“我们可能无法全部恢复先前的库存减计损失，但大多数库存是可以恢复的。新的客户需求和我们现有的库存产物是可以匹配的，所以不能说100%恢复，但也不是完全没有可能。” 此前，在2025年一季度财报电话会上，黄仁勋对外提到，因中国芯片出口限制带来的计提损失一季度55亿美元，二季度有望升至80亿美元，总损失达到近1000亿元人民币。 作为对比，2024年，英伟达在中国交付了超过100万张H20芯片。按照彼时单芯片1.2万美元到1.3万美元的售价计算，仅H20就为英伟达贡献了超过120亿美元的营收，超过上一财年英伟达中国区的整体营收。 近千亿的潜在亏损，直接影响着英伟达在中国芯片江湖的市场地位。5月份参加Computex 2025期间，黄仁勋对外表示英伟达在中国AI芯片的份额已经从2022年出口管制期间的95%，下降至50%。伴随而来的，则是英伟达在中国的市场的营收占比从2022年的约40%，下降到不到20%。 国产芯片厂商们，成了英伟达中国市场份额下滑中的最大赢家。以DeepSeek R1为代表的推理模型的到来，更是为国产芯片瓜分英伟达平添了一份助力。 2025年前，大模型行业更多处在预训练阶段，一众国产芯片厂商都难以在训练效率和结果上匹敌英伟达芯片。但进入后训练阶段的推理模式后，调用大模型过程中，随着客户对芯片性能的要求直线下降，落后英伟达好几代的国产芯片厂商们，终于等来一次难得的平替机会。 寒武纪更是凭借飙涨的订单量，罕见地完成了扭亏为盈。沐曦股份和摩尔线程等初创芯片公司，更是在蜂拥订单助力下，纷纷开启了上市冲刺。 4月份，华为对外推出CloudMatrix 384超节点，官方称其已在芜湖数据中心规模上线。据“科创板日报”报道，华为内部人士称其为核弹级的产物，或将彻底终结算力焦虑。 传统AI服务器通常包括8张算力卡，一台服务器称为一个节点。在ChatGPT掀起大模型浪潮，并验证了缩放法则（Scaling Law）的正确性后，更大的算力集群，便成了训练出更优模型的必备条件。 针对上述难题，2024年3月，英伟达率先发布了NVL72超节点，支持把72张算力卡组成一个超节点，为万亿参数的大模型训练和推理提供服务。 华为的野心时刻被黄仁勋看在眼中。在谈及国产芯片竞争时，黄仁勋再度提及华为，“任何低估华为、低估中国制造能力的人，都是极其天真无知的。华为是一家非常强大的公司，我以前见过他们开发出的技术……他们能够做到和我们接近，这说明了一切。” 2025年一季度，寒武纪实现营业收入11.11亿元，同比暴涨4230.22%，接近去年全年营收。归属于上市公司股东的净利润3.55亿元，上年同期为亏损2.27亿元，实现历史性的扭亏为盈。这也是寒武纪连续第二季度实现盈利，去年第四季度寒武纪归母净利约为2.81亿元。 以寒武纪为例，尽管其一季度营收暴涨超40倍，但绝对值上也只有约11亿元人民币，相比英伟达一季度55亿美元的计提损失，占比不到3%。 就在国产芯片还在等待产能提升的当下，英伟达H20芯片值此解除禁售，等于反过来又抢了一波国产芯片的空窗期。这一变动，将直接影响三季度后的国产芯片厂商整体营收规模，也将抢占国产芯片原本就不大的市场空间。 年初DeepSeek爆火带动一众科技大厂加码To C应用时，尤其是腾讯元宝因接入DeepSeek流量暴涨，有报道称腾讯、字节等向英伟达紧急下单了一批H20芯片，以满足AI应用的算力消耗。 但随着4月份H20被禁，上述订单也不了了之。近期H20解禁后，外界很快传出字节、腾讯等厂商已经向英伟达下单。对此，黄仁勋否认称，自己还没来得及与任何客户会面。“需要一些时间来提升H20供应链的产能，未来几个月，英伟达将努力加速这一过程。” 之所以仍有一众厂商愿意等待英伟达H20芯片，关键原因之一在于，英伟达芯片在多卡串联的并行计算环节，仍然存在较大优势。 微软大中华区Azure事业部总经理陶然便曾对外解释道，很多厂商没有能力去实现多卡连接，但多卡并行运算却直接决定着大模型训练所需花费的时间成本，“同样的一套模型，如果训练一次需要花费一周成本为100万美元，但如果带宽太小最终耗时两周，那成本就将乘以2。” 在崇尚效率的大模型赛道，时间有时比金钱更重要。更糟糕的是，即便是在更换国产GPU的过程中，国内AI厂商眼下也面临无法使用更先进制程工艺芯片的挑战。美国相关部门已经将壁仞、摩尔线程等国产GPU公司列入实体清单，这意味着在没有获得许可的情况下，它们既不能进口含有美国公司的任何技术或产物，也不能通过台积电等代工厂生产14nm以下的先进芯片。 对国产芯片厂商来说，算得上好消息的一点是，从2022年开始的英伟达芯片禁令，把控方向正变得越来越严格，且政策还往往易变。即便H20芯片解禁，从供应链稳定和安全的角度考量，部分AI厂商也需要这些国产芯片厂商继续供货。 英伟达的麻烦并未随着H20的解禁而告一段落。相比上半年近千亿的损失，更令英伟达担忧的，则是大客户纷纷自研芯片的现状。这一景象已经在美国陆续发生。 谷歌曾是最早大规模采购GPU来进行AI计算的公司，但后来研发自己的AI专用芯片，在2016年就已经发布了第一代TPU（张量处理单元）。如今，从AI绘图公司Midjourney，到AI独角兽公司Anthropic，都开始使用起了谷歌的算力。 亚马逊也借助2015年收购的以色列芯片初创公司Annapurna Labs，在2018年前后推出了基于Arm的服务器芯片和AI芯片，并开始将自研算力服务器兜售给包括OpenAI、Anthropic等在内的AI大客户，从而挤占英伟达的市场份额。 就连一贯英伟达强绑定的OpenAI，也在内部筹划着自研芯片的事情。至少从2022年开始，OpenAI就已经讨论了各种方案，希望能解决芯片又贵又短缺的问题，自研芯片便是方案之一。 对需求量大的国内科技大厂而言，成本压力也是华为、阿里、百度、字节、腾讯等自研芯片的原因之一。国信证券在一份研报中称，处理器芯片占服务器BOM（物料清单）成本约40%。 在阿里、百度相继推出各自的平头哥和昆仑芯计划之后，2021年3月，媒体曝出字节跳动正在自主研发云端AI芯片和Arm服务器芯片。字节跳动随后证实，正在组建芯片团队。 几乎在同一时间，腾讯也被曝出多个芯片研发岗位的招聘信息。官方随后回应，腾讯正在研发的并非通用芯片，而是基于一些业务需要，在特定领域展开的协处理器研发尝试，比如AI加速和视频编解码等。 类比当前智能手机领域的芯片竞争格局，展望未来的AI芯片领域，未必不会达成部分复杂场景用英伟达芯片，部分简单场景用自研和国产芯片的混合计算架构局面。
