AI数据中心客户把一块国产 AI 加速卡装进机柜，首先面对的不是算力差多少，而是软件栈要重做多少。模型本身通常不必改写，需要重新建立的是模型底下那一层：算子库、编译器、精度校验与迁移工具。

这一层很少单独计价，也很少单独开票，因此长期被概括为生态壁垒一句话。但它由若干可以分别评估的部分构成，各家做到哪一步，也可以按公开披露的内容来核对。

本文先拆解迁移成本的构成，再给出一条可核的评估阶梯，最后按六家国产 AI 芯片公司的定期报告，逐家看其披露到了哪一格。

一、迁移成本的四个构成部分

第一是算子库覆盖率。一次完整的前向计算要调用数百个算子，覆盖率不足时，缺失部分需由客户自行实现并优化，而优化依赖对目标硬件内部结构的了解。这部分的主要成本不在实现，在调优：实现一个功能正确的算子通常需要数天，将其性能调整到不拖累整条流水线通常需要数周。算子分布呈长尾特征，常用算子各家均已覆盖，尾部的模型专有融合算子、稀疏格式实现、框架私有通信原语数量不多，却往往正好落在客户的业务路径上。

第二是编译器的整图处理能力。编译器接收的是一整张计算图，理想情况下整图接收、完成算子融合与内存复用后再排定执行顺序。无法处理的部分只能切分出去单独执行，计算图一经切分，融合与内存复用随之失效，性能回落至逐算子调用的水平，硬件利用率明显下降。

第三是精度对齐。同一模型在新硬件上的输出，须与原平台对齐至可接受的误差范围。低精度推理对此尤为敏感，累加顺序或舍入策略的差异，在长上下文推理中会逐步累积。性能不足客户尚可接受，精度不一致则直接导致产品出局。

第四是迁移工具。前三项决定产品能否进入生产环境，迁移工具决定客户需要投入多少人力，也是四项中唯一可直接折算为人月的一项。六家公司中，只有天数智芯将其量化：其 2025 年年度报告称，平台经深度优化后实现代码迁移效率提升 80% 以上，支持算子“分钟级”平滑迁移。其余各家多为“降低开发者使用门槛”“降低客户的开发成本和迁移成本”一类表述。需要说明的是，该 80% 的基准口径与对应的迁移工作量类型，年报未作披露。

迁移也不是一次性工程。模型每迭代一代，都会带来新的算子与执行模式，包括注意力机制的变体、量化方案的变体与并行策略的变体，上一轮的适配成果需要重新验证。因此客户评估的往往不是单次迁移的可行性，而是后续迭代的重复投入。这也解释了国产加速卡在实际采购中多先用于增量业务、而非整体替换存量业务的现象。

四个部分之间是串联关系：前三项中任何一项不达标，产品都无法进入生产环境。

换一块卡，要重写的是这四样

图1｜迁移成本的四道关。四关为串联关系，箭头表示先后顺序，不表示工作量占比

二、三类常见表述不构成使用证据

“兼容 CUDA”不等同于客户可直接迁移。 它解决的是编程接口的一致性，使开发者不必重新学习一套写法，但不解决算子覆盖、整图编译与精度对齐。接口兼容是前提条件，不是完成状态。

“支持 PyTorch、TensorFlow”属于准入门槛。 主流框架适配是这一赛道的最低要求，未完成适配的产品通常不会进入客户评估流程。它说明具备评估资格，不说明评估已经通过。

“已开源”说明工具可获取，不说明已被使用。 开源解决的是开发者的获取问题，实际使用规模需要另外的数据支持。

三类表述本身并无不实之处，问题在于它们描述的是能力供给，而客户关注的是使用结果。软件栈通常不单独收费，因此这一层的商业化程度不体现在收入上，而体现在被使用的程度上。

三、可核的六格阶梯

按公开披露内容可将软件栈的进展划分为六格：

第一格，已发布工具链；第二格，开发者可公开获取，包括开源或开放下载；

第三格，有客户处于迁移验证阶段；第四格，有客户完成迁移并投入生产；

第五格，多个客户在生产环境使用，并披露生态数据，如注册开发者数量、适配模型清单、合作伙伴数量；

第六格，具备可核的规模证据。

前两格考察公司自身的交付，自第三格起考察客户侧的实际使用。这条分界的意义在于：前两格证明产品已经做出，后四格才证明客户愿意迁移。

软件栈做到哪一步，可以按这六格来核

图2｜可核阶梯的六格。归位口径按公开披露内容划分，反映披露程度，不构成技术能力评价

四、六家公司的公开披露位置

以下内容均取自各公司定期报告，页码可查。需要预先说明的是，未披露不等于未做到，年报是面向投资者的文件，并非技术文档；但外部可核对的部分，仅限已披露内容。

海光信息与天数智芯：第五格

海光信息 2025 年年度报告称，海光 DCU 具备自主研发的 DTK 软件栈，“是目前国内最为完备的生态之一，大幅降低了应用迁移难度”；该软件栈对标 CUDA，为开发者提供运行、编译、调试和性能分析等功能。生态规模方面，光合组织已聚合 6,000 余家合作伙伴，完成 15,000 余项软硬件测试。需要注意口径：光合组织是海光的产业生态组织，上述两项数据覆盖其 CPU 与 DCU 全线，并非 DTK 软件栈的专属统计。

天数智芯披露的是模型适配数量与迁移效率。其 2025 年年度报告称，新一代软件开发平台“原生兼容行业主流 GPU 编程模型”，“平台经深度优化后实现代码迁移效率提升 80% 以上，支持算子『分钟级』平滑迁移”；同页披露已完成数十款国内外主流开源及商用大模型的深度适配，具备新模型结构、新算子发布“Day0 即原生支持”的能力，相关技术“已成功支撑头部大模型厂商生产级集群部署”。开发者一侧，其 DeepSpark 开源社区“已完成超过 610 个主流算法模型适配”。

两家的数据均有口径限制。“610 个模型”给出的是清单规模，可对照社区页面核对；“迁移效率提升 80%”给出的是结果值，基准与工作量类型未披露。这也是这一层的普遍情况：披露了数字，未必披露了口径。

财务方面，海光信息 2026 年上半年营业收入 90.99 亿元，同比增长 66.5%，归母净利润 17.98 亿元；天数智芯仅发布半年度正面盈利预告，预期净利润 0.60 亿至 1.40 亿元，未披露收入，且扭亏主要来自金融资产公允价值收益，非主营业务改善。

寒武纪：第四格

寒武纪 2025 年年度报告的相关表述集中在部署与协作层面：公司产品在运营商、金融、互联网等多个重点行业规模化部署，“通过了客户严苛环境的验证”；报告期内“产品紧密跟进开源生态，显著降低了客户的开发成本和迁移成本”。在互联网领域，公司与多个行业客户“在算子开发及性能优化、框架优化、通信优化等方面展开了更深度的技术合作”。

上述表述已涉及客户侧，“多个重点行业规模化部署”亦隐含多客户在生产环境使用。未归入第五格的原因只有一项：未披露生态数据。年报未披露自研软件平台名称、适配模型数量与迁移成本口径，仅说明训练软件平台与推理软件平台处于持续迭代。第五格的要求不止于存在使用，还要求该事实可由外部按具体数据核对。

财务方面，寒武纪 2026 年上半年营业收入 59.96 亿元，同比增长 108.1%，归母净利润 23.11 亿元，半年净利已超过 2025 年全年。

摩尔线程、沐曦股份、壁仞科技：第二至第三格

三家均已公开自有软件栈名称，客户侧使用情况尚未披露。

摩尔线程的软件栈为 MUSA。其 2025 年年度报告在发展战略部分表述为，公司“将持续深化 MUSA 软件栈的建设，强化与主流大模型、应用框架及开源生态的深度适配，进一步降低用户的迁移成本与使用门槛”，属规划性表述。已落地的相关表述见于端侧：公司通过提供标准化的软硬协同部署接口，“简化了模型量化、环境配置及接口调用流程，降低了开发者的使用门槛”。需要指出的是，该报告同一章节中“低代码迁移、高性能释放、快速部署落地”一句，描述的是英伟达 CUDA 平台的生态价值，并非公司自身产品表述，转述时容易误置。

沐曦股份的软件栈为 MXMACA。其 2025 年年度报告称，公司“5 年内完成 3 颗主力芯片的一次性流片量产”，“自研 MXMACA 原生态兼容 CUDA，与行业生态同步高速迭代”，并称可在算子层隔绝异构平台差异，实现集群的弹性扩展。按第二节的标准，接口兼容不构成使用证据，仍需客户案例支撑。

壁仞科技的软件栈为 BIRENSUPA。其 2025 年年度报告称，公司“不断优化对 PyTorch、vLLM、SGLang 等开源框架和 Triton、TileLang 等开源生态的支持，降低客户迁移成本”，并“持续推动软件开源战略”。框架与生态适配的表述较为具体，客户迁移结果未披露。

财务方面，三家的报告期不一致：摩尔线程 2026 年上半年营业收入 17.36 亿元，同比增长 147.4%，归母净利润 -0.12 亿元，扣除非经常性损益后为 -1.51 亿元（上年同期 -3.17 亿元），两个口径相差一个数量级；沐曦股份半年度报告截至发稿未披露，一季度营业收入 5.62 亿元，同比增长 75.4%；壁仞科技仅发布盈利预告，预计上半年收入 11.50 亿至 13.00 亿元。

披露位置与财务表现并不一致

先看软件栈一侧各自披露的内容。

再看最新一期财务，报告期与类型各不相同，已在括号内注明。

两组数据并排后可以看到，软件栈的披露位置与当期财务表现并不对应。寒武纪上半年净利在六家中最高，软件栈披露未给出数量口径；天数智芯软件侧披露最为具体，主营收入尚未公布确数；摩尔线程上半年营收增速最高，软件栈表述仍以规划为主。

原因在于两者反映的不是同一件事。当期收入反映的是这一代产品的销售情况，软件栈反映的是下一代产品能否被客户接受。

六家中仅两家给出可核数字，其余以描述性表述为主，这一现象也有其结构性原因。硬件一侧存在公开规格表，算力、显存容量与带宽、功耗、互联速率的统计口径基本统一，不披露即处于劣势；软件栈缺少同类基准，迁移成本的计算方式、算子覆盖率的统计口径、适配模型清单的认定标准，行业尚无共识。缺少共识，描述性表述便可以长期沿用。

六家国产 AI 芯片公司，公开披露到了哪一格

图3｜六家公司的公开披露位置。位置＝公开披露程度，不是技术能力排序。资料来源：各公司 2025 年年度报告、2026 年定期报告及交易所公告

五、结论

回到开篇的问题：换掉一块英伟达卡，需要重写多少内容？

模型层面基本无需重写。主流框架已完成适配，接口层兼容多数已经实现，客户代码可基本沿用。

模型以下的部分，重写量取决于供应方已完成的工作量。算子库覆盖率、编译器的整图处理能力、精度校验工具的完备程度、迁移工具可节省的人力，每一项的缺口都会转化为客户的投入。

就目前的公开信息而言，六家公司之间的比较尚不足以支持排序，只能比较各自披露的程度。下一个值得关注的指标较为具体：哪一家率先公开可核的开发者数量、适配模型清单或软件相关收入。在此之前，这一层的所有比较，都止于公开披露。