鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

聚灯光外的英伟达中国门徒

编程导航
编程导航
2025-12-24 12:31
阅读 214
编程导航
2025-12-24 12:31
阅读 214

狂热资本的热情助推下,摩尔线程+沐曦股份+寒武纪,三家AI芯片新贵的总市值已经高达1.2万亿元,超过了老牌半导体厂商德州仪器和科技巨头索尼。然而,三家企业上年的总营收还不到德州仪器的十四分之一。

伴随着几个超级IPO的问世,其炸裂的估值增长、匪夷所思的传奇投资故事,开始在中文互联网上广泛传播开来。

梳理来看,绝大多数知名中国算力GPU初创企业,实际上都可称为英伟达和AMD的门徒。摩尔线程创始人张建中曾是英伟达大中华区总裁,沐曦股份的创始三人组都来自AMD,寒武纪亦有技术大拿曾是英伟达员工,壁仞科技的多个高管也曾在英伟达、AMD任职。

此外,英伟达还创办了“初创加速计划”,旨在通过提供技术辅导、融资对接、产品支持等路径孵化新型企业,已为上千家初创机构提供资源扶持。但蹊跷的是,这其中几乎没有来自中国大陆的初创企业获得了直接资金支持。

中国几大GPU新秀已经全面崛起,在资本市场上吸金无数,获得的订单金额数以亿计,在某种程度上观察,却又似乎并未真正冲破两大AI芯片巨头的阴影。

门徒

2006年,拥有在惠普和戴尔两大PC厂商工作经验的张建中加入英伟达。

彼时GPU尚未普及,CUDA平台才刚刚推出,AI还处萌芽阶段。张建中从销售工作起步,提出更“接地气”的市场策略,他从网吧切入,推广高性价比显卡。

在当年PC游戏盛行的年代,网吧是玩家们接触高性能图形处理器的首要场所,通过与网吧合作,英伟达显卡迅速打开市场,并为此后的AI芯片扩张奠定了基础。

张建中借此开拓了英伟达GPU在中国的完整生态系统,并使得英伟达在中国GPU市场的市占率从不足50%上涨到80%,他也因此升任英伟达全球副总裁、大中华区总经理。

在黄仁勋眼中,张建中俨然就是自己“最重要的男人”和“最得意的中国门徒”。在敲锣仪式后的专访中,张建中回忆道:在英伟达的14年,“从普通销售做到全球副总裁,我最清楚GPU行业的命脉,那就是技术、生态,还有懂行的团队。”

因此,当他拉着老部下挤在中关村软件园创业时,摩尔线程就被称作“中国英伟达”。

除了创始人张建中,摩尔线程的核心创始团队均来自英伟达,职工董事周苑曾在英伟达任市场生态高级总监,副总经理张钰勃、杨上山曾任英伟达GPU架构师,王东则曾出任过英伟达销售总监。

不仅团队来源于英伟达,张建中的行事作风,摩尔线程的研发、经营、商业模式,均全面对标英伟达。

2022秋季的发布会上,张建中一袭黑色皮衣亮相,并推出了中国首个游戏显卡MTTS80、多功能GPU芯片“春晓”等。他的着装风格被认为明显是在模仿黄仁勋。

创立摩尔线程伊始,张建中就豪言:“英伟达有的,我们都要有。”

目前,AI芯片分为三大流派,而英伟达就是全能型GPU的翘楚,可实现“一芯多用”,AI计算、图形渲染、科学计算样样精通。张建中深知该模式的领先性,因此全面押注“全能型GPU”技术路径,率先赋予了国产GPU多种功能于一体的能力。

此外,CUDA生态被称为英伟达屹立于AI芯片之巅的核心利器。英伟达耗费巨资,历时十多年打造的这套AI“操作系统”,不仅创造了编译器、工具链、算法库等工具库,更形成了繁荣活跃的生态开发者社区。

为此,摩尔线程自主研发了MUSA生态,手握100%自主知识产权。上市15天的12月20日,摩尔线程就举行了首届“MUSA开发者大会”,发布全新一代全功能GPU架构“花港”、AI训推一体芯片“华山”、高性能图形渲染芯片“庐山”。

MUSA架构还可与英伟达GPU生态兼容,使开发者能够以较低成本利用国际主流生态代码资源。类似CUDA,摩尔线程也在构建以MUSA为基座的生态护城河。

英伟达门徒,为国产GPU带来了宝贵的火种,以及开发相关产品的一系列基础设施。

魅影

摩尔线程之后,号称“国产GPU第二股”沐曦股份拿过接力棒,也已登陆科创板。

摩尔线程的创业元老们拥有英伟达背景,而沐曦股份的创业三人组,则与英伟达的老对手AMD有着非同一般的渊源。

其创始人、实控人陈维良,在创立沐曦股份之前,曾在上海AMD任高级总监,供职时间长达10余年。

另外两位联合创始人——彭莉和杨建,也都曾在上海AMD干过10多年的企业院士,杨建此后还进入华为,历任上海华为、海思半导体的架构师。

而更早上市的寒武纪,其创始团队虽主要来自中国科学院计算技术研究所,但一些技术大拿也拥有英伟达背景。副总经理刘毅于2012年至2016年,担任上海英伟达高级工程师,并在2023年新增为寒武纪核心技术高管。

目前正在冲刺H股的壁仞科技,由曾经闯荡华尔街的张文创办,他曾找朋友给他列出一张GPU大牛名单,随后,张文按图索骥,洪洲、徐凌杰、张凌岚等高管都被招致麾下。

执行董事兼CTO洪洲主导公司技术研发,其此前在英伟达、S3 Graphics等企业担任GPU研发要职,负责架构设计与性能优化;前总裁徐凌杰曾在英伟达、AMD和三星担任过GPU项目的高级管理和架构师,后于2024年1月离开壁仞科技,并创办魔形智能科技;首席运营官张凌岚,也曾在三星电子美国研发中心及AMD担任GPU 架构师。

另一家国产GPU新秀也不例外。燧原科技创始人赵立东曾在AMD担任计算事业部高级总监,负责CPU/APU产品规划,并参与成立中国研发中心,还曾在S3 Inc.从事GPU图形处理器芯片的研发工作;

CEO张亚林也在2008年加入AMD,据说他当时就是由赵立东亲自招聘。张亚林历任AMD资深芯片经理、技术总监,曾经作为全球芯片研发主要负责人之一,领导团队为微软定制开发了XBOX-ONE系列芯片,还参与创立了AMD北京研发中心。

这对老搭档同时于2018年离职创业,共同成立燧原科技,并很快获得了来自腾讯的大笔投资。目前,燧原科技也在冲刺A股上市。

如今摩尔线程和沐曦股份、壁仞科技、燧原科技已经被并称为“国产GPU四小龙”。而这四家国产替代之光,其创立和发展的背后都离不开英伟达、AMD的身影。

潜行

和资本市场炸裂的表现、舆论层面的超高曝光度相反,几家企业的创始人都十分低调。

他们基本都是职业经理人出身,学历极高、履历惊艳,熟谙科技型公司技术研发、市场推广、融资上市以及企业运作,但名气相比此前互联网时代的马云、马化腾、丁磊们相差甚远。

譬如,张建中在惠普公司时,担任产品总经理,主导了x86服务器产品线的本土化适配,同时又首创“技术顾问+销售”的复合型团队,使惠普在中小企业市场占有率三年提升17%。

在戴尔任职期间,又借助这种“六边形战士”的能力,帮助高能公司在金融、电信等ToB大客户领域实现订单增长300%。

和老一辈互联网时代的企业家如以及雷军、刘强东、周鸿祎、俞敏洪们相比,他们步伐一致,低调潜行,很少公开露面,也较少接受采访。

虽然硬科技是一条靠代码、产品和性能说话的赛道。但如此淡化创始人个人IP,也反映出和上一轮互联网创业潮时截然不同的风格,并且与英伟达、ADM强调创始人和掌舵者个人魅力的模式完全相反。

12月8日,美国正式允许英伟达向中国“经批准的客户”出售H200芯片。H200并非英伟达最新一代产品,但也已经让这些国内的“门徒”们感受到了一丝寒意。

放行H200,其实是中美大国竞合博弈下的一种商业妥协。黄仁勋也表示,美国的出口管制已“完全失效”,反而倒逼中国芯片自主发展。

当前,国产AI领域IPO审批都以极快的速度疾驰。摩尔线程IPO创下多项纪录,它是2025年科创板“1+6”政策落地后首家过会上市的科技企业,从受理到过会仅用时88天,从受理到上市不足半年。

投行人士更是感慨,“这速度在硬科技领域绝无仅有。‘1+6’政策提前扫清了审核障碍,加上国产GPU的战略地位,一路绿灯。”12天后,沐曦股份也正式登陆科创板。

在他们身后,壁仞科技已通过港交所聆讯,有望在2026年1月2日成为H股GPU第一股,燧原科技已重启上市辅导,百度旗下昆仑芯也被曝开启IPO进程。

不仅是芯片领域,一切跟AI相关的资本运作,都呈现出一股集体亢奋的状态。

港股市场上,2025年以来,已有超30家机器人相关企业递交申请表,前三季度,机器人创业公司融资总额就达到500亿元。

大模型赛道,智谱AI也提交了港交所聆讯资料,而稀宇科技MiniMax仅相隔48小时,就递交招股书,两家企业将角逐“全球大模型第一股”。

当整个中国资本市场裹挟着大大小小无数的投资人,在AI宏大的历史性叙事中狂欢,这些掀起了资本狂潮的英伟达、ADM的门徒们,享受了这场造富浪潮和未来广阔的发展空间。

但几乎无一例外,他们都选择将自己藏身到聚光灯之外。

写在最后

门徒们引领着中国AI芯片产业发展的浪潮,但英伟达却从未投资过一家中国大陆初创企业。

英伟达2025年参与的AI融资已达50笔,超过2024年全年总和。2023年至今,其参投的单笔过亿美元的企业达31家,总投金额超500亿美元。

但反常识的事实在于,这31家企业中没有一家中国大陆公司。

直到今年1月,英伟达参与了数字孪生技术公司 MetAI(宇见智能)的 400 万美元种子轮融资,这是其在中国台湾的首笔创业投资。

英伟达当然不会培养自己的竞争者,然而在全球AI创业最活跃的市场,没有一家公司能入得了英伟达的法眼,这背后也许更多是非市场因素所致。

考虑到目前头部的中国算力芯片企业的核心创始团队和技术人才,来自英伟达或AMD的比例是如此之高,这意味着两家美国巨头正以另外一种方式,参与到中国AI的发展浪潮中。

可预见的时间里,这种状态还将持续存在,这也许是它们为中国科技发展所做出的某种贡献。(谢泽锋)

原文链接: 聚灯光外的英伟达中国门徒
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230