国产算力的软件突围

写完《国产算力硬件产业链》后，很多人问我：硬件都卷成这样了，算力还有机会吗？

我的答案是：硬件战争才打了上半场，软件战争甚至还没真正开始。

大家都以为芯片是最难啃的骨头，殊不知"买得到硬件，买不到生态"才是真正的卡脖子。如果把算力比作智能手机，硬件是机身芯片，软件就是操作系统——没有好用的系统，再强的硬件也只是能发热的砖头。

今天我们从创业投资视角，聊聊这条被大多数人忽略的黄金赛道。

一、为什么软件才是真正的卡脖子？

很多人把算力软件理解成"驱动程序"，就像把安卓理解成"手机开机程序"一样片面。

算力软件是一整套让芯片真正"跑起来"的技术栈：从底层驱动、编译器，到AI框架、算子库，再到调度平台、开发工具——少了任何一层，再强的芯片也只是硅片。

打个最通俗的比方：英伟达CUDA就像手机界的安卓，17年积累了160万开发者、10万+优化算子，几乎所有主流AI模型都基于它开发。而现在的国产算力软件，就像三年前的鸿蒙——硬件准备好了，但生态还在建设初期。

这就是"买得到硬件，买不到生态"的本质：你可以几个月流片出对标A100的芯片，但不可能几个月建起百万开发者的生态。

国产算力软件栈从下到上分为五层：

目前主要玩家分为五类：- 全栈派：华为昇腾（CANN+MindSpore），唯一建成完整软件栈，开发者突破400万- 框架派：百度飞桨、旷视天元、一流科技OneFlow，专注AI框架层- 兼容派：摩尔线程MUSA、沐曦MXMACA，走类CUDA路线降低迁移成本- 科研派：中科院计算所、清华等，在编译器、基础算子有深厚积累- 创业派：天数智芯、智子芯元等，聚焦特定环节技术突破

2026年的国产算力软件，正处于"从能用走向好用"的关键拐点：基础驱动和框架已有，但算子丰富度、性能优化、开发者体验还差得远——这正是创业者最大的机会窗口。

二、为什么软件爆发就在当下？

2026-2028年是国产算力软件黄金三年，底层逻辑有五个：

第一，硬件先行，软件必须补课。2025年国产AI芯片出货量增200%，但软件适配速度远远跟不上。现在国产芯片平均算力利用率只有30%，70%的性能因为软件优化不到位被浪费了。

第二，CUDA垄断必须打破。英伟达靠CUDA构建的护城河本质是"软件锁定"：开发者用惯了CUDA就不愿换芯片。现在高端芯片出口管制，反而给了国产软件"强制断奶"的机会。

第三，大模型对算力效率的极致追求。训练万亿参数大模型一次就要几千万，软件优化提升30%效率，就意味着省几千万真金白银。大模型厂商对算力效率的渴望，已经到了"一分钱掰两半花"的地步。

第四，信创从硬件延伸到软件。以前信创主要换硬件，现在进入"全栈替换"阶段。政务、金融、央企等核心领域，要求从驱动到应用全栈自主可控——这是确定性极强的To G/To B市场。

第五，从"有没有"到"好不好用"的拐点已到。2023-2025年解决"有无问题"，2026年开始进入"好不好用"阶段，客户愿意为能让芯片跑满性能、降低使用门槛的软件付费。

三、全链条拆解：五层产业链结构

最底层：驱动、固件与编译器最接近硬件的一层，相当于电脑BIOS和系统内核。代表产品有华为毕昇编译器、寒武纪BangC等。这层技术壁垒最高，基本是芯片厂商自研，创业公司可切入特定场景优化。

基础层：AI框架与算子库相当于手机系统内核，是开发者直接打交道的接口。华为MindSpore、百度飞桨都属这层。算子库是系统里的"基础APP"——CUDA有10万+优化算子，国产普遍只有1-2万个，很多冷门算子缺失，这是目前最大短板。

中间层：调度、优化与分布式训练现在创业最活跃的领域，相当于手机上的系统优化工具。包括：异构算力调度平台（统一管理不同厂商芯片）、推理优化引擎（提升推理速度、降低成本）、分布式训练框架、模型压缩工具。

应用层：行业解决方案与MLOps直接面向最终用户，相当于手机上的各种APP。包括大模型适配工具、垂直行业AI开发平台、MLOps运维工具链。这层离客户最近，付费意愿最强，是行业老兵创业首选。

生态层：开发者与社区最容易被忽略但最重要的一层，相当于应用商店和开发者社区。安卓赢不是因为技术最好，而是因为开发者最多、应用最多。现在国产软件最大短板就是开发者生态——会写CUDA的一抓一大把，会写国产芯片算子的凤毛麟角。

四、钱到底被谁赚走了？

我整理了各环节价值分布：

反常识发现：硬件毛利率普遍30%-50%，软件普遍60%以上，核心环节甚至90%+。为什么？因为硬件是一次性买卖，软件是持续收费——卖一块芯片赚一次钱，卖软件授权、订阅费可以年年收。英伟达市值高，不是因为卖芯片赚得多，而是CUDA带来的持续收入和锁定效应。

技术壁垒最高的是AI框架、算子库和编译器，但这不代表创业者没机会——通用框架打不过，可以打垂直场景；通用算子打不过，可以打特定场景的专用算子优化。

现在真正的卡脖子环节：一是CUDA兼容性，存量代码迁移成本太高；二是算子丰富度，10万vs1-2万的差距；三是开发者使用习惯；四是软件优化带来的性能差距。

五、经济性：这门生意怎么赚钱？

算力软件主流商业模式有三种：1. 开源+商业版：基础版开源吸引开发者，企业版收授权费和服务费，是AI框架主流模式2. 订阅制：按算力规模或年收费，调度平台、MLOps工具普遍采用3. 效果分成：帮客户优化算力效率，从节省的成本中分成——帮客户省1000万分200万，客户很愿意买单

现在是典型的"需求爆发，供给严重不足"：一边是几万张国产卡的算力中心建起来，跑不满性能急得团团转；另一边是能做适配优化的团队少之又少。成熟的算子优化工程师，年薪已经开到80-150万还抢不到人。

人才缺口有多大？2025年全球算法框架领域人才缺口12万，中国占3.3万，90%集中在国产算力软件方向。高校根本没有对口专业，连系统教材都没有，人才培养速度远远跟不上。

为什么软件毛利率比硬件高？本质是软件边际成本为零：开发一个算子花100万，一个客户用是这个成本，一万个客户用还是这个成本。而硬件每卖一块都要付原材料、生产、物流成本。更重要的是生态网络效应：用的人越多→开发者越多→应用越多→用的人更多，一旦转起来，竞争对手根本追不上。

六、未来趋势与机会

先看市场规模：

数据来源：信通院、IDC、行业调研

未来五年市场从500亿增长到2600亿，年复合增速超40%，是典型高速增长蓝海。技术趋势包括：大模型原生框架、异构计算统一编程、AI自动算子生成、端边云协同调度。产业格局将是"一超多强"：华为占据最大生态份额，各细分领域跑出专精特新公司，开源成为主流。

六个确定性最强的创业赛道：

1. 特定场景算子优化不要做通用算子库，那是大厂的事。做特定场景优化，比如大模型注意力机制、文生图专用算子、科学计算专用算子。一个好的专用算子能把性能提升2-3倍，客户愿意花大价钱买。

2. 异构算力调度中间件现在没有算力中心只用一种芯片，都是多厂商混布。怎么把不同架构芯片统一管理，像调度水电一样按需分配任务，是所有算力中心的刚需。这个赛道不用做芯片也不用做框架，做好调度就行，目前还没有绝对龙头。

3. 垂直行业MLOps工具链通用MLOps已经很多，但垂直行业的很少。比如金融需要满足合规、可解释、风控要求；医疗需要处理医疗影像、隐私计算。在一个垂直行业做深做透，比做通用工具更容易拿客户。

4. CUDA一键迁移工具现在最大痛点是存量CUDA代码迁移成本太高。如果能让90%的CUDA代码不改或只改几行就能跑在国产芯片上，性能损失控制在10%以内，会被所有算力中心抢着买。

5. 国产芯片推理优化引擎大模型推理成本是训练的好几倍，怎么把推理成本打下来是所有大模型公司最关心的事。vLLM已经证明了方向价值，但国产芯片上的推理优化还做得很不够，针对国产芯片深度优化的引擎商业价值非常明确。

6. 算力软件人才培训人才缺口这么大，做培训本身就是好生意。和高校、芯片厂商合作，做国产算力软件认证培训、实战训练营，输出算子开发、性能优化工程师，既解决行业痛点，又能赚培训费，还能建立人才生态。

当然，这个赛道也不是遍地黄金，三个风险要注意：一是生态赢者通吃，通用层面机会不多，别去做通用AI框架，那是大厂战场，一定要做细分、垂直、场景；二是技术迭代太快，今天先进的技术半年后可能被开源方案替代，要贴近客户需求，不要为技术而技术；三是不要迷信"兼容CUDA"，兼容是过渡手段不是目的，完全兼容不可能，最终一定要建自己的生态，一直跟在CUDA后面追没有出路。

回到最开始的观点：硬件是躯体，软件才是灵魂。

国产算力硬件战争已经打出眉目，但软件战争才刚刚开始。这是国产算力的最后一公里，也是最长、最艰难的一公里，更是机会最大、利润最丰厚的一公里。

硬件赚一次的钱，软件赚一辈子的钱；硬件是制造业竞争，软件才是生态竞争。

对创业者来说，现在就是最好的时间窗口——当所有人都盯着硬件卷的时候，转过身去，软件的蓝海里全是机会。