一、核心摘要
8 月 12 日，寒武紀召開 2026 年半年度業績說明會。董事長、總經理陳天石表示，在大模型技術加速革新的背景下，智能計算需求持續攀升，公司將持續聚焦 AI 芯片設計，提升核心競爭力，積極拓展市場份額。
這份表態的底氣來自一份 "炸裂" 的半年報。2026 年上半年，寒武紀實現營收 59.96 億元，同比增長 108.13%;歸母凈利潤 23.11 億元，同比增長 122.61%;扣非凈利潤 21.66 億元，同比增長 137.30%。營收和凈利潤雙雙翻倍，毛利率維持在 55% 以上，這是寒武紀上市以來最亮眼的業績。
AI 芯片行業正處于歷史性的超級周期。英偉達最新財季營收 816 億美元，同比增長 85%，數據中心業務收入 752 億美元。高盛預測 2026 年全球 AI 相關投資達 1 萬億美元，Omdia 將 2026 年全球半導體市場增速上調至 94.1%。算力需求的爆發正在重塑整個半導體產業的格局。
中國市場正在經歷深刻的國產替代。TrendForce 預測，2026 年中國高端 AI 芯片市場國產份額將達到 90%，英偉達和 AMD 合計降至 10%。華為昇騰、寒武紀、百度昆侖芯等國產芯片正在快速填補缺口，2026 年國產 AI 芯片出貨量預計達 500 萬片。
二、從寒武紀業績說明會看行業信號
據中研普華產業研究院的《2026年全球人工智能芯片行業市場規模、領先企業國內外市場份額及排名》分析
2.1 半年營收翻倍背后的算力需求爆發
寒武紀上半年 59.96 億元的營收，已經接近 2025 年全年 64.97 億元的水平。同比 108% 的增速，在半導體行業整體低迷的大背景下格外醒目。更關鍵的是盈利能力 —— 歸母凈利潤 23.11 億元，凈利率 38.54%，這說明寒武紀已經從 "燒錢研發" 階段進入了 "規模盈利" 階段。
增長的驅動力很明確：AI 算力需求爆發。寒武紀在財報中表示，上半年加強了與金融、互聯網領域頭部企業的深度合作，以規模化應用拉動市場拓展。大模型訓練和推理對算力的饑渴，直接轉化為 AI 芯片廠商的訂單。
寒武紀不是個例。英偉達數據中心業務同比增長 92%，AMD 數據中心業務高速增長，國內海光信息、華為昇騰的 AI 芯片業務也在快速放量。整個行業都在享受 AI 算力需求爆發的紅利，寒武紀的翻倍增長是行業大趨勢的縮影。
2.2 Q2 增速放緩：交付瓶頸還是需求拐點?
但拆分單季度看，有一個值得關注的信號。寒武紀 Q1 營收 28.85 億元，同比增長 159.56%;Q2 營收約 31.11 億元，環比僅增長約 7.8%。環比增速從 Q1 的 52.65% 驟降至個位數，引發了市場對 "算力需求是否見頂" 的擔憂。
在 8 月 12 日的業績說明會上，多名投資者追問 Q2 增速放緩是否因為硬件交付延遲，陳天石未予正面回應，只是強調 "智能計算需求持續攀升"。這種回避本身也說明問題的敏感性 —— 如果是交付瓶頸，下半年產能釋放后增速會回升;如果是需求拐點，那影響就大了。
全年 135 億元的營收目標，上半年只完成了 44.4%。這意味著下半年需要實現 75 億元營收，環比增長約 25%。能否完成目標，取決于產能交付、客戶訂單落地和市場需求的持續性。Q2 的放緩是暫時的還是趨勢性的，需要下半年的數據驗證。
三、市場全景：AI 驅動的半導體超級周期
3.1 全球 AI 芯片市場：萬億級賽道正在形成
AI 芯片是當前全球半導體行業增長最快的賽道，沒有之一。英偉達最新財季單季營收 816 億美元，其中數據中心業務 752 億美元，同比增長 92%。一家公司一個季度的 AI 相關收入，就超過了很多國家全年的半導體產值。
市場空間的預測不斷被上修。AMD CEO 蘇姿豐預計，到 2030 年全球數據中心市場規模將增長至 1 萬億美元，年均增長率 40%。高盛預測 2026 年全球 AI 相關投資達 1 萬億美元(美國 5810 億美元)，2027 年進一步增至 1.2 萬億美元。黃仁勛在 GTC 2026 上更是直言，到 2027 年 AI 工廠將看到至少 1 萬億美元的營收。
Omdia 將 2026 年全球半導體市場營收增長預測上調至同比增長 94.1%，主要驅動力就是 AI 需求持續超過全球供應能力。HBM、先進封裝、先進制程產能等關鍵環節的瓶頸，短期內難以緩解，供需失衡會持續推高行業景氣度。
3.2 中國市場：國產替代加速，90% 份額的變局
中國市場是全球 AI 芯片格局中變化最劇烈的變量。TrendForce 最新報告預測，受美國芯片出口限制和中國本土芯片產能擴張雙重影響，2026 年 AMD 和英偉達在中國高端 AI 芯片的市場份額將降至 10%，國產芯片占據 90%。
這個 90% 的構成包括：華為昇騰、寒武紀等通用 AI 芯片，以及百度昆侖芯、阿里平頭哥、騰訊等互聯網公司的定制 ASIC 芯片。2026 年中國國產 AI 芯片出貨量預計達到 500 萬片，高端 AI 芯片出貨量同比增長 83%。
國產替代不是簡單的 "買不到所以用國產"，而是正在形成正向循環。DeepSeek 等大模型積極適配國產硬件，華為推動軟硬件協同，產業聯盟加速全鏈路優化。國產算力正在從 "可用" 向 "好用" 演進，生態的成熟會進一步加速替代進程。
3.3 從訓練到推理：需求結構正在變化
AI 芯片的需求結構正在發生深刻變化。過去兩年，大模型訓練是算力需求的主力，訓練芯片供不應求。但隨著大模型技術逐步成熟、訓練階段進入平穩期，推理需求正在快速崛起。
黃仁勛在 GTC 2026 上明確判斷：AI 已從訓練時代全面進入 "推理 + 智能體 + 物理 AI" 的工業化時代。AI 智能體的廣泛應用，意味著每一次對話、每一個任務執行都需要推理算力。推理的需求量級遠大于訓練，而且對延遲、能效、成本的要求不同。
推理需求的爆發會改變芯片競爭格局。訓練市場對絕對性能敏感，英偉達的高端 GPU 優勢明顯;推理市場更看重性價比和能效，ASIC 芯片(如 Google TPU、AWS Inferentia、百度昆侖芯)有更大的發揮空間。寒武紀等國產廠商在推理市場的機會可能比訓練市場更大。
四、競爭格局：一超多強與國產突圍
4.1 英偉達：AI 時代的絕對霸主
全球 AI 芯片市場，英偉達是無可爭議的霸主。憑借 CUDA 生態、完整的軟硬件棧和持續領先的硬件性能，英偉達在高端訓練市場占據壟斷地位。Blackwell 架構全面量產后，Rubin 架構已經在路上，產品迭代節奏穩定。
英偉達的優勢不只是硬件。CUDA 生態經過十幾年積累，開發者數量、軟件庫、應用適配都遙遙領先。客戶從英偉達遷移到其他平臺，不僅要換硬件，還要重寫大量軟件代碼，遷移成本極高。這是英偉達最深的護城河。
英偉達還在向產業鏈上下游延伸。與 SK 海力士簽署超 5000 億美元的 HBM 合作協議，聯合金融機構推出 GPU 證券化融資，投資 AI 數據中心和電力基礎設施。英偉達正在從 "賣芯片的" 變成 "AI 全產業鏈的組織者"，話語權進一步增強。
4.2 AMD、Google、AWS：第二梯隊的差異化競爭
AMD 是最接近英偉達的挑戰者。MI350 系列已實現對英偉達 B200 的部分性能超越，MI400 系列明確對標 Rubin 架構。蘇姿豐預計未來三到五年 AMD 年均營收復合增速達 35%，AI 芯片全球市場份額有望達到兩位數。AMD 的優勢在于 x86 CPU+GPU 的整合能力，以及更開放的軟件生態。
Google 和 AWS 走的是自研 ASIC 路線。Google TPU 從 2016 年開始迭代，目前已經是第五代，深度服務于谷歌云和 Gemini 大模型。AWS 的 Trainium 訓練芯片和 Inferentia 推理芯片協同部署，為亞馬遜云提供高性價比的算力。云廠商自研芯片的核心邏輯是：自用需求足夠大，自研可以大幅降低成本。
特斯拉和 SpaceX 是新變量。特斯拉 Dojo 芯片追求 9 個月迭代一次的超快節奏，服務于自動駕駛訓練。SpaceX 的 Terafab 超級芯片工廠破土動工，初期投資 168 億美元，目標年產 1 太瓦算力。這些非傳統玩家的進入，說明 AI 芯片的需求已經溢出到了更多行業。
4.3 中國軍團：華為昇騰與寒武紀的雙龍頭
中國 AI 芯片市場形成了 "雙龍頭 + 多強" 的格局。華為昇騰是國產 AI 芯片的領頭羊，910C 芯片性能接近英偉達 A100，配合昇騰計算產業聯盟和 MindSpore 框架，生態最完善。華為的優勢是全棧自研(芯片 + 服務器 + 框架 + 大模型)，政企市場渠道深厚。
寒武紀是國產 AI 芯片的另一個龍頭，也是 A 股最純正的 AI 芯片標的。思元系列芯片覆蓋云端訓練、云端推理和邊緣計算，客戶包括互聯網巨頭和金融機構。上半年營收翻倍、凈利率 38%，說明商業化已經跑通。寒武紀的優勢是專注和靈活，不綁定特定云廠商，客戶覆蓋面廣。
第二梯隊包括海光信息(兼容 x86 生態，DCU 產品快速放量)、百度昆侖芯(自用 + 外售，推理場景優勢)、沐曦股份(GPU 架構，融資能力強)、摩爾線程(通用 GPU，圖形 + 計算)等。各家技術路線和目標市場不同，共同構成了國產 AI 芯片的多元生態。
五、技術變革：算力提升的三條路徑
5.1 HBM：存儲帶寬成為算力瓶頸
AI 芯片的性能瓶頸已經從計算單元轉移到了存儲帶寬。大模型訓練需要頻繁在計算單元和內存之間搬運海量數據，傳統 DDR 內存的帶寬遠遠不夠。HBM(高帶寬內存)通過 3D 堆疊和超寬接口，提供了十倍于 DDR 的帶寬，成為 AI 芯片的標配。
HBM 技術迭代很快。HBM3E 是當前主流，單顆容量 36GB，帶寬超過 1TB/s。HBM4 即將量產，三星 HBM4 良率已達 80%，SK 海力士計劃 Q2 啟動批量出貨。HBM4 的性能標準從最初的 8Gbps 提升到了 11.7Gbps，容量和帶寬再上一個臺階。
HBM 的成本占比持續上升。一顆高端 AI 芯片通常搭配 6-8 顆 HBM，HBM 的總成本已經超過了計算芯片本身。誰能拿到更多、更好的 HBM，誰就能生產更多的 AI 芯片。SK 海力士與英偉達簽署超 5000 億美元的長期合作協議，本質上就是鎖定 HBM 產能。
5.2 先進封裝：CoWoS 與 Chiplet 的超越摩爾
摩爾定律放緩后，先進封裝成為提升算力密度的關鍵路徑。臺積電的 CoWoS(Chip-on-Wafer-on-Substrate)技術是目前最主流的先進封裝形式，英偉達和 AMD 的 AI 芯片都采用 CoWoS 封裝，將 GPU 計算芯片和 HBM 內存集成在同一個封裝內。
CoWoS 產能是 AI 芯片供給的核心瓶頸。臺積電 2026 年底 CoWoS 產能預計達到 125Kwpm(千片 / 月)，2027 年底進一步提升至 170Kwpm。即便如此，產能仍然供不應求，英偉達、AMD、Google 等大客戶在爭搶有限的封裝產能。
Chiplet(芯粒)架構是另一個重要趨勢。將一顆大芯片拆成多個小芯片，通過先進封裝互聯，可以提高良率、降低成本、靈活配置。2.5D 和 3D 封裝技術的成熟，讓多芯片集成變得切實可行。EDA 工具也終于趕上了封裝物理學的發展，支持熱、應力和電壓感知的協同設計。
5.3 架構創新：從通用 GPU 到專用 ASIC
AI 芯片的架構正在分化。通用 GPU(如英偉達、AMD 的產品)靈活性強，適合訓練和多樣化的推理任務，但能效比不是最優。專用 ASIC(如 Google TPU、AWS Inferentia、百度昆侖芯)針對特定 AI 運算優化，能效比更高，但靈活性差，適合大規模標準化場景。
推理市場的爆發正在推動 ASIC 的發展。當推理任務足夠標準化、規模足夠大時，專用芯片的成本優勢就會顯現。Google、AWS、微軟、百度、阿里、騰訊都在自研推理 ASIC，自用為主，部分外售。
光互聯和硅光子是下一個技術突破點。黃仁勛在 GTC 2026 上強調，光互聯與硅光子是算力突破的關鍵。當芯片間、機柜間的數據傳輸量越來越大，電互聯的帶寬和功耗瓶頸日益突出，光互聯可以提供更高的帶寬和更低的功耗。英偉達已經在 Rubin 架構中引入了光互聯技術。
六、產業鏈拆解：誰卡住了 AI 算力的脖子
據中研普華產業研究院的《2026年全球人工智能芯片行業市場規模、領先企業國內外市場份額及排名》分析
6.1 HBM 存儲：韓國雙雄的壟斷
HBM 是 AI 芯片產業鏈中集中度最高、議價能力最強的環節。全球只有 SK 海力士、三星、美光三家能量產 HBM，其中 SK 海力士和三星占據絕大多數份額，美光追趕中。這種寡頭壟斷格局，讓 HBM 廠商擁有極強的定價權和話語權。
SK 海力士是 HBM 市場的領導者，率先量產 HBM3E 和 HBM4，與英偉達深度綁定。雙方簽署了超 5000 億美元的長期合作協議，SK 海力士還與英偉達推進超 5000 億美元的 AI 基礎設施計劃，在韓國建設 2 吉瓦數據中心。SK 海力士的策略是 "存儲 + 代工" 協同，與臺積電合作構建完整的 HBM 供應鏈。
三星是強力挑戰者。三星的優勢是 IDM 模式，從設計到制造全棧自研，HBM4 基礎芯片采用自家 4nm 工藝(SK 海力士用臺積電 12nm)，技術上有獨到之處。三星 HBM4 良率已達 80%，正在加速追趕 SK 海力士的市場份額。美光也在擴產，2026 年底 HBM 產能預計達 10 萬片 / 月。
6.2 晶圓代工與先進封裝：臺積電的護城河
AI 高度依賴臺積電。3nm 和 2nm 先進制程的晶圓代工，臺積電幾乎壟斷。CoWoS 先進封裝產能，臺積電也是絕對主力。英偉達、AMD、Apple、Google 的 AI 芯片都由臺積電代工，這種集中既是效率的體現，也是風險的來源。
臺積電正在加速擴產。CoWoS 產能 2026 年底達 125Kwpm，2027 年底 170Kwpm。同時開發 "類 EMIB" 技術，與景碩科技合作，由景碩負責設計制造承載硅橋的基板，以多元化封裝技術滿足不同客戶需求。
中國的中芯國際和華虹是國產 AI 芯片的制造主力。受限于制程工藝(目前最先進約 7nm)，國產 AI 芯片的性能上限受到制約。但通過架構創新、Chiplet 和先進封裝，國產芯片正在用 "系統級優化" 彌補 "制程差距"。中芯國際和上海華虹制造的芯片，未來幾年出貨量年復合增長率預計很高。
6.3 電力與散熱：被忽視的物理瓶頸
當芯片算力越來越強，電力和散熱正在成為新的物理瓶頸。一臺搭載 8 顆高端 AI 芯片的服務器，功耗可達 10-15kW，是傳統服務器的 5-10 倍。一個大型 AI 數據中心的耗電量相當于一個中型城市，電力供應已經成為 AI 數據中心選址的首要考量。
散熱同樣棘手。HBM 和 GPU 芯片的功率密度極高，傳統風冷已經不夠用，液冷正在成為標配。SK 海力士推出了集成散熱層的 HBM 技術，在內存封裝內部集成散熱層來改善散熱性能，可以讓 AI 處理器運行更快或降低冷卻成本。
英偉達已經開始投資電力基礎設施。2026 年以來，英偉達分別向 AI 云服務商 CoreWeave 等投資，還聯合金融機構組建 5000 億美元的 AI 基礎設施基金。SpaceX 的 Terafab 工廠集成了先進邏輯芯片、存儲芯片的制造、封裝和測試，目標是年產 1 太瓦算力 —— 注意單位是 "太瓦"，說明電力已經成為算力的核心計量單位。
七、應用場景：大模型之外的新增量
7.1 數據中心：訓練與推理的雙輪驅動
數據中心是 AI 芯片最大、最成熟的應用場景，占 AI 芯片市場的 80% 以上。訓練市場由大模型廠商和云服務商主導，對芯片的絕對性能、互聯能力和軟件生態要求極高，英偉達占據主導地位。
推理市場正在快速增長。隨著大模型應用普及(ChatGPT、文心一言、DeepSeek 等)，每天數十億次的 API 調用都需要推理算力。推理對單芯片性能要求相對低，但對吞吐量、延遲和成本敏感，是國產芯片和 ASIC 的機會窗口。
AI 智能體(Agent)的興起會進一步推高推理需求。與傳統的 "一問一答" 不同，智能體需要自主規劃、調用工具、多步推理，單次任務的計算量是傳統對話的數倍甚至數十倍。如果智能體大規模普及，推理算力需求可能出現指數級增長。
7.2 邊緣與端側：AI 算力的下沉
AI 算力正在從數據中心向邊緣和端側下沉。邊緣服務器、智能攝像頭、工業設備等場景需要本地化的 AI 推理能力，對芯片的功耗、體積和成本有特殊要求。寒武紀、地平線等廠商在邊緣 AI 芯片領域有較深布局。
端側 AI 是另一個快速增長的市場。2026 年中國 AI 手機出貨量預計 1.47 億臺，占整體市場 53%，400 美元以上高端機型 100% 標配本地大模型。AI PC、智能汽車、IoT 設備也在快速普及端側 AI。端側 AI 芯片追求低功耗和高能效，與數據中心芯片的技術路線不同。
算力下沉的驅動力是隱私、延遲和成本。敏感數據不上云、實時響應不需要網絡傳輸、大量推理在本地執行可以節省云服務費用。未來的 AI 算力格局會是 "云 - 邊 - 端" 三級架構，各級別都有對應的芯片需求，市場空間廣闊。
7.3 自動駕駛與具身智能：新的算力需求極
自動駕駛是 AI 芯片的重要增量市場。L2 + 到 L4 級別的自動駕駛，需要實時處理多路攝像頭、激光雷達、毫米波雷達的數據，對 AI 推理算力的需求極高。特斯拉 FSD 芯片、英偉達 Orin 和 Thor、地平線征程系列、華為 MDC 系列，都是這個賽道的玩家。
具身智能和人形機器人是更長期的變量。人形機器人需要同時處理視覺感知、運動控制、自然語言交互等多種任務，AI 芯片是核心大腦。2026 年被稱為 "具身 AI 產業化元年"，全球具身 AI 市場預計 62 億美元，2030 年達 230 億美元。雖然目前規模還小，但增長速度快，長期空間大。
自動駕駛和具身智能的共同特點是 "實時性 + 低功耗 + 高可靠"。與數據中心芯片可以 "用功耗換性能" 不同，車載和機器人芯片有嚴格的功耗和散熱限制，需要在有限的功耗預算內提供足夠的算力。這對芯片架構設計提出了新的挑戰，也孕育了新的市場機會。
八、風險與挑戰
第一，需求周期性波動的風險。AI 芯片當前的高增長很大程度上依賴大模型廠商和云服務商的資本開支。如果大模型技術迭代放緩、商業化不及預期，或者宏觀經濟下行導致企業縮減 IT 支出，算力需求可能出現階段性過剩。寒武紀 Q2 環比增速放緩，已經引發了這方面的擔憂。
第二，地緣政治和供應鏈風險。美國對華芯片出口限制持續升級，先進制程、HBM、EDA 工具等環節都可能被卡脖子。國產 AI 芯片雖然在替代，但制程差距、HBM 供應、先進封裝能力仍是短板。地緣政治的不確定性會持續影響行業格局。
第三，技術路線迭代的風險。AI 芯片技術迭代極快，英偉達每年更新架構，特斯拉甚至追求 9 個月迭代。如果廠商跟不上技術節奏，產品很快就會被淘汰。寒武紀等國產廠商需要持續高強度研發投入，才能保持競爭力。
第四，生態建設的挑戰。英偉達的 CUDA 生態是最深的護城河，國產芯片的軟件生態還在建設中。雖然 DeepSeek 等大模型積極適配國產硬件，但整體的開發者數量、軟件庫豐富度、工具鏈完善度與英偉達還有差距。生態建設需要時間，也需要全行業的協同。
第五，估值泡沫的風險。AI 芯片板塊的估值普遍處于高位，寒武紀的市盈率遠超傳統半導體公司。高估值隱含了對未來高增長的預期，如果業績增速放緩或不及預期，估值回調的壓力會很大。
九、未來展望與趨勢判斷
據中研普華產業研究院的《2026年全球人工智能芯片行業市場規模、領先企業國內外市場份額及排名》分析
9.1 三大確定性趨勢
趨勢一：AI 算力需求長期增長，推理成為主力。 大模型從訓練走向應用，AI 智能體逐步普及，自動駕駛和具身智能興起，這些都會持續推高算力需求。訓練市場增速可能放緩，但推理市場的增長空間更大。未來五年，AI 芯片行業仍將是半導體行業增長最快的賽道。
趨勢二：國產替代不可逆，中國市場形成獨立生態。 美國出口限制只會加速國產替代，2026 年國產芯片在中國高端 AI 芯片市場占 90% 是大概率事件。更重要的是，國產軟硬件生態正在形成閉環 —— 國產芯片 + 國產框架 + 國產大模型 + 國產服務器，自主可控的算力體系正在建立。
趨勢三：產業鏈瓶頸從芯片制造轉向 HBM 和電力。 隨著制程工藝逐步逼近物理極限，HBM 存儲、先進封裝、電力供應和散熱能力正在成為更重要的瓶頸。誰能鎖定 HBM 產能、誰能拿到足夠的電力和土地建數據中心，誰就能在 AI 算力競爭中占據優勢。
9.2 三個值得關注的變量
變量一：寒武紀下半年能否完成 135 億目標。 上半年只完成 44.4%，Q2 環比增速放緩。如果下半年產能釋放、訂單集中交付，完成目標可期;如果增速繼續放緩，不僅影響寒武紀自身，也會影響市場對國產 AI 芯片需求持續性的判斷。
變量二：英偉達 Rubin 架構的量產節奏和性能。 Blackwell 已經全面量產，Rubin 是下一代架構。如果 Rubin 的性能提升超預期，會進一步拉開與競爭對手的差距;如果量產延遲或性能不及預期，AMD 和國產廠商會獲得更多追趕時間。
變量三：AI 智能體的商業化進度。 智能體是推理算力的最大增量變量。如果智能體在 2026-2027 年實現大規模商業化應用，推理算力需求可能爆發式增長;如果智能體停留在概念階段、實際使用率低，推理需求的增長會低于預期。
9.3 投資主線判斷
從產業鏈投資角度看，有四條主線值得關注。
第一條是國產 AI 芯片設計龍頭。 寒武紀作為 A 股最純正的 AI 芯片標的，受益于國產替代和算力需求爆發，業績彈性大。華為昇騰(未上市)、海光信息、百度昆侖芯等也是重要標的。
第二條是 HBM 和先進封裝產業鏈。 HBM 是 AI 芯片最緊缺的環節，SK 海力士、三星、美光三大廠商受益。國內的存儲廠商(長鑫存儲等)和封測廠商(長電科技、通富微電等)也有國產替代的機會。先進封裝設備和材料也是高景氣方向。
第三條是 AI 服務器和數據中心基礎設施。 AI 芯片需要通過服務器才能交付算力，工業富聯等 AI 服務器廠商受益。液冷散熱、電力設備、高速互聯等數據中心基礎設施環節，需求也在快速增長。
第四條是邊緣和端側 AI 芯片。 自動駕駛、AI 手機、AIoT 等場景的端側 AI 芯片需求增長快，市場空間大。地平線、黑芝麻等車載 AI 芯片廠商，以及端側 AI IP 和設計服務公司，都有投資機會。
回到寒武紀 8 月 12 日的業績說明會。陳天石那句 "智能計算需求持續攀升"，不是套話，而是整個行業的真實寫照。上半年營收翻倍、凈利潤翻倍，是 AI 算力需求爆發的直接體現。Q2 增速放緩的隱憂，則提醒我們高增長不會是一條直線。
AI 芯片是這個時代最確定的產業趨勢之一，也是競爭最激烈、變化最快的賽道。英偉達的霸主地位看似穩固，但 AMD 在追趕、云廠商在自研、中國在國產替代、新玩家在涌入。技術在迭代、格局在變化、瓶頸在轉移。
對于寒武紀這樣的國產芯片公司來說，這是最好的時代 —— 國產替代的窗口打開了，算力需求的紅利擺在面前。但也是最具挑戰的時代 —— 技術要跟得上、生態要建得起、客戶要留得住、產能要供得上。
陳天石選擇了 "持續聚焦人工智能芯片設計領域技術創新"。這條路很窄，但也很長。AI 芯片的戰爭才剛剛開始，遠沒有到終局的時候。
欲獲取更多行業市場數據及報告專業解析，可以點擊查看中研普華產業研究院的《2026年全球人工智能芯片行業市場規模、領先企業國內外市場份額及排名》。
研究院服務號
中研網訂閱號