2025年刚过去一半，我翻看各家厂商的新品发布记录，最大的感受就是“密度高得有点喘不过气”。从年初CES上边缘AI芯片扎堆亮相，到GTC大会上训练卡迭代，再到国内厂商在推理赛道密集出牌，几乎每个月都有值得拆解的新品。这种节奏跟过去两年不太一样，2023年大家还在追大模型训练算力的缺口，2024年开始分化，到了2025年，云端训练、云端推理、边缘计算和终端AI芯片四条产品线各自跑出了独立的发布节拍。我试着从产品矩阵的角度去梳理，发现一个挺有意思的现象：头部厂商不再追求一颗芯片打天下，而是用系列化产品覆盖不同功耗和场景区间。英伟达的Blackwell Ultra和后续路线图里，训练和推理的边界在模糊，但产品型号反而更细了。国内厂商这边，推理芯片的发布频率明显高于训练芯片，这跟供应链约束和市场需求结构都有关系。
从类型上看，云端训练芯片依然是技术制高点，但发布数量在减少，单颗芯片的迭代周期拉长到18到24个月。推理芯片成了最热闹的战场，几乎每季度都有新品，而且不少是专门为MoE架构和长上下文场景优化的。边缘AI芯片今年有个明显变化，算力门槛从几十TOPS抬到了100TOPS以上，功耗却卡得很死，这让很多做智能座舱和工业视觉的厂商开始重新选型。终端侧，手机SoC里的NPU算力竞赛还在继续，但更值得关注的是PC处理器里AI引擎的标配化，高通、英特尔、AMD都在往这个方向使劲。我统计了一下上半年公开亮相的AI芯片新品，数量比去年同期多了将近四成，其中推理和边缘两类占了七成以上。
国际巨头的布局逻辑比较清晰，英伟达继续用架构代际领先拉开身位，Blackwell Ultra之后紧接着预告了Rubin，节奏感很强，但客户的实际交付体验还得看台积电CoWoS产能的脸色。AMD的MI350系列今年主打性价比和内存容量，在几个大客户那里拿到了不错的推理份额，我听到的反馈是软件栈成熟度比上一代好了不少。英特尔这边，Gaudi 3的声量比去年小了一些，重心似乎在往代工和系统级方案上倾斜。有意思的是谷歌和亚马逊，自研芯片的迭代速度在加快，TPU v6和Trainium 2的部署规模上得很快，这对商用芯片厂商来说是个需要认真对待的信号。
国内厂商的差异化路线走得更明显一些。华为昇腾在训练侧继续迭代，但受制于先进制程和HBM供应，产品发布节奏更注重“可用”而非“领先”，生态建设上的投入肉眼可见地在加大。寒武纪今年在推理芯片上发力很猛，思元系列的新品在能效比上做了不少优化，一些互联网客户的推理集群里开始出现批量部署。海光的DCU路线跟AMD有相似之处，但在软件兼容性上走了自己的路。燧原、壁仞这些厂商今年更聚焦特定场景，比如燧原在智算中心项目里的落地案例多了起来，壁仞则在图形渲染和AI融合场景里找空间。我注意到一个细节，国内不少新品发布时会特意强调“已适配主流大模型”和“迁移成本低”，这跟前两年只谈峰值算力形成了对比。
算力数字还在涨，但大家的关注点明显在转移。训练芯片的单卡FP16算力突破2000 TFLOPS已经不稀奇，真正让客户动心的是集群层面的有效算力利用率。英伟达今年在DGX SuperPOD方案里反复强调线性度，AMD则用开放式的Ultra Ethernet联盟来争取客户。能效比被提到了前所未有的高度，数据中心供电和散热压力太大了，一颗700W的芯片和一颗1000W的芯片，在同等算力下客户肯定选前者。HBM容量成了推理场景的关键指标，192GB甚至288GB的配置开始出现，原因很简单，大模型的KV Cache太吃显存了。互联带宽方面，NVLink和UALink的竞争在2025年变得具体起来，国内厂商也在推自己的互联协议，但生态号召力还需要时间积累。软件栈的差距依然存在，CUDA的护城河没那么容易跨过去，但PyTorch生态的碎片化给了后来者一些切入点，比如针对特定模型结构的编译优化，今年有几家初创公司就是靠这个拿到融资的。
新品密集发布对市场竞争格局的影响是直接的。客户选型时不再只看单卡跑分，而是把TCO模型算得更细，包括采购成本、电费、机架空间、运维复杂度和软件迁移成本。我接触的几个智算中心项目里，甲方开始要求厂商提供“同等精度下的有效吞吐量”对比数据，而不是理论峰值。这对新入局的厂商是个门槛，但对有系统级优化能力的厂商是机会。客户结构也在变，除了互联网大厂和运营商，今年明显感觉到金融、能源和制造行业的采购量在上升，他们对芯片的易用性和稳定性要求更高，对生态的依赖也更强。
另一个影响是产品生命周期管理变得更复杂。以前一颗训练芯片卖三四年很正常，现在客户会问“下一代什么时候出”和“软件支持周期多长”。英伟达的年度架构更新节奏给竞争对手带来了压力，但也让客户养成了持币观望的习惯。我了解到一些客户在2025年上半年放缓了采购决策，就是等着看Blackwell Ultra的实际交付表现和AMD MI350的评测数据。这种观望情绪对二线厂商不太友好，订单集中度反而更高了。从长期看，产品矩阵的丰富度会成为厂商竞争力的重要维度，单一产品线的公司抗风险能力明显弱一些。终端和边缘侧的碎片化需求，恰好给了中小厂商和一些细分赛道玩家生存空间，比如做智能驾驶芯片的几家国内公司，今年在车企定点上的进展比去年顺利，因为车企对算力和功耗的平衡有了更明确的要求，不再盲目追求高算力。
今年跑了几场产业链的闭门交流会，我最大的感受是，大家嘴上聊的是芯片性能，心里盘算的全是产能和交期。一颗芯片从设计定稿到真正塞进服务器机柜，中间隔着晶圆排产、先进封装、良率爬坡、客户验证一大堆关卡。2025年这半年，我跟踪了几家头部厂商的量产节奏，发现一个挺有意思的错位：设计端的速度在加快，但制造端的瓶颈反而更集中了。尤其是先进制程和先进封装这两块，几乎成了所有AI芯片公司的共同命门。
先说说晶圆代工这边的情况。台积电的N3家族今年排产非常紧，苹果和高通拿走了大头，留给AI芯片的3nm产能其实比外界想象的要少。英伟达的Blackwell系列主力还是在N4和N4P上，真正上N3的是下一代Rubin的部分产品，节奏卡得很谨慎。我了解到的情况是，台积电南科Fab 18的N3产线利用率一直维持在九成以上，AI客户想插单基本排不进上半年。三星那边倒是很积极，3nm GAA的报价比台积电低了一截，但客户对良率的顾虑还没完全打消。几家国内设计公司跟我聊过，他们去三星流片的意愿在上升，前提是产品对制程的敏感度没那么高。
国内的情况更复杂一些。中芯国际的N+2工艺在AI芯片上的应用在扩大，主要是推理芯片和边缘侧产品，但产能分配是个现实问题。我认识的一家做推理卡的公司，去年Q4流片，今年Q1才拿到 wafer，中间还因为产能调配被推迟了一次。他们的CEO跟我说，现在不是钱的问题，是排不上队。这种情况在7nm及以下节点尤其明显，设计公司普遍在提前锁定产能，有的甚至愿意预付全年费用来换优先级。华虹那边在特色工艺上有优势，但先进逻辑制程的缺口短期内补不上，这也是国内AI芯片厂商在产品定义上更偏向成熟制程和Chiplet方案的原因之一。
存储供应链的紧张程度不比晶圆代工低。HBM3E今年几乎成了高端训练芯片的标配，SK海力士的产能被英伟达和AMD锁掉了大部分，三星的HBM3E良率爬坡比预期慢，美光在HBM3E上的进度倒是快了一些，但总量还是不够分。我跟一个做智算中心集成的朋友聊，他说现在HBM的采购周期拉长到了26周以上，有些型号甚至要提前半年下单。这直接影响了整机的交付节奏，客户下单了芯片，但内存颗粒跟不上，机器就出不了货。国内厂商在HBM上的处境更难一些，长鑫在HBM2E和HBM3上有进展，但大规模量产的时间表还比较模糊，目前主要靠库存和渠道拿货，成本高出不少。
先进封装是另一个卡脖子的环节。CoWoS产能今年虽然扩了不少，台积电竹南AP6厂区投产之后月产能往4万片以上走了，但需求涨得更快。英伟达一家就吃掉了CoWoS产能的六成左右，AMD、博通、谷歌这些客户在抢剩下的份额。我听到的反馈是，CoWoS-L和CoWoS-R的排产周期已经拉到30周以上，有些中小客户根本拿不到产能。这就逼着大家去找替代方案，日月光和矽品在Fan-Out和2.5D封装上接了不少单，但良率和产能规模跟台积电还有差距。国内的长电科技、通富微电在Chiplet封装上做了不少布局，通富微电跟AMD的合作比较深，今年在苏州和槟城的产线都在扩，但高密度互连和TSV这些关键工艺的成熟度还需要时间验证。
Chiplet路线在今年明显升温。我观察到的一个变化是，以前大家谈Chiplet主要是为了降成本，现在更多是为了绕开制程限制和提升良率。把大芯片拆成几个小die，用先进封装连起来，良率能提升不少，这对国内厂商来说尤其有吸引力。但Chiplet的难点在互联和封装，UCIe协议的支持度在提高，可实际落地时信号完整性和功耗问题还是让设计团队头疼。我跟一家做Chiplet互联IP的初创公司聊过，他们今年的订单量翻了快两倍，客户主要来自国内AI芯片公司和一些系统厂商。这个信号挺明确的，封装环节的创新在加速，但良率爬坡的曲线各家不一样，有的封装厂报出来的良率数据好看，实际量产时波动很大。
量产节奏这块，我梳理了几家代表性厂商的时间线。英伟达Blackwell Ultra的送样从去年Q4就开始了，今年Q1小批量交付，Q2产能爬坡，真正大规模出货要到Q3。这个节奏比上一代快了大概一个季度，但客户验证的周期没有缩短，云厂商的测试团队反馈说，新架构的软件适配工作量比预期大。AMD MI350的节奏类似，Q1送样，Q2量产，但他们的客户验证周期拉得更长一些，因为软件栈的成熟度还在追赶。国内厂商这边，华为昇腾的新品流片到量产的时间窗口在拉长，受制于先进制程和HBM供应，有些型号的交付周期排到了年底。寒武纪的思元系列今年量产节奏比较顺，跟我聊过的某互联网客户说，他们Q1下的单，Q2就拿到了首批货，这个速度在国内厂商里算不错的。
客户验证环节的变化也值得说说。以前芯片厂商送样之后，客户跑个benchmark，测一下稳定性和功耗，流程相对简单。今年不一样了，大模型客户会拿实际的训练任务和推理负载来测，跑的是千卡甚至万卡集群，验证周期从四周拉长到了八到十二周。我认识的一个云厂商技术负责人跟我说，他们现在选型时最看重的是“集群线性度”和“故障恢复时间”，单卡跑分反而没那么重要。这对芯片厂商的现场支持能力提出了更高要求，派驻工程师驻场成了标配。有些厂商为了赶交付窗口，会把验证流程拆成几个阶段并行推进，风险是后期可能发现兼容性问题，返工成本很高。
交付周期方面，我拿到的一些数据挺能说明问题。英伟达高端训练卡的交付周期从去年的52周缩短到了今年的36周左右，改善明显，但推理卡因为需求爆发，交期反而拉长到了40周以上。AMD的交期在32到36周之间，比去年好一些。国内厂商的交期分化很大，头部厂商能做到20周以内，中小厂商普遍在30周以上。有个做边缘AI芯片的创业者跟我说，他们的产品用的是成熟制程，交期反而比大厂稳定，客户下单后12周就能出货，这在当下的环境里成了竞争优势。这个现象挺有意思的，先进制程不是所有场景的必选项，成熟制程加架构优化在边缘侧照样能打。
供应链风险这块，地缘政策和出口管制的影响还在发酵。美国商务部去年底更新的出口管制规则，把HBM和先进封装设备也纳入了限制范围，这对国内厂商的采购渠道影响不小。我了解到一些公司通过海外子公司和渠道商在想办法，但成本和合规风险都在上升。备货策略上，大厂从去年就开始把关键物料的库存周期从八周拉长到了十六周甚至更长，占用的资金量很大，但没办法，断供的风险比资金成本更让人担心。国内一些厂商在推多元化供应，HBM找三星和长鑫同时谈，封装找长电和通富分单，晶圆代工在中芯和三星之间做平衡。这种策略能降低单点风险，但管理复杂度上去了，采购团队的压力很大。
韧性策略的另一个方向是技术替代。我注意到国内几家AI芯片公司在架构设计上刻意降低对先进制程和HBM的依赖，比如用近存计算架构减少对外部内存的调用，或者用Chiplet方案把大芯片拆小来提升良率。这些路线的短期性能上限可能不如英伟达的旗舰产品，但在供应受限的环境下，能稳定交付比跑分领先更重要。有个做智算中心的朋友跟我说了一句挺实在的话：“客户现在不问你是不是最先进的，问的是你下个月能给我交多少台。”这话糙理不糙，2025年的供应链竞争，比的不是谁跑得快，是谁掉链子少。
供应链的地域多元化也在加速。台积电在美国和日本的厂子在爬坡，三星在得州和韩国的产线在扩，欧洲的芯片法案推动下，意法半导体和英飞凌也在布局AI相关产能。这些新增产能短期内缓解不了紧张局面，但客户的心理预期在变化，至少有了备选方案的想象空间。我了解到一些云厂商在要求芯片供应商提供“非单一产地”的交付方案，哪怕成本高一些，也要保证供应链的地理弹性。这种需求传导到芯片厂商那里，又变成了产能预定的提前量和更复杂的物流规划。整个供应链的协同复杂度在2025年上了一个台阶，以前是芯片厂催代工厂，现在是客户直接盯着代工厂的排产表。
上个月在张江跟一位做芯片架构的老朋友吃饭，他跟我说了一句话让我印象很深——"现在客户来问芯片，第一句话不是问多少TFLOPS，而是问你这套东西跑我们的模型顺不顺、迁移要多久。"这话搁两年前不太常见，那会儿大家比的还是纸面算力。2025年这大半年跑下来，我越来越强烈地感觉到，AI芯片的竞争重心正在从"造一颗快芯片"转向"造一套能落地的系统"，架构、软件、场景这三件事拆不开了。
架构这条线上，GPU还是训练场景的绝对主力，但ASIC和NPU在推理侧的分化越来越明显。我跟一家云厂商的硬件选型负责人聊过，他们的训练集群九成以上还是英伟达的卡，换不动，生态惯性太大。但推理侧就完全不一样了，他们今年新上的推理资源池里，ASIC方案的占比从去年的15%涨到了接近30%。原因不复杂，推理负载相对固定，ASIC在能效和成本上的优势一旦跑通，替代意愿就上来了。谷歌TPU的迭代节奏在加快，AWS的Trainium和Inferentia也在自家云上跑出了规模效应，国内几家做推理ASIC的公司今年出货量都不错。
FPGA的处境有点微妙。它在边缘侧和特定协议处理上还有不可替代性，但通用AI推理这块正在被ASIC和NPU挤压。我认识一家做工业视觉检测的公司，以前用FPGA做前端预处理，今年换成了一颗国产NPU，成本降了四成，开发周期反而短了。FPGA厂商也在往"FPGA+AI引擎"的异构方案上转，但客户对工具链的抱怨还是比较集中，硬件可编程的优势被软件门槛抵消了不少。
存算一体和光子计算这两个方向，今年从实验室往产品端走的速度比预期快。存算一体方面，国内有几家初创公司在SRAM和RRAM路线上做出了小算力芯片，主打超低功耗场景，比如智能家居和可穿戴设备里的always-on语音唤醒。我试过一家公司的demo板，跑关键词识别模型功耗只有毫瓦级，这个指标在电池供电设备上很有吸引力。光子计算那边，海外几家公司的进展更受关注，一家做光子互连的公司今年拿到了大额融资，产品定位是芯片间和机架间的高速互连，跟AI集群的scale-out需求正好对上。光子计算的算力芯片本身离商用还有距离，但光互连这个切口很务实。
训练和推理芯片的分化是今年最确定的一条趋势。大模型训练对算力、内存带宽和集群规模的要求还在往上走，单卡性能不是唯一指标，集群的线性度和稳定性才是客户真正掏钱的理由。我接触的几个千卡以上训练集群项目，客户在选型时把"故障恢复时间"和"通信开销占比"放在了benchmark分数前面。这直接推动了芯片厂商在互联技术上的投入，NVLink、Infinity Fabric这些私有协议在升级，UCIe这样的开放标准也在追赶。
推理侧的降本压力比训练侧大得多。一个做大模型应用的朋友给我算过账，他们现在推理成本占运营成本的六成以上，每token的成本降不下来，商业模式就跑不通。这逼着芯片厂商在推理芯片上做取舍，不一定追求最先进的制程，而是把内存容量、能效和批处理效率做到位。今年有几款推理芯片刻意用了成熟制程，把省下来的成本堆到HBM容量上，客户反馈反而更好。有个做智能客服的团队跟我说，他们换了一款国产推理卡之后，单次对话成本降了三分之一，迁移工作量比想象中小，因为模型结构相对标准。
软件生态这块，英伟达的CUDA护城河还是最深的那条。我跟几个做模型迁移的工程师聊，他们的一致反馈是，从CUDA迁到其他平台，真正花时间的不是算子重写，而是调试和性能调优。一个千亿参数模型的迁移，三个人月是起步价，调优再翻一倍。这个成本对中小团队来说很现实，也是很多客户明明看到国产芯片性价比更高却迟迟不动的原因。
国产软件栈今年的进步值得说一句。几家头部芯片公司的编译器工具链在成熟度上往上走了一个台阶，对PyTorch和TensorFlow主流算子的支持覆盖率明显提高，模型迁移的自动化工具也在迭代。我试过一家的迁移工具，把一个开源模型从CUDA迁过去，自动转换能覆盖七成左右的算子，剩下的手工调，两天能跑通。这个体验比去年好太多了。但框架适配的碎片化问题还在，不同芯片厂商各自维护一套工具链，开发者学一套用一套，学习成本堆叠起来不小。有开发者在社区里吐槽说，现在不是缺芯片，是缺一个能统一调度多款芯片的中间层。
开发者支持方面，我观察到的一个变化是芯片厂商开始往社区和高校里扎。办训练营、出教程、给免费算力额度，这些动作以前也有，但今年密度明显上来了。一家国产GPU公司的社区运营跟我说，他们今年办了三场线下黑客松，来的开发者有一半是第一次接触他们的平台。这种地推式的生态建设见效慢，但没有捷径。另一个方向是跟模型厂商做联合优化，芯片厂派团队驻场，针对主流开源模型做深度调优，把性能压榨出来再打包成参考方案给客户。这个做法在推理场景里效果不错，客户拿来就能用，迁移门槛降了不少。
行业应用落地这块，数据中心还是最大的盘子，但结构在变。训练集群集中在头部云厂商和大型AI公司手里，推理集群则在往行业客户和中小团队扩散。我跟一个做智算中心运营的朋友聊，他们今年新建的推理资源池出租率比训练池高不少，客户画像从互联网公司扩展到了金融、医疗和政务。这些客户对芯片的要求不太一样，金融客户看重稳定性和数据安全，医疗客户在意对特定模型的支持度，政务客户关注供应链的合规性。一颗芯片打天下的时代过去了，场景适配能力成了芯片厂商的必修课。
智能汽车是今年落地速度最快的场景之一。智能座舱和自动驾驶两条线上，芯片的算力需求在分化。座舱芯片更看重多屏交互和语音助手的响应速度，对算力要求没那么极致，但稳定性和车规认证是硬门槛。自动驾驶芯片在往高算力走，城市NOA的普及推动了对稠密算力的需求。我试驾过一款搭载国产智驾芯片的车，城市道路的变道和避障表现已经挺流畅了，跟一年前的体验差别很大。车企在芯片选型上的话语权也在变化，以前是Tier1说了算，现在主机厂直接跟芯片厂谈定制，这个趋势对芯片公司来说是机会也是挑战。
消费电子里的AI芯片落地比预期低调但扎实。手机端的NPU算力在涨，但用户感知强的场景还是集中在拍照、语音和文本处理上。一家手机厂商的芯片规划负责人跟我说，他们现在选NPU IP最看重的是能效比和面积，算力数字好看但发热控制不住，用户体验就崩了。PC端的AI芯片在往"本地跑大模型"的方向走，今年有几款笔记本搭载了能跑70亿参数模型的NPU，实测下来生成速度能用，但离流畅还有距离。这个场景的想象空间很大，隐私和离线可用性是卖点，瓶颈在内存带宽和模型压缩技术。
工业场景的AI芯片落地是个慢功夫，但今年看到了一些实在的进展。一家做缺陷检测的设备商告诉我，他们以前用GPU方案，功耗和成本都高，今年换了一款国产边缘AI芯片，单台设备的物料成本降了四成，产线部署的速度也快了。工业客户对芯片的要求很务实，不追求峰值算力，看重的是长期供货稳定性和工具链的易用性。这个市场分散、碎片化，大厂看不上，反而给了中小芯片公司机会。我了解到几家做边缘AI芯片的创业公司今年营收翻倍，客户集中在工业质检、安防和零售分析这几个赛道。
边缘计算这块，AI芯片的形态在多样化。除了传统的SoC方案，今年看到一些把存算一体和近存计算架构用在本地的尝试，主打超低功耗的持续感知。一个做智能家居方案的朋友跟我说，他们下一代产品打算用一颗近存计算芯片做本地语音处理，功耗目标是现在的三分之一。这类需求在电池供电和 always-on 场景里会越来越多，芯片厂商如果能在这个方向上把工具链和功耗做扎实，市场空间不小。
回头来看，2025年AI芯片的技术演进跟应用落地之间的关系，比往年紧密了很多。架构创新不再只是实验室里的论文指标，而是要在客户的实际负载里跑出性价比。软件生态的竞争也不再是"有没有"，而是"好不好用、迁移快不快"。我跑了这么多场交流下来，最深的感受是，这个行业正在从"芯片定义场景"转向"场景倒逼芯片"，谁能把架构、工具链和行业know-how捏在一起，谁就能在落地这关拿到分。下半年我打算重点跟踪几个推理芯片的规模化部署案例，以及存算一体在边缘侧的实际出货数据，这两个方向的水温变化，应该能看出明年的一些苗头。
前阵子在一个闭门交流会上，有位做投资的哥们儿问我，2025年AI芯片行业最让他看不懂的是什么。我想了想，说大概是“一边喊着产能过剩，一边又到处抢不到货”。训练卡在头部客户那里确实有些消化不动了，可推理卡在行业客户那边又供不应求，同一个市场里冷热不均到这个程度，说明竞争格局正在重新洗牌。我跑了大半年，跟芯片公司、云厂商、政策口的人聊下来，感觉这个行业的分层越来越清楚了——头部在筑墙，腰部和尾部在找缝。
英伟达的位置还是最稳的那一个，但稳的方式在变。以前大家讨论的是“谁能追上英伟达”，现在讨论的是“谁能在英伟达顾不过来的地方活下来”。我跟一家国产GPU公司的销售负责人聊，他说他们今年的策略很明确，不去跟英伟达拼通用训练市场，专攻推理和特定行业场景，比如金融风控和医疗影像。这个打法听起来保守，但营收数据确实在涨。头部云厂商的自研芯片也在加速，谷歌TPU迭代到第六代，AWS的Trainium出货量据说今年要翻倍，这些自研芯片不对外卖，但把自家云上的推理成本压下来之后，对整个市场的芯片定价体系是有冲击的。
国内厂商的分化在加剧。华为昇腾在政策和信创市场的推动下出货量增长很猛，我了解到一些地方智算中心的项目里昇腾的占比已经相当高。寒武纪、海光这些上市公司在资本市场上的表现也反映出预期在往上走。但另一面，我认识两家做AI芯片的初创公司，今年的融资进度明显放缓了，投资人开始问“你的客户是谁、订单在哪、毛利多少”这些以前不太追问的问题。前两年PPT融资的时代过去了，现在到了拿产品说话的时候。
初创企业里活得比较好的，基本都找到了一个很具体的切口。有一家做存算一体芯片的公司，团队不大，但产品在可穿戴和智能家居市场上站住了脚，今年营收翻了两倍多。创始人跟我说，他们压根没想过跟大厂正面竞争，就是找一个大厂不愿意弯腰去做的细分市场，把功耗和成本做到极致。这个逻辑在边缘侧和端侧特别成立，因为场景太碎，大厂的产品定义覆盖不过来。但我也看到一些初创公司同时在三四个方向上铺产品线，团队就一百来号人，这种打法在资本充裕的时候还行，现在这个环境里很容易被拖垮。
云厂商自研芯片这件事，我听到的反馈比较两极。做芯片的人觉得这是必然趋势，做云服务的人则觉得短期内还是得靠外采。一家中型云厂商的技术负责人跟我说得很实在，自研芯片的经济账只有在规模到一定程度才算得过来，他们这种体量的公司，未来三年还是以采购为主，自研顶多做一些定制化的加速卡。这个判断跟头部云厂商的选择并不矛盾，头部有规模摊薄研发成本，腰部跟跑就行，没必要自己从头造轮子。
生态合作这块，今年的一个明显变化是芯片厂商开始往“抱团”的方向走。以前大家都想自己建一套生态，从芯片到工具链到应用全包，现在发现成本太高、速度太慢，开始找互补的伙伴。我参加过一个芯片公司和服务器厂商的联合发布会，两家把产品打包成一体机方案卖给行业客户，客户不用自己折腾适配，开箱即用。这个模式在政企市场特别受欢迎，因为客户的技术能力参差不齐，他们需要的是解决方案，不是一颗裸芯片。
模型厂商跟芯片厂商的协同也在加深。今年有几家做大模型的公司跟芯片公司签了战略合作，联合做推理优化，芯片厂派团队驻场，针对模型的算子结构做定制调优。我试用过一款经过联合优化的推理方案，同样一张卡跑同一个模型，优化后的吞吐量比通用方案高了四成。这种深度绑定对双方都有好处，模型厂拿到了更低的推理成本，芯片厂拿到了标杆案例，但风险在于绑定太深之后换平台的成本也高了，客户选型时会更谨慎。
行业联盟和标准组织的作用在上升。UCIe联盟今年成员数量增长很快，做Chiplet互联的公司基本都往里挤。我跟一个参与标准制定的工程师聊，他说现在的状态是“标准赶不上产品”，芯片厂的产品迭代速度比标准落地快，很多公司一边参与标准讨论，一边在自己的私有方案上狂奔。这种竞合关系在互联协议上特别明显，大厂想推自己的私有协议，中小厂商希望有开放标准可以跟，最后大概率是私有和开放两条线并行，谁也吃不掉谁。
政策环境这边，出口管制的影响还在发酵，但市场的适应方式在变化。美国那边对高端芯片和制造设备的限制没有松动迹象，英伟达的特供版本在性能上做了妥协，国内大客户对特供版本的采购意愿在下降。我跟一个做数据中心的朋友聊，他说他们今年的策略是“能买就买，买不到就换”，国产替代从“可选项”变成了“必选项”。这个转变对国内芯片公司是机会窗口，但窗口期有多长，谁也说不准。
补贴政策在各地开花。上海、北京、深圳都出了针对AI芯片和智算中心的专项支持政策，从流片补贴到算力券都有。我了解到一家做推理芯片的初创公司，今年拿到的政府补贴占了研发投入的两成多，这笔钱对他们来说是续命钱。但补贴也有副作用，有些项目为了拿补贴而上，实际落地效果一般。一个地方工信口的朋友私下跟我说，他们现在审核项目时最怕的就是“PPT芯片公司”，团队履历光鲜、产品指标漂亮，但一到量产就掉链子。政策制定者也在学习，开始把量产能力和客户验证作为补贴发放的硬条件。
区域供应链重构是个慢变量，但方向挺清楚。东南亚和印度在承接一部分封装测试产能，欧洲在推自己的芯片法案，日本在材料和设备端卡位。这些动作短期内改变不了全球芯片供应链的基本格局，但中长期看，供应链的区域化碎片是大概率事件。我认识一家做芯片封装材料的公司，他们今年的策略是在三个国家布局产能，成本高了，但客户愿意为供应链安全付溢价。这个逻辑跟芯片设计公司选代工厂的逻辑是一样的，以前只看价格和产能，现在要把地缘风险折算进去。
对2025年下半年的趋势判断，我自己列了几个观察指标，平时跟踪数据的时候会重点看。出货量方面，我更关注推理芯片的月度出货数据，尤其是行业客户那边的部署量，训练卡的数据已经被头部几家吃透了，增量看推理。良率方面，CoWoS和HBM的良率爬坡速度决定了高端芯片的实际供给量，这个数据比任何发布会都实在。成本方面，每token推理成本的变化趋势是我最关心的，这个指标直接决定了AI应用能不能大规模铺开。能效方面，每瓦性能在边缘和端侧场景里比峰值算力更有参考价值，电池供电设备的功耗预算卡得很死。
落地案例的密度也很关键。去年大家还在讲标杆案例，今年要看的是一样东西能不能复制到一百个客户那里。我跟踪了几个行业，金融和医疗的复制速度比想象中慢，合规和验证周期太长；智能汽车和工业质检的复制速度快一些，场景相对标准，客户决策链条也短。一个做工业AI的朋友跟我说，他们今年最大的变化是客户不再问“AI能干什么”，而是问“你的方案在我这条产线上多久能回本”。这个问题很务实，回本周期算得过来，单子就签得快。
还有一个观察指标是人才流动的方向。我注意到今年做AI芯片的工程师往推理芯片和边缘芯片公司流动的比例在上升，训练芯片那边的人才需求增速放缓了。这个信号比较微妙，人才流向往往领先于市场变化半年到一年。另一个信号是设备端的订单结构，先进封装设备的订单排期比前两年长了，说明产业链对后端的重视程度在提高，这也跟Chiplet和先进封装的技术趋势对得上。
说来说去，2025年AI芯片这个行业的关键词就是“分化”。头部在扩产能、建生态、绑客户，腰部在找细分、抱大腿、控成本，尾部在融资寒冬里挣扎。竞争格局从“一超多强”往“多层多极”演变，政策在中间扮演了加速器的角色，但最终决定胜负的还是产品能不能在客户那里跑出性价比。我下半年打算重点盯几个数据：国产推理芯片在金融和政务市场的实际部署量、头部云厂商自研芯片的对外输出动向、以及HBM和先进封装的产能释放节奏。这几个变量怎么走，明年的格局轮廓大概就能看出来了。
