国产 AI 产业链全景拆解：到底哪些环节被 “卡脖子”？

步步糕升

导语

国内大模型产品 C 端对话能力大多免费向普通用户开放，但免费的背后是巨额算力开销。很多人好奇：国产 AI 产业链真实运转逻辑是怎样的？外界常说的 “卡脖子”，究竟卡在哪一环？是大模型算法，还是芯片硬件，或是更底层的制造设备？
本文结合行业公开报告，从大模型商业模式、算力基础设施、AI 芯片、半导体制造设备逐层拆解整条国产 AI 产业链，区分已经实现较强自主的环节，和依旧受外部约束的薄弱环节，同时澄清网络流传的部分片面认知。

一、大模型层：算法人才充足，但商业化与成本压力突出

国内头部大模型产品，例如豆包、通义千问、DeepSeek、Kimi 等面向普通消费者的基础对话能力基本免费开放。但大模型推理每一次调用都会消耗算力，免费 C 端用户带来巨大的算力账单，C 端付费订阅转化率并不高，国内大模型厂商的收入主力更多来自企业 API 服务、行业解决方案 B 端市场证券时报。

• DeepSeek 等创业公司，B 端收入增长迅猛，但整体依旧处在高研发投入阶段；智谱 AI 公开财报显示，研发投入显著高于当期营业收入，缺口由产业资本、互联网大厂、地方国资基金持续输血支撑虎嗅网。
• 大厂模型大多运行在自家云底座之上：豆包依托火山引擎，通义千问跑在阿里云，文心一言依托百度智能云。
• 独立创业模型公司如 Kimi、MiniMax 主要租用公有云资源；DeepSeek 选择自建内蒙古乌兰察布数据中心，降低长期算力成本。
  

对比海外，OpenAI、Anthropic 已经达到数百亿美元级年度营收规模；国内大模型整体商业化收入规模与海外头部企业仍有明显差距，属于先投入、后变现的重资本生意。

从算法人才层面看，国内已经具备打造高质量大模型的能力，例如 DeepSeek‑R1 推理模型在全球开源社区 Hugging Face、OpenRouter 获得大量海外调用，国产模型出海已经拿到不错的流量。但算法能力不等于解决全产业链问题，真正的卡点向下游的算力硬件、半导体制造转移。
二、算力基础设施：机房、光模块、液冷，国内产业优势明显

当模型算法写好之后，需要放到数据中心机房运行。机房由服务器、光互联、散热、供电系统共同组成，这一整条配套产业链，中国企业具备全球竞争力。

• 光模块：AI 集群大量高速互联依赖光模块。全球前十光模块厂商，中国占据 7 席，中际旭创、新易盛大量供应全球海外 AI 超算中心，占据全球主要市场份额人民日报。
• 液冷散热系统：AI 高功耗芯片发热巨大，液冷成为大规模智算中心刚需，英维克等国内厂商已经大规模商用。同时国内充分利用地理条件，“东数西算” 工程把算力部署到内蒙古、贵州等电价更低的地区，降低整体运营成本，乌兰察布等地区电价仅为一线城市一半左右。
• 服务器组装与 IDC 机房运营：浪潮是国内服务器组装龙头；万国数据等企业作为大型机房房东，大量互联网企业选择租赁机房而不是自建。
  

在数据中心建设、互联硬件、散热供电这一层，国内产业链短板较少。真正压力来自服务器内部那颗 AI 加速芯片。
三、AI 芯片市场格局：推理端快速替代，大规模训练仍存短板

受出口管制影响，英伟达在国内数据中心 AI 芯片市场份额持续下滑，华为昇腾份额快速追赶，寒武纪、百度昆仑、阿里平头哥、海光共同构成国产 AI 芯片梯队36氪。

要区分推理任务和训练任务：

• 推理：模型训练完成之后，回答用户提问、生成内容；更看重成本、功耗，国产芯片已经大规模落地商用，智谱、DeepSeek 均已经开展国产芯片推理集群部署。
• 训练：从零训练千亿、万亿参数大模型，需要上万张芯片协同，对单卡性能、互联能力要求极高。目前国内很多前沿大模型完整训练，依旧在大量使用英伟达 GPU。
  

国产芯片现实差距：以昇腾 950 对比海外高端训练芯片，单颗算力仍有数倍差距。差距来源于两点核心底层约束：

• 芯片制造工艺：华为昇腾芯片由中芯国际代工，依靠多重曝光实现等效 7nm 工艺；而海外头部 GPU 使用台积电 3‑4nm 先进制程，两代工艺差距带来晶体管密度的鸿沟。
• HBM 高带宽内存：HBM 是 AI 芯片性能关键，全球主要由三星、SK 海力士、美光三家供应。受出口管制，海外 HBM 很难对华大量供货；国产 HBM 处于攻坚爬坡阶段，昇腾 950 系列开始搭载自研 HBM，但产能、性能还需要持续迭代验证。
  

除此之外还有软件生态壁垒：英伟达 CUDA 经过十余年积累，海量算子、框架、开发者习惯已经形成生态，国产 CANN 等软件栈虽然高速迭代，但大规模迁移适配依旧需要时间，硬件可以追赶，软件生态建设是慢变量国家数据局。
四、最底层的卡脖子：半导体设备，光刻机

芯片设计出来，有 HBM 内存，还需要半导体制造设备把晶圆加工成芯片。其中最受关注的是光刻机：

• 最先进的EUV 极紫外光刻机，只有荷兰 ASML 可以制造，完全无法对华出口；
• DUV 浸没式光刻机也受到许可证管制。国产上海微电子成熟制程光刻机已经实现突破，但对标 ASML 成熟产品，性能、产能还有不小差距，国产浸没式 DUV 刚刚进入小批量试产，年交付数量和 ASML 每年上百台的出货体量差距巨大。
  

除光刻机之外，刻蚀、薄膜沉积等设备，国内北方华创、中微公司已经取得长足进步，但整套先进制程设备全套打通，依然需要很长周期。

通俗总结整条产业链的卡点分布：✅ 大模型算法、应用层：人才充足，可以产出高质量开源、闭源模型；✅ 机房、光模块、液冷、服务器组装：国内产业链全球领先；⚠️ AI 加速芯片：推理大规模落地，超大模型训练端仍有差距；❌ 硬核底层约束：先进制程制造、HBM 内存、高端光刻机，是整条链最薄弱的环节。

这也解释一个现象：我们可以做出效果不错的大模型，但想要大规模、低成本地训练下一代超大参数模型，会持续受到硬件底层约束。
五、倒逼出来的另一条出路：算法层面优化抵消硬件短板

硬件短期存在天花板，国内不少 AI 企业走上另一条道路：用算法创新降低算力消耗。以 DeepSeek‑R1 为代表，通过算法架构优化，在有限算力条件下实现很强的推理效果，并且选择开源路线，在全球市场获得大量调用。这代表一种现实思路：硬件条件有限的背景下，依靠算法创新、模型架构优化、MoE 混合专家、量化技术，尽量降低对顶级硬件的依赖。
但算法优化可以缓解压力，并不能完全绕开硬件底层的物理限制，超大参数基础模型训练，依旧离不开高性能算力底座。
六、大众高频认知误区澄清

误区 1：国产 AI 被卡脖子，大模型算法做不出来

纠正：算法人才充足，国内已经可以产出全球第一梯队水平的大模型，开源模型在海外获得大量使用；卡点主要向下落在芯片、内存、制造设备硬件环节。
误区 2：国产 AI 芯片已经全面追上英伟达，训练推理全部可以无限制替代

纠正：推理场景已经大规模商用；万亿参数超大模型完整训练场景，单卡性能、互联、软件栈仍然存在差距，尚未实现完全替代。
误区 3：光模块、服务器做得好，就代表整条 AI 算力产业链已经完全自主

纠正：机房配套硬件只是上层，服务器内部 AI 芯片、HBM 内存、制造光刻机才是底层关键约束。
误区 4：只要光刻机突破，所有 AI 问题就全部迎刃而解

纠正：光刻机只是其中一环；HBM 内存、IP 核、EDA 软件、CUDA 类软件生态同样是需要补齐的短板。
误区 5：国产大模型全部都在亏钱，完全没有 B 端收入

纠正：多家厂商 B 端 API、行业解决方案收入高速增长，但整体研发投入巨大，多数企业尚未实现整体盈利。
全文总结

完整的国产 AI 产业链可以分为自上而下的多层：大模型算法应用、算力机房基础设施、AI 加速芯片、半导体制造设备。
大模型算法与应用层面国内已经涌现具备全球竞争力的产品；光模块、液冷、IDC 机房等算力配套产业拥有全球优势。真正的约束向下传递：AI 芯片推理已经落地，但超大模型训练仍存在差距；最底层 HBM 内存、先进制程、高端光刻机，是整条链条最艰难的关卡。
硬件受限的环境之下，国内厂商同时在探索算法优化、开源出海的突围路径。算法创新可以缓解硬件压力，但无法彻底绕开半导体底层物理约束。
看待国产 AI 产业，既不要全盘否定，也不能只看上层模型效果而忽略底层硬件短板。AI 产业竞争是整条产业链的比拼，不只是模型演示效果的对比。