2026 年 4 月，中国 AI 算力供应紧张到了”抢号”的地步。想订阅一个 Coding Plan，得排队等很久才能拿到名额。背后的原因很直接：高端 GPU 被禁售，国产替代还跟不上。这篇文章从硬件制程、软件生态、人才储备三个维度，拆解中国显卡自研面临的真实困境。
国产 GPU 的进度
华为昇腾是目前国产 AI 算力最有希望的产品线，几款核心产品的参数和定位如下：
| 产品 | 制程 | 状态 | 性能对标 |
|---|---|---|---|
| 昇腾 910B | 7nm (中芯N+2) | 已量产 | 约 A100 水平（2020年） |
| 昇腾 910C | 7nm | 小规模量产 | 约 A100/A800 水平 |
| 昇腾 910D | 7nm+ | 2025H2量产，2026部署 | 目标对标 H100 |
如果昇腾 910D 成功对标 H100（2022 年产品），意味着 2026 年达到 2022 年的水平，落后约 4 年。但 NVIDIA 同期已经推进到 B200/B300（2024-2025）和 Rubin（2026），仍然领先 2-3 代。
其他国产 GPU 厂商的情况也值得关注：
| 厂商 | 产品 | 制程 | 状态 | 定位 |
|---|---|---|---|---|
| 海光 | DCU 系列 | 7nm | 已量产 | CUDA 兼容，持续迭代 |
| 壁仞科技 | BR100 改版 | 7nm | 小规模 | 转型推理、边缘计算 |
| 摩尔线程 | MTT S80/S4000 | 7nm | 已量产 | 全功能 GPU，消费级+专业级 |
| 天数智芯 | 天垓 100 | 7nm | 已量产 | AI 推理 |
这些厂商有一个共同特点：全部停留在 7nm 制程。这不是巧合，而是制程封锁下的共同天花板。
制程封锁是核心困境
高端 GPU 需要先进制程，而先进制程依赖光刻机。下表列出了各制程节点对中国可获得性的现状：
| 制程 | 生产方 | 中国可获得性 |
|---|---|---|
| 3nm | TSMC、三星 | 完全封锁 |
| 4nm/4NP | TSMC | 禁止出口中国 |
| 5nm | TSMC、三星 | 禁止出口中国 |
| 7nm | TSMC、三星、中芯 | 中芯可做，但产能有限 |
| 14nm+ | 中芯、华虹等 | 成熟量产 |
NVIDIA 的制程演进路径是：2022 年 H100 用 4nm，2024 年 B200 用改进型 4NP，2026 年 Rubin 用 3nm。中国同期能获得的最佳制程是 7nm（中芯 N+2，DUV 多重曝光），两者之间差了 2-3 代。
EUV vs DUV：光刻机的代际差距
EUV（极紫外光刻机）是制造 7nm 以下芯片的关键设备，由荷兰 ASML 生产，被美国禁止出口中国。中芯国际只能用 DUV（深紫外光刻机）做 7nm，需要多重曝光来弥补精度不足，代价体现在三个维度：
| 指标 | EUV 单次曝光 | DUV 多重曝光 |
|---|---|---|
| 步骤数 | 1次曝光 | 3-4次曝光 |
| 良率 | 80-90% | 30-50% |
| 成本 | 基准 | 2-3 倍 |
| 产能 | 基准 | 限制较大 |
同样生产一块 7nm GPU，中国的成本更高、良率更低、实际可用芯片数量有限，无法大规模量产。7nm 是 DUV 方案能触及的物理极限，无法突破到 5nm 或 3nm。
HBM 内存的短板
高端 AI 训练需要 HBM（高带宽内存），这是另一个被卡住的环节：
| GPU | 内存规格 | 带宽 |
|---|---|---|
| H100 | 80GB HBM3 | 3.35 TB/s |
| B200 | 192GB HBM3e | 8 TB/s |
| 昇腾 910D | 估计 HBM2e | 估计 1-2 TB/s |
HBM 由韩国 SK 海力士和三星主导，技术门槛极高。国产 HBM 还在研发阶段，带宽指标与 NVIDIA 最新产品之间存在数量级的差距。
CUDA 的二十年护城河
软件栈差距
华为昇腾使用 CANN（Compute Architecture for Neural Networks）作为软件栈，与 CUDA 生态的层级结构对比如下：
| 层级 | CUDA 生态 | CANN 生态 |
|---|---|---|
| 框架层 | PyTorch / TensorFlow | MindSpore（华为自研） |
| 算子库 | cuDNN / cuBLAS | ACL / OP API |
| 运行时 | CUDA Runtime | CANN Runtime |
| 硬件层 | NVIDIA GPU | 昇腾 NPU |
两者的开发深度差距悬殊：
| 维度 | CUDA (2026) | CANN (2026) |
|---|---|---|
| 开发周期 | 20 年 | 约 6-7 年 |
| 开发者数量 | 500 万+ | 估计 15-20 万 |
| 算子库数量 | 3000+ | 估计 500-600 个 |
| 文档完善度 | 极其详尽 | 相对不足 |
| bug 修复速度 | 全球团队支持 | 依赖华为内部团队 |
框架适配的困境
主流深度学习框架对 CUDA 是原生级支持，对昇腾是适配级。以 PyTorch 为例，CUDA 享有最高优先级：性能最优、bug 优先修复、新特性第一时间上线。AMD 的 ROCm 属于次级支持，问题较多。昇腾则通过 torch_npu 扩展来适配，不属于官方原生支持。
这种优先级的差异意味着：PyTorch 的新特性永远先在 CUDA 上实现，昇腾适配永远慢一步。很多算子没有针对昇腾的优化实现，开源社区在这方面的贡献接近于零。
算子移植的工作量
一个深度学习模型可能涉及数百个算子。PyTorch CUDA 算子超过 2000 个，昇腾已适配的算子估计在 500-800 个之间，超过 1200 个算子需要移植。每个算子都需要针对昇腾架构重新实现、进行性能优化调优、完成 bug 测试修复。这是一项庞大且持续的工作，不是一次性投入就能解决的。
人才储备的结构性短缺
GPU 核心人才在全球范围内高度集中在 NVIDIA 和 AMD。中国需要从零培养或海外引进，但顶尖人才回国的概率很低。具体来看，GPU 微架构设计人才主要积累在 NVIDIA 和 AMD，中国极少。并行计算编译器方向，CUDA 团队深耕了 20 年，中国刚起步。高性能算子优化需要同时具备硬件和算法的双重知识，人才本身就稀缺。
即便硬件做出来了，使用者的问题同样棘手。中国 AI 开发者 90% 以上使用 CUDA，学习 CANN 意味着重新理解编程模型、内存管理和性能优化策略。对企业来说，除非政策强制，否则没有动力让团队花几个月时间迁移到一个新平台。
追赶的时间线
差距在缩小，但对手也在跑
2024 年昇腾 910B 对标 H100，落后约 6-8 年。到 2026 年昇腾 910D 对标 B300，落后缩小到约 3-4 年。如果保持这个追赶速度，2028 年可能落后 2-3 年，2030 年可能落后 1-2 年。
但这些预测建立在三个前提之上：制程不被进一步封锁、软件生态持续投入、NVIDIA 不加速迭代。现实情况是这三个前提都不完全成立。NVIDIA 的产品节奏是 H100（2022）到 B200/B300（2024-2025）再到 Rubin R100（2026H2），始终保持两年一代的迭代速度。华为昇腾这边，910D 的目标是 2026 年部署、对标 H100（2022），与 NVIDIA 当前最前沿产品之间仍然隔着 4 年的产品代差。
挑战的优先级排序
中国 GPU 自研面临的挑战可以按紧迫程度排个优先级。最底层也最核心的是硬件架构设计，这方面已有突破，昇腾 910D 架构设计成熟，部分指标接近 H100，资金投入可以持续推动。往上一层是制造工艺，3nm vs 7nm 差了 2-3 代，EUV 光刻机完全封锁，HBM 内存技术落后，这是短期内最难突破的核心瓶颈。再往上是人才知识积累，NVIDIA 用 20 年培养的 GPU 专家团队，编译器团队规模和性能优化经验的差距，需要持续 5-10 年的投入才可能缩小。软件栈层面，算子库 3000+ vs 600、PyTorch 适配约 70% 主流算子、调试工具和 profiler 差距大，但差距正在缩小。最顶层也最难跨越的是生态网络效应：CUDA 20 年积累的 500 万+开发者、学术界默认使用 CUDA 导致论文难以复现、全球开源项目全部绑定 CUDA，这个差距目前仍在扩大。
算力危机暴露了什么
2026 年 Coding Plan 抢不到的直接原因是三重叠加：NVIDIA 高端 GPU（H100、B200 等）禁售导致进口渠道切断，国产 GPU 因 7nm 良率低而产能不足，大模型训练需求爆发式增长远超供给。
表层的供应不足背后是整条技术栈的依赖。硬件层面，高端 GPU、光刻机、HBM 都依赖进口。软件层面，CUDA 生态绑定，开发者只熟悉 CUDA。人才层面，GPU 核心人才集中在海外。生态层面，学术论文和开源项目全部绑定 CUDA。AI 技术栈的每一层，都存在对海外技术的深度依赖。
回顾过去十年，几个战略误判加剧了今天的被动局面。2022 年大模型爆发时，对 AI 算力重要性估计不足，措手不及。制裁风险被低估，没有提前囤货的预案，禁售后立刻出现严重短缺。国产替代速度被高估，以为几年就能追上，实际差距远比预期大。软件生态也被忽视，过去投入集中在硬件，软件生态的投入远远不够。
破局路径和时间预期
短期来看（2026-2027），最现实的路径是强制替代。政务系统、国企央企强制使用国产算力，高校科研优先使用国产平台，互联网公司部分替代。这条路能快速提升国产 GPU 需求量、加速产品迭代，代价是效率损失，短期内性能不如 CUDA。昇腾 910D 在 2026 年大规模部署后，基本需求可以部分缓解，但高端训练需求仍然紧张。
中期来看（2028-2030），更务实的策略是场景突破，不追求通用 GPU，聚焦特定场景。推理场景不需要顶级算力，国产 GPU 可以胜任。边缘计算对功耗要求高，国产方案有优势。政务、金融、医疗等特定行业可以做定制优化。同步推进的目标是昇腾下一代对标 B300、差距缩小到 2-3 年，CANN 算子适配达到 90% 以上，7nm 产能和良率持续改善。
长期来看（2030+），最根本的路径是生态建设。投资开源项目让开发者愿意贡献，建立开发者社区提供培训和文档，推动高校用国产 GPU 做研究，帮助企业迁移到国产平台。制程能否突破取决于光刻机技术进展，不确定性很高。差异化路线也是一个方向，不追求通用 GPU 而聚焦特定领域优化。
回到最初的问题：算力紧张什么时候能缓解？基本需求缓解在 2026-2027 年，高端需求缓解要看 2028-2030 年的技术突破，追上 NVIDIA 可能需要 10-15 年，建立完整生态可能需要 20 年。这不是靠集中投入就能短期解决的问题，而是一个需要 10-20 年持续投入的系统性工程。制裁不加剧、投入不中断、生态持续建设，三个条件缺一不可。