AI Infra：2026年如何在华为和英伟达的夹缝中生存

一、股权研究公司 Bernstein Research 的报告

中国AI芯片市场份额对比

企业	当前市场份额	2026年预测市场份额	2026年市场排名
华为	≈39%	50%	1
英伟达	39%	8%	-
AMD	未明确	12%	2
寒武纪	未明确	未明确	3(预期)

中国本土AI芯片供需与增长预测

指标	2026年预测	2028年预测	增长趋势
本土供应-需求比例	39%	104%	由短缺到过剩
本土AI芯片销售额CAGR(2025-2028)	-	74%	高速增长
累计销售额增长	-	93%	接近翻倍

二、夹在华为与英伟达之间的生存策略

在中国，处于华为和英伟达夹缝中的企业，不要幻想成为第三个“英伟达”或“华为”，而要定位成：
双生态的“翻译官”和基础设施提供商，
把握“异构算力+国产化”这条大趋势，在中游基础设施 + 算力服务化 + 细分场景专精三个方向上做深做厚。

2.1 明晰格局

综合前面信息，可以把 2025–2027 年的中国算力格局简单抽象成：

2.1.1 芯片层是“双极+群雄”

英伟达：凭 CUDA 生态、Rubin/Blackwell 高端 GPU，继续统治全球训练标准，在中国是被限流的高端溢价市场（预计 2026 年在中国 AI 芯片市场掉到约 8% 份额）
华为 Ascend：凭政策+全栈生态（CANN+MindSpore+Atlas 超节点），在中国本土 AI 芯片中有望拿下约 50% 份额
其他国产 GPU/AI 芯片厂（沐曦、摩尔线程、壁仞等）：技术快速进步，增速很高，但生态与客户心智尚在培育期

2.1.2 中游基础设施高度共识、强刚性
无论是 NVIDIA Rubin 超节点，还是华为 Ascend 950/Atlas 950 SuperPoD，本质都走向：

单机柜 50–100kW 甚至 100kW+ 的高功率密度
大量 800G / 1.6T 光模块与 CPO 光引擎
必须液冷（冷板/浸没）+ 高密度电源（HVDC 等）才跑得动

换句话说：不管谁赢，服务器、光模块、液冷、电源这些“水电煤”都是刚需。

2.1.3 政策和需求一起推着国产化往前走

报告普遍认为：到 2026 年，本土 AI 芯片整体在中国市场可以达到甚至超过 50% 以上
国家层面推动“算力互联网”“东数西算”“国产化比例不低于 X%”等，算力服务、异构算力调度被写进中长期规划

在这个格局下，“夹缝玩家”基本是三类：

非华为、非英伟达的国产芯片厂商（GPU / NPU / ASIC 等）
为各种芯片提供配套的服务器、光模块、液冷、电源等中游厂商
上层的模型/应用/算力服务企业，需要在不同芯片之间做技术路线选择

2.2 策略：不做“芯片对手”，做“多生态底座”

**技术路线可以多元，商业路线必须单一：
统一走“多生态兼容 + 基础设施刚需 + 服务化变现”这条路。**

具体拆成四条“生存方法”：

方法 1：绝不站队，只做“华为+英伟达+国产”的三边撮合者

目标姿态：
- 对上游：告诉所有芯片厂，“我帮你们补齐生态短板，让你们更容易被市场采用”
- 对下游客户：告诉大模型公司和政企，“我帮你们把不同芯片统一管理、统一开发、统一运维”
技术抓手：
- 做 跨硬件的中间件 / 编程框架 / 调度软件：类似中科曙光的 UPTK 通用异构编程工具，帮助开发者一次开发、多平台运行
- 做 模型迁移适配层：一套模型可以从 CUDA 平台迁移到 Ascend / 国产 GPU，最大限度重用算子与算力优化
好处：
- 上行对接多家芯片厂，下行服务更多客户，减少对单一生态的锁死依赖
- 从“被动挨打的配件商”变成“不可缺失的生态翻译官”

方法 2：尽量少靠“卖卡挣钱”，拼命去抓“水电煤”

在芯片价格、毛利、产能都高度不确定的阶段，最确定的其实是：每一颗芯片都离不开的基础设施：
- GPU 再怎么狠，还是要插在服务器上跑；
- 集群再怎么国产化，还是要靠光模块、光引擎、交换机连起来；
- 功耗再怎么优化，还是要上液冷 + 高密度电源才压得住温度。
所以策略是：
- 如果在芯片上是“小角色”，不要幻想靠“硬刚英伟达/华为”赢市场，把资源优先砸在中游配套能力上，或与中游深度绑定；
- 如果本来就是中游厂商，就要坚定做“华为+英伟达+国产”全家桶的标配件。

方法 3：从“卖硬件”转成“卖算力服务 + 能力”

趋势已经非常明确：
- DeepSeek 的案例显示，通过算法和系统优化，可以大幅降低对“堆卡”的依赖，把算力服务从“毛坯房”做到“拎包入住”
- 国家超算互联网开始走“算力商品化+平台化”路线，上线了数千款算力商品，实现跨架构调度
对夹缝企业来说，纯硬件模式会被轻易替代，而：
- “某地区/某行业的算力服务商”（提供 GPU 资源、模型、调优服务）
- “某种国产芯片上的性能优化专家”（帮客户把某款国产芯片的性能跑到极致）
  这两类角色，更难被挤死，也更容易形成护城河。

方法 4：主动扎进“国家工程”和大客户，抢占确定性现金流

在 2025–2028 这轮建设周期里，政府与运营商主导的大型智算中心/超算互联网/东数西算项目，往往都有国产化比例、长期运维合同等要求
对夹缝玩家来说，这类项目是“饭票”：
- 有签约周期长、金额大、回款稳定的优点；
- 技术和产品一旦在其中被标准化采用，会形成后续项目的复制优势。

归纳一句：
要从“给芯片打工的小弟”变成“算力基础设施和服务的标配角色”，让任何一个芯片想在中国市场规模落地，都离不开你。

2.3 不同类型企业怎么具体做

2.3.1 国产芯片厂（非华为、非英伟达）：差异化+场景化，不去刚正面

现实处境是：

性能短期内很难全面超越英伟达，尤其是 CUDA 生态
生态短期内也难与华为 Ascend 抗衡
但有：国产政策+灵活场景+本土服务

可以考虑的策略：

不要试图“全面对标英伟达”，而是选赛道做到极致
- 可以专注：
  - 推理解码 + 高并发在线服务（如针对大模型推理优化）
  - 端侧或边缘 AI（车载、工业视觉、机器人）
  - 特定行业场景 ASIC（安防、金融风险控制、智能制造）
- 让自己从“通用 GPU 厂”变成“某行业场景算力专家”
生态策略：紧贴 1–2 家强势云厂 / 大模型公司做共生
- 主动争取阿里云、百度云、华为云、运营商云甚至国家超算互联网平台的深度联运：
  - 先给出“成本+服务”的综合优势
  - 再通过对接其模型、框架（如 PaddlePaddle、MindSpore）形成“一体化解决方案”
工具链策略：强推开源 & 兼容
- 对开发者，要尽量：
  - 对齐 CUDA 体验：兼容主流框架（PyTorch、TensorFlow）、算子库不断补齐
  - 提供成熟的 SDK + 调试工具 + 文档社区
- 尽早把自己的编译器、算子库等核心组件开源一部分，扩大生态参与度

商业上要接受“不性感但活得久”的现实
- 不要只讲“性能故事”和“国产替代口号”，要有：
  - 真实可见的营收增长曲线
  - 以大客户/项目为支点的订单可见性
- 否则容易陷入“估值高、兑现难”的困境

2.3.2 服务器 / 光模块 / 液冷 / 电源等中游厂商

这类企业的天然优势是：不直接卷芯片，但芯片越多越有活干。

具体策略：

技术上：一切围绕“兼容 + 高密度 + 低能耗”做迭代
- 服务器：
  - 支持 x86 + ARM（鲲鹏）+ RISC-V 等多架构
  - 提供适配英伟达/Ascend/国产 GPU 的通用机箱/背板/布线
  - 预留CXL 内存扩展、DPU 加速位，提升异构扩展能力
- 光模块 / 光引擎：
  - 把 800G / 1.6T 做到极致稳定+成本可控，同时满足英伟达 Rubin/Blackwell 与华为超节点的光口规格
  - 前瞻布局 CPO / Co-Packaged Optics，成为下一代数据中心的“标配供货商”
- 液冷 / 电源：
  - 跟随机柜功率密度升级路线图（50kW → 100kW → 150kW…），提前研发对应的冷板、换热器和泵站方案
  - 布局 机柜级液冷一体机，打通“服务器+液冷+电源”的整体交付
商业上：从“卖设备”升级到“参与运营”
- 例如：
  - 与云厂/运营商/政府合作，参与算力中心整体方案设计与部分运维，收取服务费或能效分成
  - 提出“按功率/按机柜/按算力”租赁或整体解决方案，而不是一次性卖硬件
生态上：同时拿到华为和英伟达的“入场券”
- 争取：
  - 成为英伟达 Rubin / Blackwell 平台的合格服务器与光模块供应商
  - 成为华为 Ascend 超节点 / Atlas 集群的长期认证配套厂家
- 这样一来，无论哪个生态出货多，都能吃到量。

2.3.3 模型 / 软件 / 行业应用 / 算力服务商

在算力成本、生态成熟度、客户偏好三者之间，怎么找到“投入产出比最高”的组合。

建议：

训练 vs 推理分开选芯片
- 训练阶段：
  - 如果目标是全球化+前沿模型，优先选择英伟达（CUDA 生态成熟，工具链完善）
  - 如果主要服务国内政企/金融/运营商，且有国产化要求，可使用华为 Ascend 或部分国产 GPU
- 推理解码阶段：
  - 可以更多采用 华为+国产 GPU/ASIC，尤其是在私有化部署和大规模在线服务场景，以降低 TCO
技术路线：all in “异构调度与优化”
- 自研或引入异构调度框架：让同一个业务可以动态调度到不同芯片上执行
- 投入工程力量去做：
  - 算子层优化：针对 Ascend / 国产 GPU 做深度 kernel 调优
  - 模型压缩和量化：FP8/FP4/INT8 等混合精度，减少硬件压力
行业路线：别跟大厂抢 “通用大模型”，要做“细分垂类模型+场景集成”
- 例如：
  - 工业视觉 + 预测性维护
  - 金融风控 + 合规审核
  - 医疗影像 + 智能随访
- 把某个行业做穿透，形成“模型+数据+算力运维”的一体化服务，毛利率和粘性都会更高。

三、总结

定位上：
- 不要试图成为第三个英伟达或华为
- 要定位成：多芯片生态的基础设施提供者 + 算力服务商 + 场景化专家
产品上：
- 往中游去：服务器、光模块、液冷、电源、DPU、交换机等所有芯片都必须依赖的硬件
- 往上游的软件去：异构调度、中间件、开发工具、行业模型与优化工具
生态上：
- 绝不单押一方，同时拿下华为、英伟达及其他国产芯片厂的认证与适配
- 做好“模型从 CUDA 迁到 Ascend/国产 GPU”的迁移工具与服务，降低客户切换成本
商业上：
- 从“卖设备”向“卖算力+卖效果”转型：算力租赁、代训练、代部署、代运维
- 优先拿国家级/省级算力工程与运营商项目，构建长期现金流
路径上：
- 2026–2027 是窗口期，要快速做出能复制的标杆项目和成熟产品
- 2028 以后，市场会大洗牌，只有卡位基础设施、掌握算力服务、深耕行业场景的企业，会真正活下来并活得好

标签：ai, agent