境并未出现根本性变化，全球AI竞赛仍在加速推进，但国内算力市场的判断正在发生偏移。随着国产AI芯片进入集中交付阶段，自给率持续抬升。伯恩斯坦在其关于中国AI芯片供需的研究中测算，国产化率有望从2023年的约17%提升至2027年的约55%，并指出在部分阶段，供给增长速度可能快于需求释放，从而对价格体系形成压力。
当算力供给不再被视为随时可能中断的稀缺资源，行业开始重新审视算力的使用效率、长期成本以及真实需求，中国AI芯片产业也由此进入新的竞争阶段。
回到2020-2022年，彼时中国AI芯片自给率偏低并不意外。在一个高度全球化、以效率为导向的算力体系中，海外GPU几乎是唯一真正实现大规模工业化交付的标准产品。对头部互联网公司而言，采购芯片并不是简单购买硬件，而是引入一整套已经被反复验证的工程体系，包括软件生态、工具链、社区支持以及成熟的调优方法论。因此，低自给率并不完全等同于“国产芯片不可用”，更多反映的是在当时条件下，切换底层方案所面临的成本与风险并不对称。
这也解释了一个常被忽略的事实，低自给率未必意味着做不出来，更多时候意味着切换不划算。大模型训练的成本结构，决定了这种选择背后存在显著风险，一旦训练失败，付出的代价往往远高于芯片采购本身。对于高度并行的训练任务而言，性能差距并非线性惩罚，而是会通过集群规模、通信开销和工程调度被持续放大，最终转化为成倍上升的时间和成本。
从头部云厂商的产品布局中，也可以看到这一阶段的行业选择。2021年，阿里云上线面向AI训练和高性能计算场景的gn7系列云服务器，其核心配置采用英伟达A100 GPU；2022年5月，腾讯云发布新一代计算集群GT4，同样以A100 GPU 作为主要算力配置，面向大规模AI训练等高算力需求场景。这类产品主要服务于对性能和稳定性要求最为严苛的模型训练任务，也在一定程度上反映出，在当时的大模型训练阶段，公有云对外提供的高端算力服务，整体仍主要依赖海外GPU及其成熟的软件生态体系。
从反面也能印证这一点。英伟达在出口管制前曾披露，来自中国及其他随后被纳入许可范围地区的相关产品，在过去几个季度中贡献了其数据中心业务收入的约20%-25%。这意味着，当时中国市场对海外GPU的依赖，并非边缘现象，而是深度嵌入全球算力供应体系的一部分。
真正推动国产AI芯片自给率变化的，并不是哪一家厂商在性能上突然追平了海外产品，而是算力需求本身出现了结构性变化。
过去几年，中国最集中的算力消耗几乎全部指向大模型训练。这类需求对单卡性能、软件生态和系统稳定性的要求极高，也最不适合在底层架构上频繁切换。即使国产芯片已经具备一定可用性，在这一阶段，也很难成为主力选择。
随着AI应用从集中训练走向规模化部署，算力需求开始向推理端和行业应用扩散。无论是搜索、推荐，还是政企与行业场景，推理算力的消耗更加分散，也更贴近真实业务运行。这类场景对极限性能的敏感度相对较低，更看重单位成本、部署密度、系统稳定性以及长期运行能力。
全国政协委员、飞腾信息技术有限公司副总经理郭御风举例指出，西方发达国家往往通过不断堆叠算力来提升大模型性能，而以DeepSeek 为代表的国内团队，则通过协同优化和系统潜力挖掘，在更小的算力规模下实现了相近效果。这意味着，即便在算力芯片仍存在差距的情况下，中国仍可以通过协同创新降低对算力规模的依赖，推动人工智能持续发展。
中国信息通信研究院院长余晓晖在公开场合表示，随着人工智能应用从集中训练走向规模化部署，推理算力正逐步成为拉动算力增长的重要力量。在这一过程中，对算力稳定性、成本和可持续供给的要求上升，也为国产算力进入更多应用场景创造了现实条件。
从整体规模看，算力需求并未降温。按照公开测算口径，以FP16智能加速卡性能计，中国智能算力在2024年已达到725 EFLOPS，同比增长超过七成，并预计在未来几年仍将保持较快增长。中国信通院等机构的测算也显示，在新增算力中，推理侧和行业应用相关算力的占比提升速度，已明显快于高端训练场景。
外部环境的变化，进一步放大了这一趋势。出口限制并未直接压缩算力需求，却为海外方案增加了不确定性。短期补充算力或许还能应付，但对需要做中长期规划的企业而言，很难再将核心算力路线完全押在一个存在变数的供应体系上。于是，在采购决策中，一个新的考量逐渐被放大，算力能否持续供给，而不仅仅是性能是否领先。
也正是在这一背景下，自给率的“分母”开始发生变化。过去决定自给率高低的，主要是那一小部分最难替代的训练需求；而现在，更多算力消耗来自行业应用、推理部署以及算力基础设施建设。当这些需求逐步成为算力增长的主要来源，自给率自然会上行，即便在高端训练领域仍然存在缺口。
如果只从单个企业的采购决策来看，国产AI芯片的出货情况并不乐观。多数客户在切换上仍保持谨慎，落地节奏不快，核心训练任务依然主要由少数成熟方案承担。
但近一两年，变化的关键不在于单个企业是否“愿意切换”，而在于国产芯片被纳入了更大的算力体系之中。需求结构的变化，让国产芯片有机会进入更多应用场景，而以算力池为代表的集中部署，则解决了这些算力如何被持续、大规模使用的问题。
早期国产芯片往往围绕具体项目单独配置，一旦项目调整，算力就可能被闲置；而现在，越来越多的国产算力被统一纳入算力池，由平台集中调度，上层业务更关注算力服务是否稳定可用，而不再频繁放大底层芯片差异。
在这一过程中，底层互联标准和生态开放程度，成为算力体系能否顺利扩展的重要因素。以华为为例，其近期宣布开放“灵衢”互联协议技术规范，允许上下游企业基于该协议研发光模块、交换机、服务器等配套产品，逐步形成“超节点硬件+ 软件工具链 + 行业解决方案”的完整产业链。业内人士认为，这种开放共建的模式，一方面可以避免重复研发和资源浪费，另一方面也有助于吸引芯片设计、算法优化和行业应用等领域的合作伙伴参与，推动国产算力生态在体系层面逐步完善。
政策导向和大型项目的组织方式，进一步加快了这一进程。对不少算力基础设施而言，优先采用国产方案，已不仅是成本或性能层面的权衡，而是与项目合规要求、长期供给稳定性以及运维可控性直接相关。算力基础设施一旦建成，往往需要长期稳定运行，底层方案在规划阶段就已基本确定。
这也解释了为什么，供给端的变化往往会先于需求端的直观感受显现。算力基础设施一旦投运，就需要持续填充并保持运行，国产芯片正是在这一过程中被不断使用和消化，自给率也逐步脱离单一市场博弈，更多与算力体系本身的扩张节奏绑定。
需要指出的是，这并不意味着供给已经全面过剩。高端训练算力仍然存在短板，不同芯片之间在性能和生态上的差异依然明显。更准确地说，这一变化标志着产业正在进入新的阶段，算力供给不再完全依赖即时市场出清，而是通过算力体系的运行被持续吸收。
随着国产AI芯片逐步被算力体系吸收，自给率持续抬升，产业关注的重点也在发生变化。最先变化的，并非技术短板是否消失，而是市场对算力紧张的预期正在减弱。一旦算力不再被视为随时可能断供的资源，企业在采购和部署时，关注点自然从“能不能拿到”，转向“值不值得长期用、能不能稳定跑”。
在当前环境下，算力采购正逐渐呈现出长期投入的特征，需要反复测算整体成本和使用效率，选择权也在回到需求侧。
竞争压力最先显现的，是推理芯片、定制化加速卡以及面向政企和行业应用的算力产品。这些领域对极限性能的依赖相对较低，多家厂商已能满足基本需求，产品差异逐渐收敛。客户在比较方案时，也不再只关注算力参数，而是更多考量价格、交付能力、运维支持以及长期运行成本。
供给趋于充裕，也加速了产业内部的分化。一些厂商发现，产品虽然能够出货，但毛利水平难以支撑持续投入；另一些厂商则因客户结构过于集中，只要关键项目推进放缓，出货节奏便会受到明显影响。
更深层次的变化在于，竞争的核心正在从单一产品转向整体能力。在算力紧缺阶段，市场对生态不完善、工具链不成熟的方案往往保持较高容忍度，只要芯片能够交付即可；而当算力供给趋于稳定后，开发效率、框架适配、迁移成本、调优支持、分布式兼容性以及长期维护能力，都会重新成为客户评估的重要因素。
海光信息副总裁吴宗友表示，在国产化快速推进的过程中，芯片种类的快速增加反而给用户带来了新的负担，每一种芯片都需要单独适配、优化和维护，性能并不能直接转化为用户的实际收益。
雷神科技董事长路凯林也提到，国产AI工作栈发展的瓶颈之一在于生态资源的丰富度。相比英伟达多年积累的生态体系，国产算力在硬件与软件的无缝衔接上仍存在差距。“生态的打通和生态的丰富度，是制约快速发展的重要因素，但好在这一问题正在加快突破。”
当算力供给趋于稳定后，单点性能的重要性会相对下降，系统级效率、整体拥有成本以及长期运维能力，才是决定算力价值的关键因素。这一变化，正在推动算力竞争从“拼参数”转向“拼体系”。芯片本身依然凯云官网重要，但已经不再是唯一决定因素，竞争逐渐演变为不同算力体系之间的较量。
需要看到的是，自给率提升并不意味着各个层级的供给都已充分，高端训练算力、先进封装及部分关键配套环节仍然紧张，当前出现的更像是一种结构性的供给变化而非全面宽松。也正因如此，供给反转并未让竞争变得轻松，竞争的重心正从性能指标和交付能力，转向体系效率、整体拥有成本（TCO）、长期运行稳定性以及生态持续演进能力，中国AI芯片产业也由此从“保供优先”逐步转向“效率优先”。
供给反转不是终点，而是产业秩序重新调整的起点，在算力不再由稀缺性单独主导之后，真正决定行业走向的，将是谁能在长期运行中，把算力用好、把成本算清、把体系跑稳。
