中国AI芯片：GPU丢掉出货王座

市场调研机构IDC最新发布的2026年上半年中国数据中心AI加速器市场报告，直接打破了业界维持近十年的市场共识。过去由GPU和英伟达主导的AI算力赛道，在今年年中迎来了出货结构的历史性转折。 

2026年上半年，中国数据中心AI加速器总出货量达200.8万颗。其中，GPU出货99.1万颗，同比下降26%；非GPU架构的AI加速器出货101.6万颗，同比增长80%，出货规模首次超过GPU阵营。

与此同时，头部厂商的座次也出现了标志性变动。英伟达作为全球AI芯片的主导者，同期在华AI加速器总出货量约67.8万颗，同比下降44%，市场份额回落至33.8%。尽管仍居单一厂商第一，但与第二名华为的市场份额相比，其差距已从两年前的近60个百分点大幅收窄至个位数。

如果把IDC这份报告进行深入剖析，就会发现2026年上半年国内AI算力市场的整体规模，并没有出现外界预想中的爆发式增长：总出货量刚跨过200万颗关口，和2025年同期相比仅增长了5%左右，所有核心的市场变化都藏在了结构内部。

过去十年，中国数据中心的AI算力采购几乎完全围绕GPU展开。从早期的训练卡到后来的推理卡，客户的首选始终是通用GPU，尤其是英伟达的产品。但2026年上半年的数据彻底改写了这个常识，GPU阵营的整体出货规模同比收缩了四分之一，而以ASIC和专用推理卡为代表的非GPU阵营，出货量直接翻了近一倍。两个阵营0.5万颗的出货差距，看似微不足道，却标志着GPU第一次不再是AI加速器市场的绝对主力。

从厂商维度看，头部梯队集中度依然很高，但内部排名出现了显著波动。英伟达的67.8万颗出货，在GPU总盘子里占据近七成。也就是说，剩下的三成GPU市场已经全部被本土厂商瓜分——海光信息的DCU、摩尔线程的全功能GPU、壁仞科技的通用计算卡，合计贡献了约31万颗的出货规模；而华为的57.2万颗出货横跨两个阵营，既有面向大模型训练的昇腾910系列类GPU产品，也有面向大规模推理场景的专用加速卡，整体市场份额一路攀升至28.5%。

真正值得业界细品的，是本土阵营的整体占比。把华为、海光、寒武纪、燧原科技等所有国内AI芯片厂商的出货量全加起来，2026年上半年本土厂商在中国AI加速器市场的整体份额已经接近62%。这意味着，每卖出3颗AI算力芯片，就有接近2颗来自国产。这个数字放在两年前，完全超出了当时全行业的预判。 

数据分析显示‌，英伟达目前在中国市场可销售的AI加速器产品线，相比两年前已经收窄了近六成。从曾经覆盖高端训练、中高端推理、边缘部署的十余个SKU，到现在只剩寥寥数款面向推理场景的降规版本，这种收缩在英伟达过去三十年的发展史上都极为罕见。

究其原因，首先是合规边界的反复收紧。从2022年第一代出口管制将A100、H100纳入禁售清单开始，英伟达第一次调整中国产品线，推出算力减半的A800、H800版本；到2023年管制升级，H800、A800也被限制销售，英伟达又紧急推出算力进一步下调的H20、L20系列；再到2025年以来的新一轮管制评估，高端训练卡的合规通道几乎完全关闭。目前英伟达能在中国合规销售的AI加速器，基本只剩下面向推理场景的中低算力降规版本，曾经撑起其中国市场大半收入的高端训练卡业务，实际上已经退出了中国市场。

第二个层面是商业逻辑的自然取舍。当合规边界下可销售的SKU持续减少，那些年出货量不足几万颗的边缘型号，其维护成本、合规成本、渠道成本都已经覆盖不了，英伟达自然会砍掉这些型号，把资源集中在能走量的核心款上。外界看到的“产品线越变越窄”，本质上是供给端的约束倒逼出来的收缩，而非英伟达主动放弃中国市场。事实上，在所有可合规销售的细分市场，英伟达的产品依然保持着极高的市场份额。

第三个层面是需求结构的迁移。两年前中国客户采购英伟达芯片，大多数是为了大模型预训练的高端算力需求。而2026年以来，国内AI落地的重心已经从模型训练转向行业推理。互联网大厂、运营商、地方智算中心的采购预算里，推理侧的支出占比已经超过70%。而推理场景对通用GPU的需求强度本身就低于训练场景，在算力供给充足的前提下，客户自然会优先选择性价比更高的替代方案。供给端的合规收缩，叠加需求端的结构迁移，最终形成了英伟达在华出货持续下滑的结果。 

英伟达丢掉的那近一半的中国市场份额，到底被谁拿走了？从IDC的细分数据和供应链调研来看，接住这些份额的是两波完全不同的产业力量。 

第一波力量是以华为为代表的本土高端算力厂商的突破。57.2万颗的出货、28%的份额，背后是昇腾系列产品的全场景覆盖能力。从面向千亿参数大模型训练的910C系列，到面向千亿token推理集群的推理卡，华为的算力栈已经覆盖了国内从头部互联网大厂到地方智算中心的核心采购场景。

除了华为，海光信息的DCU系列依托其x86生态的兼容性优势，在金融、政务等对稳定性要求较高的行业市场站稳了脚跟；摩尔线程、燧原科技等厂商的GPU产品，也在2026年实现了单季出货破10万颗的规模，逐步从早期的送样阶段走向规模商用。

第二波力量是专用ASIC芯片的规模爆发，这也是为什么非GPU阵营能同比增长80%的原因。随着国内大模型的推理需求从通用场景走向行业场景，专用架构的AI加速卡在性价比、功耗、部署成本上的优势被充分放大。百度昆仑芯、平头哥含光、腾讯紫霄等自研芯片，以及第三方厂商的推理专用卡，在同等算力下的采购成本比通用GPU大约低30%以上，单位算力的功耗大约低50%以上。对于动辄需要几十万颗卡支撑的推理集群来说，这种成本优势足以让客户切换采购选择。

需要说明的是，这种份额替代并不是完全的“全盘替换”。在最高端的前沿大模型训练场景，依然需要英伟达的高端GPU支撑头部实验室的研发需求。只是这样的需求规模，在整体市场中的占比已经越来越小。对于大多数行业客户来说，不管是训练行业专属小模型，还是部署面向C端的推理服务，本土芯片和专用加速卡的性能已经完全够用。

相信很多人看到“GPU出货下滑、非GPU首次反超”，第一反应就是“本土品牌崛起”或是“海外出口管制政策的直接影响”。但剥开表层的诱因就能发现，真正支撑这一变化的是整个AI算力产业正在经历的范式转移。这种变化不是短期的政策因素导致的波动，而是长期的技术路线和市场供需共同作用的结果。

从技术路线看，AI算力的需求已经从单一的“训练通用大模型”走向“训练+推理+边缘部署”的多元场景。通用GPU的设计初衷是为了应对训练任务的通用性，但在推理场景，专用架构的效率天然更高。这不是中国市场独有的趋势，在全球范围内，AI推理芯片的出货增速也已经连续两年超过通用GPU，中国市场的这次反超，只是这个全球趋势在供应链自主化的叠加下，表现得更明显而已。 

从生态壁垒看，过去行业里的普遍认知是英伟达的护城河是CUDA生态，客户一旦用惯了就换不走。但如今，华为CANN、海光DTK、摩尔线程MUSA等软件栈，已经完成了对主流大模型框架的全覆盖，移植成本的快速下降，直接打破了过去“换芯片就要重写代码”的壁垒。

从市场逻辑看，中国的AI算力市场已经从“全球供应链的一个采购分支”走向了“自主可控的独立算力体系”。地方智算中心的建设、行业AI大模型的落地，都要求掌握算力发展的主动权，摆脱关键技术的外部制约。这种长期的政策导向，决定了国产芯片的份额提升不是短期的周期波动，而是长期的趋势。

总的来说，在AI算力的全新格局中，GPU曾经最坚固的护城河——先进制程和单卡算力，已经不再是决定市场胜负的唯一标尺。未来的中国AI算力市场，不会再出现一家通吃的局面：高端训练有本土GPU的持续追赶，大规模推理有专用ASIC的性价比优势，英伟达也依然会在其可服务的细分市场占据一席之地。

对于整个中国AI算力产业而言，GPU首次丢掉出货量第一的位置，或许正是行业从“追逐单一品类”走向“构建系统能力”的转折点。当算力的定义权从一颗芯片扩展到一个集群、一套软件栈、一条完整的供应链，这场持续多年的算力竞争才真正进入更深维度的较量。