算力重构：AI芯片产业竞争新格局观察

执行摘要：当前AI产业竞争重心正从大模型层向芯片算力层转移。上游新型存储技术取得突破，铭芯启睿1T4R架构RRAM芯片实现1Gb容量流片；中游大厂战略转向，自研与外售芯片并行；下游以价格战争夺推理市场，谷歌Gemini 4 Argon以2美元定价冲击格局。报告从产业链、数据与竞争、趋势判断四个维度梳理产业事实，供决策参考。

产业现状与竞争格局

一、市场大势：模型趋缓，算力升温

过去两年，AI产业的叙事主线正悄然切换。大语言模型层在能力上逐渐进入渐进式改良阶段，“模型军备竞赛”的热度有所回落；与之形成对照的是，算力需求持续攀升。训练侧的参数扩张放缓，但推理侧的需求随应用普及而快速增长，行业整体从“卷模型”转向“卷算力、卷落地”。

这一转变带来了产业链价值的重新分配。模型能力的边际差异化缩小，使得单纯的模型服务难以建立持久壁垒，而支撑模型运行的芯片与算力基础设施，成为竞争的关键卡位。市场资金与人才随之向芯片主业回流。

二、头部厂商：回归芯片主业

产业链上下游的角色分工正在重构。一批原本以模型研发为核心叙事的头部厂商，开始重新将资源投入芯片设计、算力集群与自研硬件，模型被定位为其硬件生态之上的应用能力。这一逻辑并不复杂：芯片是确定性更强的收入来源，而模型能力的商业变现路径尚不清晰。

同时，芯片侧的创新并未停步。以铭芯启睿“泰山一号”为例，其作为国际首款高密度、大容量的1T4R架构1Gb RRAM（阻变存储器）芯片完成流片，表明新型存储计算路线正在从实验室走向产品化。RRAM凭借非易失、高密度、低功耗的潜力，被视为后摩尔时代存算一体方向的重要候选，此类突破为国产AI芯片提供了差异化竞争的切入点。

三、“御三家”格局面临新挑战

在云端AI加速芯片市场，英伟达长期占据主导地位，与其后的AMD、英特尔共同构成事实上的“御三家”格局。但这一格局正受到多重力量的侵蚀：

• 云厂商自研：谷歌TPU、亚马逊自研加速器等持续迭代，并通过自有云服务形成闭环。谷歌近期面向全球开放Gemini相关算力服务，并以显著低于竞品的价格切入，被业界解读为借价格战重夺“御三家”席位的信号。价格竞争的常态化，说明算力供给端已从卖方市场逐步转向买方市场。
• 国产替代加速：在政策与供应链安全的双重驱动下，国内AI芯片厂商在架构创新（如存算一体）与场景适配上的投入加大，虽然在先进制程上仍受制约，但在特定负载与垂直场景中已形成可用、可部署的替代方案。
• 新兴架构崛起：RRAM等新型存储计算、Chiplet异构集成等技术路线，为后来者提供了绕开传统GPU路径依赖的机会窗口。

四、竞争格局定位

综合技术门槛与商业价值两个维度，当前主要竞争者的定位大致如下：

可以看到，英伟达凭借软硬件生态仍居领跑位置，但其领先幅度正被两侧夹击：上方是云巨头以“模型+算力+价格”的组合拳争夺市场，下方是新兴架构与国产力量在细分场景寻找突破口。居于象限中部的参与者，胜负将取决于能否在生态与成本之间找到可持续的平衡点。

五、本章小结

产业现状可概括为三条主线：其一，模型层竞争趋缓，算力需求的结构性上升使芯片重回价值链核心；其二，头部厂商回归芯片主业，产业链价值分配逻辑正在改写；其三，“御三家”格局虽然稳固但已现松动，价格战、自研化与新型架构共同构成挑战变量。对于观察者而言，下一阶段的关键指标并非模型跑分，而是芯片出货结构、推理算力单位成本，以及新兴架构从流片到规模部署的兑现速度。

上游：新型存储芯片突破

从“卷模型”到“卷底座”：算力竞争的上游变局

当前AI产业的竞争焦点正在发生迁移。当大模型能力逐步趋同、应用层价格战愈演愈烈之际，产业界的注意力正回归一个更基础的问题：算力底座的供给能力。正如业内近期的一种判断——“大厂醒悟了，卷模型不如卖芯片”——底层硬件，尤其是存储与计算之间的数据搬运效率，正在成为决定AI系统性价比的关键瓶颈。

在这一背景下，存储芯片的技术突破具有超出其本身规模的产业意义。传统冯·诺依曼架构下，数据在处理器与存储器之间反复搬运所消耗的时间与功耗（即“存储墙”问题），在大模型训练与推理场景中被急剧放大。谁能在存储密度、容量与能效上打开新的空间，谁就在算力供给侧掌握了新的筹码。

“泰山一号”：1T4R架构的RRAM突破

铭芯启睿近期宣布其“泰山一号”芯片成功流片，这是国际上首款高密度、大容量的1T4R架构1Gb RRAM（阻变存储器）芯片。这一进展有三个值得关注的要点：

其一，架构创新。1T4R（一个晶体管连接四个阻变存储单元）架构通过单元结构的重新设计，显著提升了存储密度。相比传统1T1R结构，1T4R在不牺牲可靠性的前提下将阵列集成度推向新的水平，使RRAM从“实验室样品”走向“Gb级量产可行”的关键门槛。

其二，容量跨越。1Gb的容量意味着RRAM不再局限于嵌入式小容量场景（如MCU的存储单元），而是具备了进入独立存储器市场的资格。大容量是实现“存算一体”和近存计算架构的前提条件——只有存储密度足够高，才能让计算靠近数据，从根本上压缩数据搬运开销。

其三，工程验证。流片成功意味着从材料、器件到工艺、设计的全链条打通。RRAM作为新兴非易失存储技术，其良率与一致性一直是产业化的最大挑战。此次流片为后续工艺迭代与产品化提供了实证基础。

从产业链视角看，这一突破的意义路径可以概括如下：

新型存储在算力体系中的定位

将RRAM置于存储技术竞争格局中观察，可以更清晰地理解其价值坐标。以“技术门槛—商业价值”两个维度衡量：

在这一格局中，HBM凭借与AI芯片的深度绑定占据高价值区间，但产能与技术被少数国际厂商垄断；DRAM与NAND是成熟存量市场，增量空间有限。高密度RRAM存算一体处于“高门槛、高潜力”的第一象限，其价值兑现取决于工艺良率的持续爬坡与生态适配——这正是“泰山一号”所处的发展阶段：技术验证已过，商业验证在前。

对算力底座的三重意义

能效层面：大模型推理成本中，数据搬运功耗占比显著。RRAM作为非易失存储且具备模拟计算潜力，若与存算一体架构结合，可在特定推理场景实现数量级的能效提升，直接降低token成本。这与当前头部厂商的降价逻辑形成呼应——Gemini 4 Argon以每百万tokens约2美元的价格开闸全球市场，说明推理成本竞争已进入白热化阶段，上游能效突破是支撑价格战可持续的物质基础。

供给层面：RRAM材料体系与部分标准CMOS工艺后段兼容，为存储供应链的多元化提供了可能路径。在当前地缘与供应链不确定性上升的环境下，新型存储的技术自主可控价值被放大。

架构层面：大容量非易失存储使“存内计算”“近存计算”从论文走向工程，可能催生差异化的AI加速器设计路线，为国产算力芯片提供换道超车的架构选项。

当然，也需保持客观：1Gb距离DRAM、NAND的容量水平仍有差距，RRAM在大规模AI训练场景中的应用尚需时间验证；良率、成本曲线与软件生态是未来两三年的关键观察指标。

小结

“泰山一号”的流片，标志着我国在高密度新型存储这一上游关键环节实现了从跟跑到局部并跑的转变。在算力竞争日益表现为“存储带宽之争、能效之争”的当下，此类上游突破的长期价值，可能超过单点模型能力的比拼。后续值得持续跟踪的信号包括：RRAM工艺良率数据、存算一体芯片的产品化进度，以及大模型厂商在推理侧对新存储方案的实际采用情况。

中游：大厂战略转向芯片

从“卷模型”到“卖芯片”：一次商业逻辑的重构

过去两年，大模型行业的竞争焦点集中在模型能力上：参数规模、榜单排名、benchmark 刷分。但随着开源模型快速追平闭源、模型层同质化加剧，一个共识正在行业内形成——模型层的超额利润正在被压缩，而算力层才是确定性的价值洼地。这就是业内所谓的“卷模型不如卖芯片”现象。

这一转向的本质是价值链利润的再分配。大模型训练与推理的每一次调用，最终都要落到物理算力上。当模型本身可以被复制、被开源、被蒸馏时，承载模型的芯片与算力基础设施却具备高技术壁垒、高资本门槛和长回报周期，天然更接近“卖铲人”的商业角色。

大厂的三条路径

观察当前头部企业的布局，战略转向大致沿三条路径展开：

其一，自研自用，替代外购。 云厂商与模型厂商自研 AI 加速芯片，核心动机是降低对英伟达等供应商的依赖、优化数据中心总体拥有成本（TCO）。自研芯片与自有软件栈深度耦合，可在推理等负载上取得更好的性价比。

其二，自研外售，算力商品化。 部分企业将自研芯片能力对外输出，从“自用资产”转为“销售商品”。典型信号是芯片能力与云服务打包：客户购买的不只是模型 API，而是包含专用算力的一揽子方案。

其三，价格战开闸，算力即服务。 以谷歌 Gemini 4 Argon 全球开放、以每百万 token 约 2 美元的定价对标 Astra 为例，头部厂商正通过激进定价快速做大算力消耗盘。价格战的底气恰恰来自底层芯片的自给——只有算力成本可控，才有能力在模型服务端打持久战。这也从侧面印证了芯片自研与模型竞争之间的因果链条。

商业模式：从外购到“自研+外售”并行

算力供给正在经历一场结构性切换。此前大厂的算力几乎完全依赖外购（采购英伟达 GPU 及第三方云算力），如今转向“自研自用+自研外售+外购补充”的混合模式。这一转变带来三方面影响：

1. 成本结构变化：自研芯片摊薄单位推理成本，模型服务定价空间扩大；

2. 竞争壁垒迁移：竞争焦点从模型参数转向“芯片—框架—模型—应用”的垂直整合能力；

3. 产业格局重塑：芯片设计、先进封装、存储等上游环节获得新一轮资本与订单注入。近期铭芯启睿“泰山一号”完成流片，作为国际首款高密度、大容量 1T4R 1Gb RRAM 芯片，显示存储介质层面的新兴力量也在切入这一赛道，中游格局并非巨头独占。

转向背后的约束与风险

需要客观指出，这一战略转向并非没有代价：

• 资本与人才门槛：芯片流片周期长、试错成本高，非头部企业难以复制；
• 软件生态短板：自研芯片的真正瓶颈往往不在硬件而在 CUDA 类软件生态的迁移成本；
• 供需节奏错配：算力建设存在周期，若下游应用增长不及预期，可能形成阶段性过剩；
• 地缘与合规变量：先进制程获取、出口管制等外部因素，仍是悬在所有玩家头上的不确定性。

小结

“卷模型不如卖芯片”不是对模型价值的否定，而是产业成熟度的标志：当应用层的竞争回归商业本质，算力作为稀缺生产要素的地位被重新定价。中游的这场转向，正在把 AI 产业的竞争从“谁的模型更强”改写为“谁的算力更自主、更便宜、更可规模化”——这也为下一章讨论下游应用生态的分化埋下伏笔。

下游：推理服务价格战

当产业界的注意力还聚焦在训练算力的军备竞赛时，下游推理服务市场已经率先打响了价格战。谷歌以Gemini 4 Argon全球开放为标志，将旗舰级模型的API定价直接拉至2美元档位，向Astra等竞品发起正面挑战，试图用价格杠杆重回第一梯队。这场价格战的冲击波，正沿着产业链向下游应用层快速传导。

一、2美元定价：一次精心计算的市场进攻

Gemini 4 Argon的全球开闸并非单纯的产品发布，而是一套完整的竞争组合拳：全球可用、低价准入、旗舰能力。对下游开发者而言，这意味着接入世界一流模型能力的门槛被大幅压低——原本需要数倍预算才能承担的推理成本，现在可以以极低的单位价格跑通。

从产业逻辑看，这一定价策略的意图清晰：以价换量，抢占开发者心智。大模型API具有强粘性，一旦应用在某个模型上完成调优与上线，迁移成本会随时间累积。先行压低价格锁定长尾开发者，等于提前锁定了未来的推理算力消耗。这也印证了参考素材中“大厂醒悟了，卷模型不如卖芯片”的行业判断——当模型能力趋同、参数竞赛边际收益递减时，真正的护城河转向了算力供给与单位推理成本的控制能力。

二、价格战传导路径

这条传导链揭示了价格战的悖论：短期内压低了服务商的毛利率，长期却因“杰文斯效应”放大了总推理需求——单位成本下降带来的用量增长，最终反哺上游算力与芯片环节。这也解释了为什么各厂商敢于在推理端“亏本抢市场”：份额即未来的算力订单。

三、竞争格局四象限

在这一格局中，谷歌凭借自研TPU的纵深算力积累与全球基础设施，占据了成本与生态的双重高位；Astra等竞品则面临“跟价则失血、不跟则失份额”的两难；二线云厂商若无自研芯片支撑，将在价格战中持续被动；而深耕垂直场景的小模型厂商，反而可能以专用化路线获得局部成本优势——这正是参考1中RRAM等新型存算芯片（如1T4R高密度架构）在推理侧的潜在机会所在：用架构创新而非规模堆叠来压低单位推理成本。

四、价格战的关键数据速览

五、对下游应用的影响判断

其一，成本结构重估。 推理成本在AI应用总成本中的占比此前常被视为刚性约束，2美元档定价迫使学生创业团队到中小企业重新测算商业模型——许多原本“算不过账”的场景（长文本处理、高频对话、多模态调用）开始具备经济可行性。

其二，获客逻辑改变。 对模型服务商而言，API收入模型从“高毛利低频次”转向“低毛利高频次”，客户获取从销售驱动转为价格与文档体验驱动。价格战的本质是获客成本的前置化：以短期让利换取长期生态位。

其三，差异化压力上移。 当基础推理能力价格趋近于水、电等公共资源，下游应用的竞争焦点将转向工程化能力（RAG、Agent编排、私有化部署）与垂直数据壁垒，而非模型本身。

小结

推理价格战是AI产业从“训练竞赛”转入“落地竞赛”的标志性事件。Gemini 4 Argon的2美元定价既是谷歌的进攻武器，也是整个行业的成本基准线重置。短期看，价格战压缩服务商利润、利好应用开发者；中期看，谁能以更低单位成本提供稳定推理服务——无论是靠自研芯片、存算新架构还是基础设施规模——谁就掌握了下一阶段的定价权。算力供给的底层竞争，才刚刚开始。

数据透视与竞争要素

一、从三条线索看竞争坐标

当前AI芯片产业的竞争，可以从三条近期产业动态中提炼出关键数据坐标：新锐厂商的流片进度、头部玩家的定价策略、以及市场份额的重新分配。

流片进度维度。 铭芯启睿“泰山一号”完成流片，成为国际首款高密度、大容量的1T4R 1Gb RRAM（阻变存储）芯片。这一进展的意义在于：它不是在传统SRAM/DRAM路径上的追赶式改良，而是在新型存算介质上的换道突破。RRAM架构天然契合AI推理场景对能效比与片上容量的诉求，1T4R结构在高密度集成上提供了区别于国际主流方案的差异化选项。从数据看，1Gb容量已进入可用规模区间，标志着新型存储路线从实验室走向产品化的关键一步。

定价水平维度。 谷歌Gemini 4 Argon全球开放，以2美元的价格带直接叫板竞品Astra，试图以价格战重回“御三家”竞争格局。2美元这一价格锚点的出现，说明推理侧算力已从“稀缺溢价”阶段进入“规模定价”阶段——当模型能力趋同，价格成为争夺开发者与份额的核心杠杆。这对上游芯片厂商形成传导压力：算力提供方的毛利空间被压缩，将倒逼芯片端的成本能力与能效比竞赛。

市场份额维度。 行业风向的一个显著信号是“卷模型不如卖芯片”——头部大厂意识到，在模型层陷入同质化内卷的边际收益递减，而向下游输出算力芯片与基础设施，反而是更稳固的价值捕获点。这意味着竞争重心正从软件栈上移的模型竞赛，部分回流至硬件层的算力供给。

二、三大竞争要素评估

1. 技术壁垒：架构差异化是唯一突围路径。 在先进制程受限的背景下，依赖工艺节点的追赶式竞争空间有限。RRAM存算一体、1T4R高密度集成这类“换道”方案，其壁垒不在单点参数，而在材料—器件—电路—编译器全栈的know-how积累。从数据看，“国际首款1Gb级1T4R RRAM芯片”的稀缺性本身就是壁垒的体现，但需注意：流片成功到量产良率、再到工具链成熟，仍有较长验证周期，壁垒的可持续性取决于量产数据而非首发标签。

2. 成本能力：定价战传导至芯片端。 2美元级别的推理定价意味着终端算力售价将持续下探，芯片厂商必须同时优化两件事：单颗芯片的BOM成本（RRAM免去独立DRAM、降低数据搬运能耗，理论上具备成本优势）以及规模量产带来的良率爬坡。成本能力弱的玩家将在价格战中被挤出推理市场，只能退守训练等高毛利细分场景。

3. 生态绑定：从卖芯片到锁定开发者。 “卷模型不如卖芯片”的下半句是“卖芯片不如建生态”。谷歌以低价开放Gemini 4 Argon，本质是以价格换取开发者驻留，再通过软件栈反向绑定硬件采购。对新锐芯片厂商而言，缺乏CUDA级别的既有生态，必须以开源工具链、性价比和垂直场景切入，生态绑定力是三者中建立最慢、但也最难被攻破的护城河。

三、综合判断

数据层面的三个信号指向同一结论：AI芯片竞争正在从“参数竞赛”转向“体系竞赛”。流片数据（1T4R 1Gb）代表技术壁垒的换道可能；定价数据（2美元）代表成本能力的残酷筛选；份额动向（大厂转向卖芯片）代表生态绑定的价值回归。未来12-24个月，观察窗口将集中在两点：新型RRAM路线能否完成从流片到量产良率的跨越，以及价格战是否会加速中尾部算力厂商的出清。竞争要素三权分立之下，任何单一维度的领先都难以构成护城河，全栈能力才是最终分水岭。

趋势判断与风险提示

一、三大趋势判断

趋势一：存储-算力协同深化

AI 芯片竞争的焦点正在从单纯的算力峰值转向“存算协同”。大模型推理中，访存瓶颈已取代计算瓶颈成为主要制约，HBM 带宽、片上缓存、近存计算架构的价值持续上升。代表信号是新型存储器的产业化突破：铭芯启睿完成“泰山一号”流片，这是国际首款高密度、大容量的 1T4R 结构 1Gb RRAM 芯片。RRAM（阻变存储器）具备非易失、高密度、低功耗特性，若良率与成本验证通过，将在边缘侧 AI 推理和存内计算方向形成对传统 DRAM/Flash 体系的有力补充。存储-算力边界的模糊化，将成为未来三到五年芯片架构创新的主线之一。

趋势二：推理价格长期下行

推理服务的价格曲线呈现明确的长期下行趋势。谷歌面向全球开放 Gemini 4 Argon，以 2 美元定价对标 Astra，本质是通过价格战巩固“御三家”身位。头部厂商以价换量的策略，叠加专用推理芯片能效比提升与 KV Cache、量化等推理优化技术的普及，将持续压低单位 token 的边际成本。对下游应用方，这是 AI 应用经济性改善的红利；对芯片厂商，则意味着收入结构从“卖算力”向“卖能效”迁移，具备单位成本优势的芯片将在洗牌中胜出。

趋势三：芯片自研普及化

一个值得关注的产业信号是“大厂醒悟了，卷模型不如卖芯片”。模型层同质化加剧、利润率承压，而算力基础设施仍是最确定的增量环节，头部科技企业因此将战略重心向芯片延伸：一方面自研 ASIC 以降低对外部 GPU 的依赖、优化自身负载的性价比；另一方面将芯片能力对外输出，形成“模型+芯片”的软硬一体竞争力。自研从少数巨头的特权走向普及化的路径已经清晰——成熟制程产能释放、Chiplet 与先进封装降低设计门槛、开源 IP 生态成熟，共同拓宽了自研的参与面。

二、风险提示

技术验证风险。 新型存储与自研芯片普遍面临“流片成功”到“规模商用”之间的漫长验证期。以 RRAM 为例，1T4R 1Gb 芯片虽然完成了流片节点，但良率爬坡、久经性（endurance）与一致性、生态工具链适配仍需客户侧长时间验证；自研 ASIC 同样存在设计缺陷回炉、性能不达预期、软件栈成熟度不足的风险。评估相关标的时，应以量产订单与客户复购为核心验证锚点，而非流片或发布事件本身。

产能与供应链风险。 先进制程与 HBM 产能集中于少数代工与存储厂商，地缘因素可能使部分参与者面临产能获取受限、设备与材料断供的不确定性；成熟制程虽有扩产，但结构性过剩与结构性紧缺并存。此外，推理价格战若演变为恶性竞争，可能压缩芯片厂商的合理毛利空间，延缓其研发投入的良性循环。

三、小结

存储-算力协同深化、推理价格长期下行、芯片自研普及化，三条趋势相互强化：自研芯片降低推理成本，成本下行倒逼架构创新，新型存储成为破局关键。但在确定性趋势之下，技术验证与产能两大风险不可忽视——产业格局的重构，将由那些既押对方向、又熬过验证周期的玩家完成。