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

壁仞科技港股上市首日开盘涨超118%,开启2026国产AI新浪潮

编程导航
编程导航
2026-01-02 12:30
阅读 260
编程导航
2026-01-02 12:30
阅读 260

图片来自壁仞科技官网

图片来自壁仞科技官网

1月2日,“港股GPU第一股”壁仞科技挂牌交易,成为2026年A股、港股首家上市公司。

目前,AI已是资本市场最看好也最看重的板块之一,以相关标的开年,对市场热度、信心都有所助益。实际上,在此前2025年末的认购阶段,壁仞科技公开发售部分即获超额认购逾2300倍,成为当年度港股市场中抢购热情最高的新股。

而对于中国AI芯片产业,尤其是对处在商业化初期、快速成长的GPU初创公司来说,港股IPO的“零的突破”也为行业估值和市场反馈提供了参考。

在这背后,以“国产GPU四小龙”——摩尔线程、沐曦股份、壁仞科技、燧原科技为代表的行业新星,其创始、成长、突围,从技术突破走向商业化落地的道路,也为观察中国高端芯片产业自主化进程提供了一个个鲜活样本。

自主创新+务实经营,国产GPU走向台前

在半导体芯片产业发展史上,创新与务实被视为通往成功之路的好拍档。

从贝尔实验室到仙童半导体,从英特尔到英伟达,这些人们耳熟能详的名字,都通过自主创新而青史留名,也都在务实经营中发展壮大。

而对于大多成立于2020年左右的国产GPU初创公司来说,在市场格局相对集中,地缘局势频繁变化的背景下,能够立足、成长已属不易,想为长远计坚持自主创新,并保持务实的心态和经营节奏,就更显艰难。

但时至今日,我们已经看到,能追赶上市场的高预期,率先实现IPO的公司,都在丰富的产业积累下形成了自身的独到创新,且拿出了成熟的产品,争取到了市场和客户。

以壁仞科技为例,该公司自2019年成立之初就确定走市场主流的通用图形处理器(GPGPU)路线,同时坚持自主研发原创的核心架构,首创Chiplet大算力芯片,并开发专有BIRENSUPA软件平台,构建软硬协同创新的技术体系。

创新往往伴随着高比例的研发投入。根据招股说明书,壁仞科技2022—2025年上半年累计研发投入超33亿元,占经营开支70%以上。截至2025年上半年,该公司专业研发人员多达657名,占到员工总数的83%,其中超过210名研发人员拥10年以上行业经验。据悉,公司团队中有不少来自英伟达、AMD、三星、华为、阿里等国内外科技巨头的核心技术人才和实力干将,也因此得以打通从研发制造到商业化落地、集群部署的链路。

虽然高研发投入往往意味着盈亏平衡节点的后移,但对于硬科技或说新质生产力相关行业,市场对其“非线性”发展已有预期,押注者看重的往往是突破“死亡之谷”后的指数级爆发式增长。其中最关键的,是公司的技术路线和研发成果是否契合未来发展趋势并具备一定的领先优势。从产业发展的视角来看,自主研发的GPGPU架构不仅能让企业掌握产品研发迭代的主导权,形成高技术壁垒和核心竞争优势,也有利于在更强性能、更高能效、更低总拥有成本的竞赛中掌握先机。而通过先进封装技术将多个独立小芯片进行整合的Chiplet,已被视为应对摩尔定律放缓、延续算力增长的核心技术路径之一。软件平台的建设及其与各种AI应用开发的连接,更是参与眼下这场“生态之争”的入场券。

相关资料显示,成立三年左右,壁仞科技就开发出了专为AI工作负载量身定制的通用高性能计算架构BR10X,从2023年到2025年,每年都有新一代芯片实现量产,达到行业领先的性能水平。此外,该公司还积极通过先进技术专利打造护城河。数据显示,其全球累计申请专利达1500余项,发明专利授权率100%,位列国内通用GPU公司之首。

不过,创新只是成功的开端,价值落地才是终极归宿。创新型企业同样需要务实地找到持续稳定的营收来源,才能有长远发展。

对于国产GPU公司来说,科技巨头的大模型训练等大项目往往会选择更加成熟的国际尖端AI芯片,想要生存发展,需要先找到自己的市场。壁仞科技在招股说明书中称,公司近年来实施市场进入战略,锁定AI数据中心、电信、AI解决方案、能源及公用事业、金融科技及互联网等对算力有高需求的关键行业,凭借实用、可靠、创新的产品及解决方案,以及本地化的专业知识和实时的服务支持,满足不同客户独特需求,目前已在全国规模部署了多个智算集群。

作为芯片国产化替代的突破口,相关企业在信创领域的布局和进展尤其值得关注。壁仞科技介绍称,公司在2024年拿下了具有里程碑意义的商业化AIDC千卡GPU集群项目,并与国内三大电信运营商开展了深度合作。据统计,该公司是国内最早实现千卡集群商用的GPGPU公司之一,其连续运行5天以上软硬件无故障,训练服务30多天不中断的成绩,印证了在大规模训练中强大的稳定性及容错能力。

而在“国产替代潮”进一步加速之际,这些新兴企业也看到了更广阔的舞台。

国产替代+营收高增,头部公司脱颖而出

国产替代,自主可控已成为当今芯片产业的主流叙事之一。

但在这一如今看起来颇令人振奋的浪潮之下,既有研发攻坚、聚力发展的奋进,也有前景莫测、艰难博弈的困顿。就像国产GPU企业的成长之路,既激荡于自主创新的激情,也曾有陷入壁垒之中的无奈。

在政策与市场的看重下,拥有自主创新能力的厂商在微时就受到瞩目,成为创投资金竞逐的明星。而在地缘与国际经贸局势的变动中,这些企业也遭遇过诸如美国“限芯令”等的冲击,面临被卡住脖子、悄然退场的风险。

信创市场的收获让国产GPU站稳了脚跟,而2025年以来AI算力需求、巨头资本支出的大爆发和美国对华高端GPU出口限制带来的市场巨变,则为国产AI芯片开启了又一个历史级的机遇。

根据灼识咨询的预测,全球智算芯片市场规模将在2029年达到5857亿美元的水平,从2024年起计算,五年的复合年增长率为37.5%。而届时,中国市场规模将达到2012亿美元,全球占比从2024年的25.3%升至2029年的34.4%,五年复合年增长率预计达到46.3%,增速超过全球市场近9%。与此同时,市场结构也将发生显著变化。2024年,中国智算芯片市场仍高度集中,前两大参与者市场份额占比达到94.4%,国产厂商总份额约20%。GPGPU领域前两大公司市占比更是高达98%,且均为美国企业,国产厂商难以分得可观市场。不过,根据该机构的预测,随着政策的变化、国产AI芯片竞争力的不断提升,预计2029年中国智算芯片市场的国产占比将激增至60%,GPU领域的国产替代前景同样可期。摩根士丹利曾在2025年发布的一份报告中预测,最快至2027年,中国AI领域GPU的自给率就可能超过80%。

需求狂飙、供应重整之际,国产GPU头部企业的营收也普遍迎来高速增长。

仍以壁仞科技为例,该公司2022年9月商业化推出了特专科技产品,当年营收50万元,2023年公司智算解决方案开始产生规模化收入,营收大幅增长至6203万元,2024年再次实现突破达到3.37亿元,三年间的年复合增长率高达2500%。2025年上半年,公司营收同比再增50%,达到5.89亿元的新高,而BR166芯片的量产上市预计还会进一步提升其下半年业绩。

该公司还分析称,随着近年来AI应用的持续扩展,相关产品与服务遍地开花,显著提升了算力需求,引发资本支出热潮,关键行业的领先企业在其中占据主导地位。该公司在招股说明书中透露,已战略性聚焦高算力需求重点行业,与包括财富中国500强中9家企业在内的各行业大客户建立了战略合作关系。截至2025年12月15日,公司在手订单总价值高达12.407亿元,为后续业绩带来支撑。

随着GPGPU及解决方案性能的持续提升以及产能的快速扩大,壁仞科技预计其营收有望进一步提升。

芯片升级+生态自主,驱动人工智能新浪潮

从独角兽到市场竞争的真正参与者,国产GPU渴求着更大的发展,上市融资成了必要之举。

壁仞科技此次赴港上市募资总额约55.83亿港元,其中85%将用于包括公司核心产品GPGPU芯片、硬件及软件平台的开发、升级。与此同时,该公司也表示将推动智能计算解决方案的商业化,着力建立销售网络,加强客户关系并打造品牌影响力。

目前,市场高度关注新一代国产芯片在性能上对国际领先者的追赶速度,以及在软件生态方面的突破举措。

在这方面,壁仞科技表示,计划在2026年推出基于第二代架构开发的下一代旗舰数据中心芯片BR20X系列,并实现商业化上市。

该公司称,BR20X主要用于云训练及推理,配备了更大更快的内存、更高速的互连带宽及超节点系统设计,预计将提供更强的单卡运算能力,能够在为客户大幅提升大模型训练及推理性能,增加业务价值的同时,降低总体拥有成本。

此外,壁仞科技还表示正同步规划未来一代用于云训练及推理的BR30X产品和用于边缘推理的BR31X产品,预计将于2028年实现商业化上市。而在近来颇受瞩目的下一代计算技术——量子计算领域,该公司也进行了前瞻布局。据悉,该公司GPU已实现了对SUPA-Q量子-经典融合计算平台核心部分的支持,达成国产GPU在该领域的重要突破,预计未来仍会迎来进一步发展。

在软件层面,壁仞科技的BIRENSUPA既兼容主流生态,完成了对通义千问、DeepSeek等国产大模型的适配,有力降低用户迁移门槛,也同时着力实现生态自主,通过产学研领域的广泛开放合作,发展壮大开发者生态系统。该公司在未来战略规划中写道,将进一步开放“朋友圈”,增强公司的生态系统,通过收集和采纳客户及合作伙伴的反馈,更快地迭代和生产解决方案,保持对客户需求的前瞻性观点,并保持领先于行业趋势和AI发展。

IPO上市既体现了资本的认可,但也同时对这批新兴企业的经营、治理和发展提出了更高要求。登陆二级市场后,“国产小龙”们需要以更透明的财务和治理结构,接受公众的持续审视,其后续研发进展和商业化兑现能力也将直接与股价挂钩。

与此同时,上市公司平台也有助于整合产业链资源,继续拓展“朋友圈”,进而推动中国AI的“生态突围”。紧随壁仞科技之后,智谱AI、MiniMax等国产人工智能明星公司也均已走到了港交所敲钟的门前。2026年,国产AI新浪潮将继续带来惊喜。

原文链接: 壁仞科技港股上市首日开盘涨超118%,开启2026国产AI新浪潮
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
🔥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