英伟达黄仁勋辞任CEO,国产GPU厂商收入翻倍进入交付关键期

英伟达创始人黄仁勋突然卸任CEO及董事职务,引发市场震荡;与此同时,国产GPU厂商如寒武纪、海光信息、摩尔线程等在2026年前三季度实现营收大幅增长,部分企业首次盈利,中国AI算力自主化进程加速推进。

半导体/芯片 阅读量: 27.62万

英伟达创始人黄仁勋已正式辞去公司总裁、首席执行官及董事全部职务,其名字从官网管理层名单中移除,仅保留于“创始人”栏目。这一变动发生于美国中期选举尘埃落定之际,正值全球AI芯片供应链高度敏感阶段。消息公布当日,英伟达股价盘中一度下跌超13%,A股相关产业链亦承压回调。

黄仁勋执掌英伟达33年,主导了从图形处理器到AI算力核心的转型,推动公司成为全球市值最高的科技企业之一。其离任虽未影响现有技术积累与产品供给能力,但对依赖其个人斡旋能力维持的对华芯片出口通道构成实质性冲击。过去数年,黄仁勋曾多次公开反对美方对华高端GPU禁令,并推动推出A800、H800、H20等“特供版”芯片以缓解中国市场缺口。随着其退出管理一线,该策略延续性存疑。

值得注意的是,中国AI加速卡市场格局已在悄然逆转。根据IDC与洪泰智造数据,2019年国产GPU份额仅5%,而至2026年上半年已跃升至60%,反超英伟达的37%。这一转变并非单纯由禁令驱动,更源于国产厂商在产品可用性、交付能力和生态适配上的实质性突破。

当前国产GPU企业已整体跨越“能否做出芯片”的验证阶段,进入规模化交付与商业落地的关键窗口期。2026年第三季度财报显示,头部厂商收入普遍实现数倍增长,盈利质量显著改善。

寒武纪前三季度实现营收约95亿元,净利率接近39%,净利润达37亿元,成为首家稳定盈利的国产AI芯片企业。其思元系列芯片已广泛部署于国内大模型训练集群,客户覆盖主流云厂商与AI实验室。

海光信息以规模见长,前三季度营收达149.55亿元,净利润28亿元,归母净利率39.0%,位居国产GPU厂商首位。其DCU(Deep Computing Unit)产品线基于GPGPU架构,兼容ROCm生态,在科学计算与推理场景中逐步替代进口方案。

摩尔线程走全功能GPU路线,覆盖AI计算、图形渲染、视频编解码等多场景。2026年第三季度单季营收15.52亿元创历史新高,扣非净利润首次转正至2007万元,但前三季度累计扣非仍亏损1.31亿元,经营现金流净流出33.09亿元,反映其在生态建设与研发投入上的持续高投入。

沐曦股份前三季度归母净利润6.39亿元,扣除公允价值变动后扣非净利润2.59亿元,已连续两个季度实现扣非盈利,表明其收入结构正逐步覆盖研发成本。其MXN系列芯片聚焦数据中心级AI推理,已在金融、电信等领域完成批量交付。

燧原科技收入增速最为迅猛,前三季度同比暴增3.3倍,但仍在高投入阶段,第三季度单季亏损收窄至1.22亿元。尽管尚未盈利,其因资本关注度提升,市值已反超摩尔线程与沐曦。

港股上市的壁仞科技上半年营收增长近20倍,毛利率提升至42.7%,亏损明显收窄;天数智芯上半年营收9.46亿元(同比近3倍),经调整净利润2.46亿元,实现上市以来首次扭亏,但主业仍依赖一笔7.6亿元股权投资收益支撑。

从财务表现看,国产GPU厂商呈现明显分层:第一梯队(寒武纪、海光)已进入盈利正循环;第二梯队(摩尔线程、沐曦)单季盈利初现,但累积仍处盈亏平衡边缘;第三梯队(燧原、壁仞、天数智芯)尚处投入期,依赖资本输血与政策支持。

国产GPU厂商:收入高增,盈利分层

行业共识是,GPU作为大模型训练与推理的底层硬件,相当于AI产业的“心脏”。自2022年10月美国将A100、H100等列入管制清单以来,中国AI企业被迫加速构建自主算力底座。早期受限于性能、软件栈与交付周期,国产芯片多用于推理或中小模型训练;如今,随着寒武纪MLU370、海光DCU Z100等产品在FP16/BF16精度下达到H100 70%~80%的实测性能,其在千卡级集群中的部署比例持续上升。

挑战依然存在。一方面,CUDA生态壁垒仍未完全打破,尽管国产厂商均推出兼容层(如寒武纪Neuware、海光Deep Learning Framework),但开发者迁移成本仍较高;另一方面,先进制程依赖外部代工,7nm及以下工艺的产能保障仍是隐忧。

不过,市场反馈已趋于积极。据多家云厂商披露,2026年Q3国产GPU采购占比平均提升至35%以上,部分私有云项目实现100%国产化替代。一位头部AI公司基础设施负责人表示:“过去我们担心国产卡‘能用不能稳’,现在更关注‘怎么用得更好’。”

黄仁勋时代的终结,客观上加速了全球AI算力多极化格局的形成。对中国而言,这既是风险暴露的警钟,也是倒逼技术自主的契机。当供给不确定性成为常态,国产GPU不再只是备选方案,而是必须构建的核心能力。

文章配图

未来两年将是国产GPU从“能用”走向“好用”的决胜期。能否在软件工具链、编译器优化、大规模集群调度等环节实现系统性突破,将决定其能否真正承接中国AI产业的长期算力需求。