【AI】第 5 篇:国产 AI 芯片的真实位置——昇腾、寒武纪、壁仞与“卡之外”的差距
第 5 篇:国产 AI 芯片的真实位置——昇腾、寒武纪、壁仞与“卡之外”的差距
系列:从显卡到 GPU——一条从 Multisim 频率计开始的“造卡”学习路线
本篇关键词:昇腾 910B/910C、思元 590、壁仞 BR100、HBM 库存、CoWoS 产能、CANN 迁移、长尾算子
第 3 篇算清了顶级训练卡的“三重分野”(显存、带宽、互连),第 4 篇拆开了 CUDA 的“全栈锁定”。这一篇把镜头转向国产 AI 芯片:昇腾 910B/910C、寒武纪思元 590、壁仞 BR100,它们的真实位置到底在哪里?差距仅仅是一颗芯片的制程吗?
答案是否定的。这一篇会从纸面规格、供应链硬约束、软件迁移成本三个维度展开,并在最后给出一个可以运行的迁移成本估算脚本——让你亲手算一遍“从 CUDA 迁到 CANN,到底要付出什么”。

https://eco-sphere.github.io/ai-chip-spec-visualizer/
一、先把国产三张卡的规格摆上桌
| 规格 | 昇腾 910B | 昇腾 910C | 寒武纪思元 590 | 壁仞 BR100 | 参照:H100 SXM |
|---|---|---|---|---|---|
| FP16/BF16 算力(约) | 376 TFLOPS | ~800 TFLOPS | 256–345 TFLOPS | 1024 TFLOPS(BF16) | ~989 TFLOPS |
| 显存容量 | 64 GB HBM2e | 128 GB HBM3 | 96 GB HBM2e | 64 GB HBM2e | 80 GB HBM3 |
| 显存带宽(约) | ~1.6 TB/s | ~3.2 TB/s | 1.6–1.8 TB/s | 2.3 TB/s | 3.35 TB/s |
| 互连带宽 | ~392 GB/s | ~784 GB/s | 200–400 GB/s(MLU-Link) | ~128 GB/s | 900 GB/s(NVLink 4) |
| 封装 | 自研 / 国内封测 | 双 die 封装(两个 910B 打包) | Chiplet / 7nm | 2.5D CoWoS | 台积电 CoWoS |

图5-1:以 H100 SXM 为参照(各维度归一化为 1.0),昇腾 910C、思元 590、壁仞 BR100 在算力、显存容量、显存带宽、互连带宽四个维度的相对位置。910C 的显存容量和带宽已经接近或超过 H100 的部分指标,但互连带宽和软件生态仍然是明显的短板。
纸面规格透露的信息:
- 昇腾 910C 的路线很清晰:用双 die 封装把两个 910B 拼在一起,显存翻倍到 128GB HBM3,带宽翻倍到 3.2 TB/s,互连也翻倍到 784 GB/s。这是一种工程上务实的“用面积换性能”策略,但代价是功耗、封装复杂度和良率。
- 思元 590 的 FP16 算力(256–345 TFLOPS)和显存容量(96GB HBM2e)在推理和中等规模训练场景有竞争力,性能达到 A100 的约 80%。但互连带宽(MLU-Link 200–400 GB/s)和 H100 的 NVLink 4(900 GB/s)仍有明显差距,大规模多卡训练的通信效率会受到约束。
- 壁仞 BR100 的峰值算力指标(BF16 1024 TFLOPS)在纸面上甚至高于 H100,但它的互连带宽只有约 128 GB/s,远低于 NVLink 和华为的 HCCS。对于需要频繁 all-reduce 的大模型训练,互连带宽会成为比单卡算力更早碰到的瓶颈。
二、纸面规格之外的硬约束:HBM 和 CoWoS
国产芯片的规格表可以写得很好看,但能不能造出来、造多少,取决于两个卡脖子环节。
HBM:库存见底的时间点
美国 2025 年的出口管制已经将 HBM2e、HBM3、HBM3e 等尖端规格全部纳入禁令,基本封锁了中国获取最新 HBM 的渠道。更关键的是,禁令不仅针对 HBM 本身,还对显存带宽、互连带宽及两者带宽总和进行限制,使得通过“降规”或“调整供应链”来绕过的空间被大幅压缩。
SemiAnalysis 的报告给出了一个更具体的时间线:中国企业的进口 HBM 库存预计在 2025 年底逐步耗尽。囤货量大约支持 160 万颗昇腾 910C,但按当时的消耗速度,供应紧张会在年底浮现;届时华为等厂商可能无法维持百万片以上的年产量。本土替代(长鑫存储的 HBM)在设备获取和良率提升上仍然面临障碍,最快可能在 2026 年量产 HBM3e 级别的产品。
这意味着:国产 AI 芯片的“产能上限”不完全由晶圆厂决定,而是被 HBM 库存和国产 HBM 的爬坡进度硬性约束。
CoWoS:先进封装的产能鸿沟
910C 的双 die 封装、BR100 的 2.5D CoWoS、思元 590 的 Chiplet,都指向同一个环节:先进封装。
但大陆的 CoWoS 类产能和台积电不在一个量级:2026 年底估计不足 2 万片/月,全球占比不到 11%;而台积电的 CoWoS 产能在数倍以上且仍在快速扩张。单点技术上,国产封装“能进第一梯队”,但产能、良率、reticle 尺寸全面落后,先进封装是“单点亮眼、体系落后”的典型环节。

图5-2:国产 AI 芯片的产能受到 HBM 供应、CoWoS 类先进封装产能、软件生态成熟度三重约束。纸面规格的达成,不等于可交付的集群规模。
三、代码实战:估算一次 CANN 迁移的真实成本
规格和供应链是“卡”的层面,软件迁移是“用”的层面。第 4 篇已经论证了 CUDA 的生态锁定,这一节用代码把迁移成本量化出来。
3.1 迁移成本估算器
下面的 Python 脚本模拟一个 PyTorch 模型从 CUDA 迁移到 CANN(昇腾)的工时估算。核心变量是算子覆盖率和长尾算子的手写成本。
# can_migration_estimator.py
# 估算一个 PyTorch 模型从 CUDA 迁移到 CANN 的真实工时
def estimate_migration(
total_operators=200, # 模型涉及的 PyTorch 算子总数(示意,可替换为实际扫描结果)
can_coverage=0.85, # CANN 原生覆盖率(主流算子约 85%)
auto_tool_coverage=0.90, # 迁移工具对“已覆盖算子”的自动改造率
longtail_hours=8, # 每个长尾算子手写 + 调试的平均工时(小时)
debug_overhead=0.3, # 性能调优和兼容性调试的额外比例
):
covered = int(total_operators * can_coverage)
uncovered = total_operators - covered
# 已覆盖算子:工具自动改造 + 剩余人工
auto_converted = int(covered * auto_tool_coverage)
manual_covered = covered - auto_converted
manual_covered_hours = manual_covered * 1.0 # 已覆盖算子的人工核对工时,按 1h/算子估算
# 长尾算子:必须手写 Ascend C
longtail_hours_total = uncovered * longtail_hours
base_hours = manual_covered_hours + longtail_hours_total
total_hours = base_hours * (1 + debug_overhead)
print(f"模型算子总数: {total_operators}")
print(f"CANN 原生覆盖率: {can_coverage:.0%}({covered} 个已覆盖,{uncovered} 个长尾)")
print(f"已覆盖算子中工具自动改造: {auto_converted} 个,仍需人工核对: {manual_covered} 个")
print(f"长尾算子手写工时: {longtail_hours_total:.1f} 小时({uncovered} × {longtail_hours}h)")
print(f"性能调优与调试开销: +{debug_overhead:.0%}")
print(f"--- 估算总工时: {total_hours:.0f} 小时(约 {total_hours/8:.0f} 人天)---")
return total_hours
if __name__ == "__main__":
print("=== 场景 A:主流模型,算子覆盖良好 ===")
estimate_migration(total_operators=200, can_coverage=0.85, auto_tool_coverage=0.90)
print("\n=== 场景 B:含较多自定义/罕见算子,覆盖率偏低 ===")
estimate_migration(total_operators=200, can_coverage=0.70, auto_tool_coverage=0.85, longtail_hours=12)
运行结果的含义:
- 场景 A 对应“主流 Transformer 模型,算子基本在 CANN 覆盖范围内”的情况,迁移工时可能在几十到一百多人天的量级。
- 场景 B 对应“模型里有自定义激活函数、特殊损失函数、罕见算子”的情况,覆盖率降到 70%,长尾手写成本上升,总工时可能翻倍。
行业实测数据可以校准这个模型:直接切换原生 CANN 环境,代码改造成本平均提升 62%,单项目迁移工时超过 120 人天;华为的迁移工具链已经能做到90% 的通用 CUDA 算子免人工改造,但剩下 15% 左右的长尾算子仍然需要开发者用 Ascend C 手写。CNN/Transformer 核心算子覆盖率约 75%–85%,CV/NLP/GNN 细分领域覆盖率约 50%–70%。
3.2 手写一个 Ascend C 算子的骨架
长尾算子的“手写”不是改几行 Python,而是要用 Ascend C 写能在 NPU 上运行的算子。下面是一个极简的向量加法算子骨架,让你感受一下 NPU 算子开发的形态:
// add_custom.cpp —— Ascend C 向量加法算子骨架(示意)
// 真实工程需要完整的 Tiling、队列、内存管理,这里只展示核心结构
#include "kernel_operator.h"
using namespace AscendC;
class KernelAdd {
public:
__aicore__ inline KernelAdd() {}
// 初始化:分配输入输出队列
__aicore__ inline void Init(GM_ADDR x, GM_ADDR y, GM_ADDR z, uint32_t totalLength) {
xGm.SetGlobalBuffer((__gm__ half*)x, totalLength);
yGm.SetGlobalBuffer((__gm__ half*)y, totalLength);
zGm.SetGlobalBuffer((__gm__ half*)z, totalLength);
pipe.InitBuffer(inQueueX, 1, 256 * sizeof(half));
pipe.InitBuffer(inQueueY, 1, 256 * sizeof(half));
pipe.InitBuffer(outQueueZ, 1, 256 * sizeof(half));
}
// 核心计算:CopyIn -> Compute -> CopyOut
__aicore__ inline void Process(uint32_t totalLength) {
// 真实实现需要按 Tiling 分块循环,这里省略
// 关键差异:GPU 用 Grid/Block 线程网格,NPU 用 Tiling + 队列流水
CopyIn();
Compute();
CopyOut();
}
private:
__aicore__ inline void CopyIn() { /* 从 GM 搬到 UB */ }
__aicore__ inline void Compute() { /* 调用 VecAdd 等向量指令 */ }
__aicore__ inline void CopyOut() { /* 从 UB 搬回 GM */ }
TPipe pipe;
TQue<QuePosition::VECIN, 1> inQueueX, inQueueY;
TQue<QuePosition::VECOUT, 1> outQueueZ;
GlobalTensor<half> xGm, yGm, zGm;
};
关键差异不在于语法,而在于执行模型:GPU 是 SIMT,你用 blockIdx/threadIdx 组织线程;NPU(昇腾的达芬奇架构)用 Tiling(数据分块)和队列流水来组织计算。同一个算子,“线程网格思维”不能直接翻译成“Tiling 思维”,能跑和跑得好之间,隔着对硬件流水线和内存层次的重新理解。
四、国产芯片的真实位置:一张分层清单
把规格、供应链、软件三层叠起来,国产 AI 芯片的位置可以概括为:
| 维度 | 状态 | 关键差距 |
|---|---|---|
| 单卡算力(纸面) | 快速追赶 | 910C 约 800 TFLOPS FP16,思元 590 约 256–345 TFLOPS,BR100 峰值标称高但互连短板明显 |
| 显存容量 | 910C 已达到 128GB HBM3 | 受限于 HBM 供应,库存 2025 年底见底,国产 HBM 爬坡中 |
| 显存带宽 | 910C ~3.2 TB/s,BR100 2.3 TB/s | 和 H100(3.35 TB/s)、B200(~8 TB/s)仍有差距,且 HBM 升级路径受限 |
| 互连 | 910C ~784 GB/s,思元 590 200–400 GB/s,BR100 ~128 GB/s | NVLink 4 为 900 GB/s,NVLink 5 为 1.8 TB/s;多卡扩展效率是国产卡的结构性短板 |
| 先进封装 | CoWoS 类“能用不能打” | 产能 <2 万片/月,全球占比 <11%,良率和 reticle 尺寸落后台积电 |
| 软件生态 | CANN 通用算子覆盖 ~90%,长尾 15% 需手写 | 核心算子覆盖率 75%–85%,迁移工时 120 人天级,“能跑”和“跑得好”之间差距显著 |
一句话总结:国产 AI 芯片在单卡纸面算力上已经追到 A100 附近、部分指标接近 H100,但HBM 库存、CoWoS 封装产能、长尾算子生态这三重“卡之外”的约束,决定了它当前的真实交付能力和大规模训练效率。
五、本篇小结
这一篇做了三件事:
- 摆规格:昇腾 910C、思元 590、壁仞 BR100 的算力、显存、带宽、互连与 H100 的对照,看清各自的强项和结构性短板。
- 拆硬约束:HBM 库存 2025 年底见底、CoWoS 类产能全球占比不到 11%、CANN 长尾算子仍需手写——产能和效率不只由芯片设计决定。
- 量化迁移成本:用
can_migration_estimator.py算一遍“算子覆盖率 × 长尾手写成本 × 调试开销”,并给出一个 Ascend C 算子的骨架,让你感受 NPU 编程和 GPU 编程的思维差异。
下一篇:第 6 篇《Multisim 入门——界面、元件库、仪器仪表与第一个仿真》。从这篇开始,系列进入动手部分。我们会打开 Multisim,从电阻分压和 RC 低通开始,一步步走向 555 时钟、74LS160 计数器、数字频率计,最终用 Verilog 重写并靠近 tiny-gpu。“为什么”部分到此收官,“怎么做”部分正式开场。
更多推荐



所有评论(0)