黄仁勋离职风波背后：国产AI芯片份额升至28%，远程算力监管留白

（本文作者为 孙永杰，钛媒体经授权发布）

英伟达创始人兼CEO黄仁勋离职风波近日在业内引发强烈反响，至今仍在发酵。站在中国AI产业的现实与发展角度看，这不只是一起围绕芯片转运和出口管制的调查。它照出的是中国AI产业眼下的处境：国产算力在加速追赶，可从"可用"到"好用"、从单颗芯片的突破到完整的系统能力，都还需要时间；另一边，企业又得在激烈的AI竞争里抢模型训练速度和产品迭代效率。短期竞争需求与长期自主化目标之间的这道时间差，正是当前中国AI算力发展的一重现实张力。

管制管的是芯片，企业要的是算力

回望这起事件，关键不只在某些服务器最终流向了哪里，更在于两种逻辑的错位：美国出口管制盯的是先进芯片的物理流向，中国AI企业真正需要的却是能持续、稳定用上的先进算力。

过去出口管制盯的是怎么拦住先进芯片流向某些国家，英伟达Blackwell这类高端产品就是照这个路子被挡在中国市场门外的。到了2026年1月，美国对英伟达H200和部分同类产品的出口政策做了调整，符合特定条件的话可以逐案审查，不过这不代表全面放开。具体条件涵盖美国境内第三方测试、最终用户审查，还有供应和安全方面的其他要求。说到底，芯片想进中国，卡得还是很紧。

算力却有个特殊属性：使用者不一定非要拥有芯片，也不一定非要把芯片部署在自己国家。芯片只要留在海外的数据中心，用户就能通过网络远程调用其计算资源。

于是，获取先进算力的方式不再局限于实体采购和转运，另一条路径出现了——租用海外数据中心的算力。现行美国先进计算芯片出口管制，主要针对受控芯片及相关设备的实体出口、再出口和转移；而芯片留在海外数据中心、由中国客户通过网络远程调用这种模式，现有规则还没有形成同样明确、完整的监管机制。这个监管缺口，正是美国想通过后续规则和立法补上的地方。美国众议院已于2026年1月以369票赞成、22票反对通过《远程访问安全法》，但众议院通过不等于法案生效，参议院后续立法进程仍是关键。

不过，海外算力租赁并非天然合法，也不能简单理解为现行规则完全不适用。具体交易是否违规，仍要结合芯片型号、服务提供者、交易主体、最终用户和实际用途等因素判断。只是比起实体芯片转运，远程调用算力牵涉的服务环节更多，监管识别和执法难度也更高。

据CNBC等媒体报道，字节跳动、阿里巴巴、腾讯等中国企业曾通过泰国、马来西亚、日本等地的数据中心使用英伟达算力。

另外，名为Unemployment Labs的独立研究团队近期发布一份报告，称DeepSeek、月之暗面、MiniMax和蚂蚁集团的六个中国开源模型，在初始权重中呈现出与被禁的Blackwell GPU布局相符的随机数指纹。

报告的思路是：模型权重在训练前要用随机数生成算法填入初始值，PyTorch会把这项工作分配给GPU上的大量并行线程，线程总数由芯片的SM（流式多处理器）数量决定。同一个种子在不同SM数的芯片上，初始值会落在不同位置，留下来的初始值因此能反推出生成它的芯片型号。

报告也明确承认，它判断不了GPU究竟在中国境内还是海外数据中心；GPU属于相关AI企业，还是由第三方云服务商提供；企业是通过直接采购、云计算租赁还是其他方式拿到计算资源；这些计算资源是否涉及未经授权的跨境转移。中国企业完全可能在新加坡、马来西亚或者其他国家租用搭载Blackwell GPU的数据中心资源。硬件若没有发生受到限制的违规出口，仅仅使用这些GPU，并不能直接认定中国企业违反美国出口管制规定。

但不管企业用哪种方式获取海外算力，一个更值得关注的问题已经显现：国产AI芯片不断有进展，为什么部分企业仍愿意承担跨境使用的成本和不确定性，去找英伟达算力用？中国AI自主化与海外依赖的张力由此而来。要回答它，视线得从出口管制本身，转向国产算力与英伟达体系之间的真实差距。

"可用"与"好用"之间，国产算力的进步与差距

国产算力自主与海外先进算力依赖之间的张力，首先体现在一个现实变化上：国产芯片的市场份额在快速提升。但份额增长，并不意味着它已经能在所有场景中全面替代英伟达。要理解这一点，得把芯片出货量、系统能力和企业实际使用效果区分开来看。

以IDC报告为例，2026年上半年，英伟达在中国数据中心AI芯片市场的份额降至34%，出货量约67.8万颗，同比下降44%；华为出货量约57.2万颗，市场份额达到28%，高于去年同期的30多万颗。IDC追踪的11家中国厂商中，有9家出货量实现同比增长。外部供应限制与国产替代共同作用下，中国本土AI芯片厂商正加快进入数据中心市场，国产算力已不只是局部试点，而是在逐步形成规模化部署和替代。

但份额这东西，反映的只是某个统计口径下的出货情况，跟实际算力规模、有效计算能力、前沿模型训练能力不是一回事。拿IDC说的英伟达34%份额来说，它到底覆盖哪些产品，公开说明并不够清楚。市面上还有别的预测，认为华为今年全年份额可能逼近50%、英伟达掉到约8%，可统计时间、产品范围、市场定义都不一样，没法拿去跟IDC上半年的数据直接比。国产芯片出货量涨了，只能说明替代正在发生，要说国产算力已经能和英伟达体系全面掰手腕，证据还不够。

这种替代趋势也受到政策因素影响。中国方面正在调整对部分英伟达芯片的采购政策。据《金融时报》等媒体2025年9月的报道，中国网信部门曾要求字节跳动、阿里巴巴等企业停止测试和采购RTX Pro 6000D。此前英伟达H20也曾受到中国方面的安全审查和采购限制。

局面其实很清楚：中国企业要拿到海外先进芯片，一头撞上美国的出口管制，另一头还有国内采购政策和安全审查的约束。即便如此，国产替代在提速，企业对高性能算力的胃口也没有缩小。国产算力能不能扛住复杂业务，这个问题因此变得更关键。

那为什么市场份额往上走了，部分企业还是得去找英伟达的算力？说到底，AI算力竞争比的早已不是单颗芯片的性能高低，而是整套软硬件加系统工程的综合能力。

按这个标准看，英伟达的长处至少有这么几层。

硬件层面是GPU架构、显存容量和带宽；软件层面是CUDA，以及围绕它长出来的编程工具、算子库和开发者生态；集群层面是高速互联、任务调度、故障检测和恢复；再往外，是大量实际项目磨出来的系统集成与工程交付经验。这几样彼此咬合，决定了芯片纸面性能能不能变成真实的训练效率。单颗芯片某些指标追得再近，只要软件适配、通信效率或集群稳定性有短板，整个系统照样可能掉链子。

集群稳定性就有现成的例子。Meta公开的Llama 3训练报告里，用16384张H100训练，54天观察期内系统意外中断419次，平均约3小时一次，其中相当比例跟GPU及其HBM内存有关。

不过这些中断不能全算到GPU硬件故障头上，内存、软件和系统运行等因素也掺在里面。Meta靠自动化维护和故障恢复机制，把有效训练时间维持在了较高水平。这组数据真正说明的不是哪款芯片爱出故障，而是超大规模AI集群的较量，拼的不只是芯片数量和峰值算力，还有故障检测、任务恢复、网络调度和系统运维。集群越大，这些系统工程能力对整体训练效率的影响就越明显。国产算力要从“可用”走到“好用”，这恰恰是要补的一课。

事实是，这几年国产芯片在硬件性能、软件工具链和集群建设上一直在往前走。

拿华为昇腾系列来说，部分分析人士认为昇腾950系列在某些指标上已经接近英伟达H200。但具体表现还得看测试条件、模型类型和实际应用场景，不能笼统地说整体性能已经到了同一水平。芯片能不能适配主流模型，软件工具链能不能让开发者用得顺手，数千卡乃至万卡集群能不能长期稳定跑，企业能不能以合理成本完成迁移，这些都是衡量国产算力成熟度的硬指标。

所以真正要比的，不是某款芯片在某个参数上谁高谁低，而是在特定模型、特定集群规模、特定训练任务下，整套系统能给出多少有效算力，完成任务又要花多少时间、成本和能耗。

假设用某套国产算力训练一个模型要两个月，成熟的英伟达集群只要一个月，那即便前者采购价更低，企业也可能选后者。AI市场竞争这么激烈，训练周期本身就是成本，模型迭代速度还可能直接影响产品竞争力（这只是用来说明企业决策逻辑的假设，并不意味着所有国产芯片在所有任务中都有这样的效率差距）。国家目标与企业选择之间的张力也由此而来：国家推算力自主化，看的是长期产业安全、技术能力和供应链韧性；企业面对的是当下的市场竞争，优先考虑研发效率、产品进度和投入产出比。

需要说明的是，两者并非天然对立。只是在技术过渡阶段，国产算力如果在部分关键场景中还拿不出与成熟海外体系相当的综合效率，企业自然会倾向当前更成熟的方案。

因此国产算力的关键，已经不只是继续扩大芯片出货量和市场份额，而是缩短从“可用”到“好用”的距离。市场份额的提升只是国产替代的重要起点，芯片性能、软件生态、集群工程和商业应用形成合力，国产算力才能真正变成企业愿意长期使用的竞争力。

走出过渡期，市场检验国产算力而非堵或绕

既然知道了张力从哪来，破局的关键就不是设法多弄几块英伟达GPU，而是建一套算力体系，哪怕最先进的海外芯片拿不到，也能撑住前沿研发和大规模应用。海外算力在过渡阶段可以当补充，但不能成为中国AI产业长期发展的底子。

出口管制和企业绕道需求之间，正在互相强化：管制越严，部分企业找替代渠道的动力越强；绕道越多，供应链和合规风险也越高。与此同时，国产算力的系统成熟度又决定企业愿不愿意主动迁移。几种力量搅在一起，最后都指向同一个问题——国产算力何时能真正承担关键任务，这也是破解张力的核心。

海外依赖本身的风险得先看清楚。前面提到，美国正在考虑通过立法和规则调整，进一步规范海外数据中心向特定国家用户提供先进算力服务。规则一旦落地，今天能靠海外租赁拿到的算力，将来也可能被卡住。企业提前预订海外算力，或许能缓解短期供给压力，却消不掉政策变化带来的不确定性。

上游供应链同样有风险。Megaspeed已经受到美国和新加坡方面的调查，涉及服务器采购、出口和最终用户等问题。据海外媒体报道，新加坡方面对Megaspeed及相关人员的调查仍在继续。对企业来说，通过海外中间商和数据中心拿算力，除了价格和性能，还必须评估供应商的合规状况、服务持续性以及潜在的法律风险。

反过来看，国产算力也绝不能靠躲开竞争来成长。一款国产AI芯片从推出到真正成熟，至少要走硬件验证、软件适配、集群验证和商业验证这几关。硬件性能要在真实任务里检验，软件工具链要在不同模型和框架中持续优化，集群系统要经受大规模训练和长期运行的考验，最后还得靠企业实际采购和持续使用，证明性能、成本与可靠性有竞争力。这些环节，都离不开真实应用的反馈。

由此来看，企业若长期把英伟达放在优先位置，国产芯片就少了在复杂场景里暴露问题、打磨软件、优化系统的机会；可反过来，不顾业务差异强行让所有场景都迁到国产算力上，迁移成本又可能压得过重，拖累模型研发和业务推进。说到底，要建的是让国产算力在真实市场竞争中不断改进的环境，而非简单把英伟达挡在门外。国务院2025年发布的《关于深入实施“人工智能+”行动的意见》，体现的正是这种系统性思路。

这份文件不只盯着人工智能芯片攻关，软件生态培育、超大规模智算集群建设、全国一体化算力网等内容也都在其中。政策落点不是拿某一款芯片做替代，而是从基础硬件、软件生态一直管到算力基础设施，做整体能力建设。

沿着这个思路，更可行的做法是分层使用，同时把更多投入压到软件和集群工程能力上。

比如推理和成熟业务场景，就可以先推国产化。这类任务相对标准化，业务边界和性能要求容易说清楚，通常更适合当国产算力攒实际应用经验的切口。当然，具体要不要迁，还得看模型规模、业务负载和适配成本。

前沿模型训练则不同。在合法合规的前提下，可以保留多元化的算力来源，免得单一供应渠道生变就耽误研发进度。同时，国产集群应当被有意识地放进真实训练任务里，而不是只做测试或展示性运行，让它在复杂任务中持续接受检验。

投入的重点也要挪一挪：从单纯“买卡”转向编译器、算子库、框架适配、通信网络和集群运维这些软件与工程能力。芯片性能只有经过软件和系统，才能变成实际生产力。对国产算力来说，补齐这些环节，往往比死磕某一项硬件指标更要紧。

再往下是建立可量化的评价标准。国产算力有没有实质进步，不能只看发货量、装机量和适配数量，还要看它在主流模型上能不能高效训练和推理，万卡级集群能不能长期稳定运行，迁移成本是不是在持续下降，性能、成本、能耗和可靠性合起来有没有竞争力。尤其关键的一条：没有额外政策补贴和行政要求时，企业还愿不愿意接着买、接着用。

写在最后：

回到这场风波本身，不管相关调查最后怎么认定，它都说明一件事：光靠物理管制，很难把全球算力需求彻底隔断；光靠海外渠道拿算力，也换不来长期安全。中国AI产业真正要解决的，是在外部供应存在不确定性的情况下，手里仍有一套能撑住前沿模型研发和大规模应用的算力体系。

在这个过程中，海外英伟达算力可以做现阶段的资源补充，但不该成为长期发展的基础条件。国产算力自主化的真正标志，也不是国内企业生产、采购了多少国产芯片，而是企业面对复杂的AI训练和推理任务时，即便不依赖受限的海外算力，照样能拿到有竞争力的性能、成本和稳定性。

国产算力能不能从政策驱动转向市场驱动，能不能真正从“可用”变成“好用”，才是中国AI产业走出这场算力张力之辩的关键。