国产GPU的竞争，正在从性能追赶转向应用价值比拼。
10月28日，国产GPU企业天数智芯（09903.HK）举办2026媒体开放日活动，首次面向媒体开放天垓300实机演示。公司披露的第三方实测结果显示，在典型的Prefill与Decode（PD）分离部署条件下，天垓300折算单卡整体端到端吞吐达到英伟达H200的1.05倍。
这一结果意味着，国产通用GPU开始在特定复杂AI任务中与国际主流产品直接对标。但性能接近只是第一步，随着国产GPU进入更多实际应用，竞争焦点正从芯片参数转向有效算力、软件生态、系统效率与投入产出比。
从峰值算力到有效产出
对于AI芯片而言，理论算力并不完全等于实际业务能力。大模型推理涉及长上下文、混合专家模型（MoE）和多模态生成等不同负载，最终表现还取决于显存、互联、软件适配和部署方式。
天数智芯性能实验室的测试显示，在64K长上下文场景下，天垓300的Attention性能达到H200的1.05倍；在GLM-5.3模型、64K上下文场景下，MoE吞吐达到H200的1.15倍。在8K至128K长上下文场景中，其Agent首字延迟较H200降低约10%至30%。在搜索、广告和推荐等在线业务中，推荐推理吞吐提升21%，轻量计算时延降低26%。
这些指标指向同一个变化：客户关注的不再只是芯片能达到多高的理论算力，而是在满足模型精度和服务要求的前提下，单位时间能处理多少请求、产生多少有效Token。
随着大模型应用规模扩大，Token工厂成为检验算力效率的重要场景。天数智芯还展示了天垓300 IXL144超节点方案，可在一个标准机柜内集成144颗GPU、聚合约10.1TB显存。公司测算，该方案每百万有效Token成本较国际主流方案可降低约40%。
不过，实际Token成本还受到设备采购、功耗、互联、利用率和运维等因素影响，单项性能测试或成本测算仍需在客户的规模化部署中得到验证。
软件生态决定性能能否兑现
硬件性能之外，软件生态是国产GPU商业化绕不开的一道门槛。模型适配、算子优化和部署调试需要投入大量工程资源，如果使用门槛过高，硬件性能就难以快速转化为业务价值。
此次开放日上，天数智芯展示了将Agent技术引入GPU软件栈的探索，让AI参与环境部署、性能调优和代码开发。
天数智芯披露，在一项大模型PD分离部署测试中，环境准备与服务部署时间从1小时缩短至10分钟；在某大模型调优任务中，工作周期从7天缩短至2小时以内，相关任务运行性能较优化前接近翻倍。
这类工具的价值，在于降低模型迁移与优化成本，缩短新模型适配周期，并减少开发者对厂商技术支持的依赖。国产GPU的竞争由此从芯片设计延伸至软件工具、工程经验和开发者生态。
与此同时，天数智芯还展示了GPU与其他加速芯片协同的异构计算方案。在其注意力-前馈网络解耦分离（AFD）方案中，GPU与合作厂商的XPU分别承担不同计算任务，公司称实测可将解码推理延迟降低60%。这也表明，未来算力系统的竞争未必是单一芯片的比拼，如何组织不同计算资源、提高整体效率，同样重要。
从云端走向端侧，拓展应用空间
除数据中心外，国产GPU也在向机器人、工业现场和本地AI应用延伸。
天数智芯展示的彤央TY1200端侧算力终端，标称300 TOPS稠密算力。公司披露，在相关大模型实测中，其性能达到英伟达Thor T5000的1.2倍；在Cosmos-R2-2B和Cosmos-R2-8B测试中，性能分别达到Thor T5000的158%和180%。
端侧算力的价值，不只是将云端能力缩小，而是让AI在本地完成推理、仿真和决策，满足实时响应、数据安全等需求。公司还展示了机器人本地物理仿真、工业视觉识别等应用，并预告下一代端侧产品彤央TY2000，标称稠密算力将达到600T。
但端侧市场对功耗、可靠性、产品形态和场景适配提出了不同要求，能否形成可复制的解决方案并持续获得客户采用，仍是商业化需要回答的问题。
从天垓300的云端算力，到软件栈的自动化开发，再到彤央系列向端侧延伸，天数智芯此次展示了覆盖芯片、软件与系统的产品布局，也折射出国产GPU产业竞争维度的变化。
这并不意味着国产GPU已经完成对国际领先产品的全面追赶。不同芯片在模型覆盖、生态成熟度和规模化交付等方面仍有差异，特定场景的测试成绩也不能直接代表整体竞争力。
但行业评价标准正在变得更加务实：芯片性能决定起点，软件生态影响推广效率，系统交付决定应用落地能力，而成本、利用率和持续服务能力，最终影响产品的商业竞争力。
国产GPU从“能用”走向高价值竞争，核心不只是实现硬件替代，而是证明自身能够在真实业务中持续提供高效、稳定且具备经济性的算力。
澎湃新闻记者 周玲
