8月28日晚间，国产GPU企业壁仞科技披露2026年中期业绩。一组数字首先跳了出来：2026年上半年营收12.36亿元，同比增长约1997.6%；期内亏损3.77亿元，同比大幅收窄76.4%；经调整期内亏损3.37亿元，同比减亏38.9%。
更值得注意的是，12.36亿元的半年营收，已经超过壁仞科技2025年全年10.35亿元的收入。对于一家仍处于高研发投入阶段的国产GPU企业来说，这不只是一次业绩增长。
它更像是一个信号：国产算力正在从产品验证期，逐渐进入规模化商业化阶段。而推动这一变化的，并不仅仅是国产替代。更深层的变量，是AI正在进入一个新的算力周期——Agentic应用加速落地，模型参数继续膨胀，上下文窗口不断扩大，Token消耗量快速增长。
当AI从“训练一个模型”变成“无数Agent持续调用模型”，算力市场的天花板，也正在被重新计算。
一、Token正在重新定义算力市场
过去讨论AI算力市场，最容易想到的是GPU。需要多少张卡、单卡多少TFLOPS、显存多大、集群有多少P算力，构成了过去几年算力产业最核心的指标体系。
但进入Agentic AI时代之后，产业的计量单位正在发生变化。AI编程、AI搜索、智能客服、企业Copilot、内容生成以及各种Agent应用，都意味着模型被更加频繁地调用。
一次复杂的Agent任务，并不是一次模型推理就结束，而可能需要连续进行规划、调用工具、读取上下文、生成结果，再次推理。模型越大，上下文越长，Agent任务越复杂，Token消耗就越大。这意味着AI算力需求正在从过去的“集中式训练需求”，逐步转向“训练+推理双轮驱动”。
市场空间也因此被进一步打开。
根据弗若斯特沙利文的数据，中国AI计算加速芯片市场规模预计将从2024年的1425亿元增长至2029年的1.34万亿元，2025—2029年的复合增长率达到53.7%。如果把视角进一步拉向推理端，灼识咨询预计，中国AI推理芯片相关产品及服务市场规模到2030年将达到2.11万亿元。
这两个数字并不意味着国产GPU企业都能分享万亿市场，但它们说明了一件事：
AI算力的需求曲线，可能远没有到顶。
过去GPU主要解决“模型能不能训练出来”，未来还要解决“模型每天被调用多少次”。而后一个问题，对算力基础设施提出的是持续性需求。
二、壁仞财报里的一个变化：客户开始从“试用”走向“批量采购”
市场空间是一回事，真正重要的是需求有没有转化成订单。从壁仞科技2026年中期业绩来看，这一变化已经开始出现。
今年上半年，壁仞科技壁砺系列产品销售持续扩大，多个标杆项目落地，并完成了互联网大客户供应商引入认证，开始批量交付产品。
这一点的产业意义很大。
互联网和云厂商是AI算力市场中技术门槛最高、需求规模最大的客户之一。能够进入供应商体系，意味着国产GPU开始从单个项目验证，进入更稳定的商业采购周期。
与此同时，壁仞科技的客户结构也在发生变化。
目前公司客户已经覆盖头部互联网企业、AI大模型开发商、国家级AI算力平台、AI数据中心、电信运营商，以及制造、能源、公用事业、金融科技、教育等行业客户。
换句话说，国产GPU正在从“某几个客户的国产化项目”，逐渐走向更多真实业务场景。
这种变化也直接反映在财务数据上。2026年上半年，壁仞科技毛利达到5.27亿元，同比增长2708.5%，毛利率提升至42.7%，同比提升1080个基点。营收快速增长，同时毛利率明显改善，说明产品商业化正在逐步形成规模效应。
从财报看，壁仞仍然是一家重研发企业。今年上半年研发投入达到8.04亿元，同比增长40.7%；近三年半累计研发投入已经达到39.93亿元。在此研发高投入下，积极的信号是，壁仞科技正在加速收窄亏损，临近盈亏平衡点，这意味着公司在用高强度研发换取下一代产品的竞争力。但与过去不同的是，研发投入开始越来越多地被商业化收入“接住”。这可能是国产GPU产业最值得关注的变化之一。
三、供给侧的竞争，正在从“国产替代”进入“规模交付”
国产GPU过去最大的标签是“替代”。但替代只是进入市场的第一张门票。真正决定企业能不能做大的，是产品力、产能和交付能力。这一点从壁仞科技的供应链数据也可以看出来。
截至2026年6月30日，公司存货达到12.15亿元，比2025年末增长28.1%；存货及服务相关预付款项达到15.34亿元，较2025年末增长230%。
从财务角度看，存货和预付款的快速增加意味着资金占用压力上升；但从产业角度看，它同时意味着公司正在为更大规模的客户需求提前准备供应链。尤其是在当前高端AI芯片供应链仍然受到产能、先进封装以及关键器件约束的情况下，能不能提前锁定产能，本身就是竞争力。
壁仞科技7月完成H股配售，募集资金净额约70.4亿港元，也为后续研发、战略采购和供应链布局提供了更大的资金缓冲。
这说明国产算力竞争正在变得越来越“重”。不只是研发重，供应链也重；不只是设计芯片，还要解决量产、备货、服务器、集群以及最终交付。因此，未来国产GPU的竞争格局，很可能不再是简单的“谁的芯片参数最高”，而是：谁能把芯片稳定地变成一座座真正运行的智算中心。
四、真正的换道窗口：超节点、Chiplet与光互连
而这正是国产算力下一阶段最值得观察的地方。当AI模型继续向万亿乃至数万亿参数发展，单卡性能的重要性依然存在，但系统级能力的重要性会快速上升。
因为当计算规模从几十张GPU扩大到几百、上千张甚至数千张GPU之后，瓶颈不再只是计算能力。
GPU之间怎么通信？内存带宽够不够？节点之间的延迟是多少？通信功耗有多大？如何让数千颗GPU保持较高的有效利用率？这些问题最终都会落到Scale-up、超节点和高速互连上。
壁仞科技正在沿着这条路线推进。
其下一代产品基于自研指令集、计算核心和Chiplet架构，在计算、内存容量与带宽以及互连能力上全面升级，并支持FP8、FP4低精度计算。同时，公司自研BLink 2.0互连协议，最大支持1024卡Scale-up扩展，并原生集成超节点互连能力。
在此基础上，壁仞构建了：16卡标准服务器、128卡高密整机柜、1024卡分布式解耦架构的三级超节点产品矩阵。其中最值得关注的是1024卡NPO光互连方案。
今年WAIC期间，壁仞发布新一代NPO光互连超节点方案，完成从传统电互连向NPO光互连的技术演进。
为什么要做这件事？
因为当GPU数量不断增加，传统电互连在带宽、距离、功耗等方面的压力会越来越明显。光互连的价值，并不是简单地让“通信更快”，而是试图把整个AI集群的Scale-up能力继续向上推。
壁仞科技与上海仪电、曦智科技、中兴通讯联合发布的商用版“光跃”光互连光交换GPU超节点，已经实现数千卡规模部署。
更重要的是，实测典型MoE模型端到端训练性能提升超过30%。这类数据的价值，比单纯公布一颗芯片的峰值算力更高。
因为它回答的是一个更加实际的问题：当GPU从一张卡变成数千张卡之后，整个系统还能不能保持效率？这可能才是万亿参数乃至数万亿参数模型时代真正的技术战场。
五、FP8/FP4之后，国产GPU拼的是“每个Token的成本”
与此同时，低精度计算也在改变算力经济学。FP8、FP4并不只是芯片厂商产品规格表上的两个新名词。它们背后对应的是一个非常现实的商业问题：同一个模型，用更低精度完成计算，能不能在保证精度的情况下，用更少的计算资源完成同样的任务？
如果答案是肯定的，那么最终就意味着更低的推理成本。对于AI基础设施来说，这一点非常关键。未来客户购买的不会只是“多少P算力”，而会越来越关注：模型吞吐是多少？单位功耗能跑多少Token？每张卡每天能产生多少有效计算？一个模型部署下来，每百万Token究竟需要多少成本？这也是为什么壁仞下一代产品同时强化FP8/FP4、内存带宽和互连能力。
单卡算力只是起点，系统效率才决定Token成本。而Token成本，又最终决定AI应用能不能大规模商业化。
六、硬件之外，生态才是国产算力真正的“最后一公里”
如果说超节点决定了算力规模的上限，那么软件生态决定的就是这些算力到底能不能被用起来。这是国产GPU过去最容易被低估的一环。
一个GPU硬件性能再强，如果模型适配周期长、算子效率低、框架迁移困难，客户最终还是会回到成熟生态。壁仞科技今年在软件生态上的动作，实际上是在解决这个问题。
公司持续完善BIRENSUPA软件栈，并推出面向多智能体的软件平台SUPACODE，通过模型分析、算子调优、通信优化和智能诊断等能力，缩短新模型架构的适配和调优周期。
截至2026年上半年，公司已经完成DeepSeek-V4、智谱GLM-5、Qwen3.6、Kimi K2.6等多款旗舰模型的“Day 0”级适配，累计支持近30款国产大模型。
这里有一个细节值得注意：“Day 0适配”比“支持多少模型”更重要。因为AI模型更新速度越来越快。
如果一个新模型发布之后，芯片厂商需要几个月才能完成适配，那么模型热度可能已经过去；反过来，如果能够在模型发布时快速完成适配，国产算力才有可能真正进入开发者和企业的日常工作流。
壁仞牵头制定的跨厂商异构混训国家标准也已经进入批准发布流程，异构混推国家标准正在推进。这意味着国产算力生态正在从“各自兼容”，走向“互联互通”。长期来看，这可能比单个芯片的性能提升更加重要。
因为AI算力的终局，很可能不是一家厂商包打天下，而是多种芯片、多种架构、多种算力资源长期共存。
七、国产算力真正的竞争，已经变成一场系统工程
把壁仞科技2026年中期业绩放回产业环境里看，会发现这家公司正在经历的，其实也是整个国产GPU行业正在经历的变化。
第一阶段，比的是有没有芯片。第二阶段，比的是芯片性能够不够。
第三阶段，则开始比：能不能量产、能不能交付、能不能组成千卡集群、能不能跑主流模型、能不能降低Token成本。
这也是为什么今天评价一家国产GPU企业，已经不能只看TOPS、TFLOPS或者制程节点。需要看的，是一整套体系。
壁仞科技上半年营收12.36亿元、毛利率提升至42.7%，说明商业化开始进入放量阶段；8.04亿元研发投入，说明下一代产品仍在持续迭代；12.15亿元存货以及15.34亿元存货与服务相关预付款，则说明公司正在为更大规模交付准备供应链。而Chiplet、FP8/FP4、1024卡Scale-up、NPO光互连和软件生态，则对应着下一代算力基础设施的技术方向。
这些东西组合起来，才构成一家国产算力公司的真正壁垒。
结语：万亿参数不是终点，Token才是新的“算力单位”
所以，再回头看“国产算力的市场天花板”，答案可能比单纯计算GPU市场规模更加复杂。
万亿参数模型会带来更多算力需求，但真正决定市场能走多远的，是AI应用到底会消耗多少Token。
模型越大，Agent越复杂，调用越频繁，Token就越多。而Token越多，对算力的需求就越接近一种持续性的基础设施需求。这也意味着，国产算力未来真正需要争夺的，并不是简单意义上的GPU市场份额。
它需要争夺的是：训练规模、推理规模、超节点规模，以及每一个Token背后的计算成本。
壁仞科技2026年上半年营收首次在半年时间里超过上一年度全年，亏损大幅收窄，互联网大客户开始批量导入，同时向Chiplet、FP8/FP4、NPO光互连和超节点继续推进。这些变化说明，国产GPU正在跨过一个关键阶段。
但这还不是终点。下一轮竞争会更加残酷——从“能不能做出来”，变成“能不能规模化跑起来”；从单芯片竞争，变成芯片、软件、系统、供应链的整体竞争。所以笔者认为最终能够跑出来的国产算力公司，不一定是某一个指标最漂亮的公司，而一定是能够把产品、生态和交付真正串起来的公司。
而万亿参数时代的市场天花板，也许就藏在每一个不断增长的Token里。
对此，大家怎么看？欢迎留言讨论！
附：一图读懂壁仞科技2026年半年度报告
