燧原科技上市，国产GPU四小龙齐聚：DSA架构意味着什么

9月11日国产云端AI芯片企业燧原科技688801正式登陆上交所科创板成为国产GPU四小龙中最后一家上市的公司。据报道本次发行价142.18元/股发行约4303.52万股上市当日以410元开盘、397元收盘收盘市值约1708.5亿元。在此之前摩尔线程于2025年12月5日登陆科创板沐曦股份于2025年12月17日上市壁仞科技则在2026年1月2日于港股上市。至此四家国产GPU公司齐聚资本市场。对做开发和运维的人来说比股价更值得关注的是这四家里燧原走了一条和别人不一样的技术路线。DSA还是GPGPU这是两条不同的路四小龙中只有燧原的芯片采用DSA架构Domain-Specific Architecture领域专用架构。据公开信息这种架构裁掉了通用GPU的图形渲染特性专精通用计算和张量/矩阵计算。走类似路线的还有谷歌TPU、寒武纪、华为海思和阿里平头哥另外三家四小龙成员则采用通用GPGPU路线主要兼容或适配英伟达CUDA生态。两条路线的取舍很清晰DSA的优势在性价比。产量足够大时能效比更高、单位算力成本更低。这也是为什么它常出现在有超大单一客户的场景里——腾讯就是燧原的第一大客户据报道2025年有八成收入来自腾讯微信语音转文字背后的推理卡就来自燧原。DSA的代价在生态。它没有CUDA那样的完整生态需要自研编译器和定制算子库客户把现有模型迁过来通常要在框架、编译器、算子、集群软件几个层面做适配。公开数据显示燧原2023至2025年营收分别为3.01亿元、7.22亿元和9.90亿元2026年上半年营收达11.20亿元已超过2025年全年。同时公司目前尚未盈利2023至2025年研发费用分别为12.29亿元、13.12亿元和11.35亿元占营收比例从408%一路降到114.63%——典型的芯片行业先重投入、后谈回报节奏。出货量上据IDC数据2025年中国AI加速卡整体出货约400万张英伟达以约220万张占约55%份额燧原当年出货6.6万张市占约1.7%。长于推理、短于训练这不是巧合一个容易被忽略的细节2023至2025年燧原AI加速卡及模组收入80%以上是推理产品。DSA架构在计算精度要求高、过程更复杂的AI训练任务上表现不如通用GPU所以这类公司往往先在推理侧站稳。理解这一点对做技术选型很关键。对开发者和从业者的实际影响如果你在做模型部署、推理服务或者算力选型下面几条是能直接用的1. 迁移成本要提前算不要等上线才发现。从CUDA迁到国产DSA平台工作量取决于模型类型、业务场景和现有工具链。先确认三件事目标平台对PyTorch的适配程度、你用的算子尤其是自定义算子有没有覆盖、推理框架有没有对应的后端支持。算子没覆盖往往就是最大的坑。2. 别只看纸面算力。TFLOPS是理论峰值实际吞吐还受显存带宽、互联带宽和软件栈成熟度影响。评估时一定要用真实模型跑端到端延迟和吞吐。下面这段基准测试代码可以直接拿来用importtimeimporttorchdefbench_latency(model,x,warmup5,iters20):model.eval()devx.devicewithtorch.no_grad():for_inrange(warmup):# 预热避免首次编译/加载影响结果model(x)ifdev.typecuda:torch.cuda.synchronize()t0time.perf_counter()for_inrange(iters):model(x)ifdev.typecuda:torch.cuda.synchronize()# 等待异步算子真正执行完return(time.perf_counter()-t0)/iters 注意不同厂商加速卡的适配层命名和同步接口不一样具体以官方文档为准别把上面的 cuda 同步接口直接套到别的设备上。**3.推理优先看性价比训练优先看生态和精度。**如果业务以推理为主、对成本敏感、模型相对固定专用架构的性价比优势明显如果训练任务多、模型结构变化频繁通用GPU的生态成熟度仍然更省心。**4.关注算力绑定这条趋势线。**据报道2026年9月DeepSeek计划采购16万颗华为昇腾950DT芯片并共建数据中心京东云计划采购摩尔线程GPU构建十万卡国产算力集群也有报道称字节跳动此前向寒武纪预购超20万片芯片。大模型厂商在用长期采购锁定供应链这意味着国产算力的软件栈会随着真实业务场景快速迭代——对开发者来说这是好事。## 写在最后四小龙上市只是一个节点。对一线开发者来说国产算力真正能用起来的那天不是市值高低决定的而是算子覆盖率、迁移成本和工具链文档质量决定的。硬件参数可以追生态是靠一个个项目磨出来的。 你所在的项目有没有评估过国产算力迁移过程中踩过哪些坑评论区聊聊。