高估值背后，GPU靠什么撑？

6月30日，摩尔线程与沐曦集成电路同日递交科创板IPO申请，标志着国产GPU企业正式进入资本市场的"决赛圈"。这两家分别估值246.2亿元和210亿元的独角兽企业，凭借创始团队"英伟达+AMD"的豪华背景，在过去三年累计亏损82亿元的情况下仍获得资本市场追捧。与这两家公司同属国产GPU“四小龙”的壁仞科技、燧原科技，也已进入上市辅导阶段。

01

烧钱快，挣钱难

研发投入的天文数字揭示了这个行业的残酷现实：摩尔线程三年投入38.1亿元研发费，是同期营收的6倍；沐曦研发投入占比更是高达282%。

那么GPU到底有多烧钱？

回溯一下近三年，摩尔线程营收分别为4.38 亿、1.24 亿、4609 万；亏损分别为 14.92 亿、16.73 亿、18.4 亿，研发费分别为11.16亿元、13.34亿元、13.59亿元，合计研发投入金额为38亿元。沐曦集成营收分别为42.64万、5302.12万和7.43亿；亏损分别为7.77亿、8.71亿、14.1亿。研发投入分别为6.478亿元、6.99亿元和9亿元，累计研发投入金额为22亿元。虽然近年来两家公司营收有了一些起色，但高额研发投入之下尚未实现盈利。

而此次IPO，两家公司的募资方向也高度一致，均聚焦于新一代芯片的研发工作。

具体来看，摩尔线程在招股书中披露，其计划通过IPO募集80亿元资金，其中约25.1亿元将投入新一代AI训推一体芯片的研发，25亿元用于新一代图形芯片研发，另有19.8亿元专项支持新一代AI Soc芯片的研发。值得一提的是，AI Soc芯片多用于终端设备，与训推一体芯片相比，它具有体积更小、功耗更低的特点，但算力也相对较弱。

摩尔线程报告期部分财务数据及财务指标

沐曦报告期部分财务数据及财务指标

而沐曦股份则计划募资约39亿元，资金将主要投向高性能通用芯片、AI推理芯片以及前沿场景芯片的开发项目。

这种"用亏损换增长"的模式，在英伟达2009年"显卡门"事件中曾出现过先例——当年亏损8700万美元却仍增加研发投入。但不同的是，中国GPU企业不仅要面对技术追赶的压力，还要应对出口管制带来的供应链风险。

沐曦 2024 年因禁令导致的资产减值损失，并非孤例 —— 从高端光刻机的获取受限，到 EDA 工具的授权收紧，再到晶圆代工产能的优先级倾斜，每一个环节都可能成为卡脖子的节点。摩尔线程招股书中提到的 “核心原材料依赖进口”，沐曦披露的 “替代供应商验证周期长达 18 个月”，都在说明：比起研发投入的数字，供应链的 “抗风险成本” 或许才是更隐蔽的烧钱项。当企业不得不同时维持多条备选供应链，甚至自建封装测试产线时，这场 “烧钱竞赛” 又多了一层无奈的底色。

02

不同的路子

值得关注的是，两家企业的技术路线呈现明显差异。

摩尔线程从一开始就想做“全能选手”。其研发的 MUSA 统一架构，骨子里就带着 “什么都能干” 的基因 —— 一块芯片既要扛得住 AI 计算的密集负载，又得撑得起 3A 游戏的图形渲染，甚至连物理仿真这类专业场景也不想放过。这种思路让它的产品版图铺得很开，既有卖给普通玩家的 MTT S80 游戏显卡，也有数据中心用的 S 系列加速卡，甚至还推出 “长江” SoC 芯片往边缘计算钻。为了快速站稳脚跟，它一边靠创始人的行业积累拉来大笔投资，一边在消费级市场用低价策略抢份额，哪怕利润薄也在所不惜，摆明了要先把生态铺起来。

沐曦集成则显得更“沉得住气”。它的重心从一开始就钉在数据中心，手里的曦云 C 系列芯片，早早就在国家级算力平台上扎了根。和摩尔线程追求 “全功能覆盖” 不同，沐曦更在意技术的 “根正苗红”—— 自研的 MXMACA 指令集从底层就摆脱了对外界的依赖，这种自主架构虽然前期打磨费劲，但胜在可控性强。它的产品节奏也很稳，先把 AI 训练和通用计算的基本盘做扎实，再慢慢推进曦思 N 系列推理芯片，至于图形渲染的曦彩 G 系列，到现在还在研发中。商业上主要盯着 B 端大客户，靠稳定的交付和良率提升一点点扩市场，走的是 “先把专业市场吃透，再图其他” 的路子。

说到底，摩尔线程像在玩一场“全面开花” 的速攻战，想靠全场景覆盖快速建立生态壁垒；而沐曦更像在下一盘慢棋，用自主技术打底，在核心市场里一点点啃下属于自己的地盘。两种路线没有绝对的优劣，只是在国产 GPU 突围的压力下，选择了不同的破局路径而已。

03

比芯片更难啃的“硬骨头”

GPU产业的竞争，早已不是比谁的算力更强那么简单，而是变成了整个生态系统的全面较量。现在国产芯片厂商在晶体管数量、浮点运算能力这些硬件参数上，一步步拉近和国际巨头的距离，但一个更隐蔽却更要命的问题慢慢暴露出来：就算在实验室里性能追平了，可怎么才能让几百万开发者放下用了十几年的CUDA生态，转而来用国产架构呢？这个看起来只是技术迁移的事儿，实际上牵动着整个计算产业的方方面面。

英伟达花了二十年时间把CUDA生态养起来，早就成了一道比芯片本身更难跨越的护城河——注册开发者超500万，合作企业4万家，能兼容的应用软件更是多达上百万款。这意味着，哪怕国产芯片在算力数据上赶上了，开发者要适配新架构，还得花大把功夫改代码，成本可不低。

就像摩尔线程，虽然已经让自家MUSA架构能适配PyTorch、TensorFlow这些主流AI框架，但合作伙伴数量也就英伟达的百分之一，这差距不光是技术兼容的问题，更像是一场争夺开发者认可的持久战。沐曦说自己的MXMACA指令集做到了自主可控，可市场反馈里总绕不开“客户迁移成本太高”——有自动驾驶企业的技术总监就直说了，为了适配新架构，要重构代码，花的钱相当于团队半年的研发预算。这种已经投入的沉没成本形成的惯性，常常让硬件参数的进步变成纸上谈兵，真到了实际场景里，要不要迁移还是个让人头疼的选择。

说到底，生态战争拼的就是怎么留住开发者的时间和精力。英伟达太懂这一点了，它的CUDA工具包不光有编译器、调试器这些基础工具，还靠着英伟达开发者论坛、GTC技术大会这些渠道搭起知识传播的网络，再配上大学里的CUDA课程，从实验室到产业界，人才供应链打得严严实实。

再看国产生态建设，摩尔线程招股书里写着，15%的募资都得花在开发者社区运营和行业解决方案适配上。这种“烧钱”的做法看着无奈，却也说明生态构建有多不容易：得持续投好几年，培养出成千上万懂新架构的开发者，新生态才算真正有了商业上的说服力。

这背后其实是半导体产业的玩法变了。以前拼芯片，就看制程工艺能不能再小几个纳米；现在的战场，早就扩展到“硬件-软件-服务”这三个维度了。英伟达靠着CUDA生态，把技术壁垒从芯片本身延伸到开发工具链，再借着开发者社区形成网络效应，最后在资本市场搞出4000亿美元规模的衍生品交易生态。这种全方位的护城河，哪是靠单一技术突破就能撼动的？

国产芯片厂商想突围，可能得换个思路重新定义竞争：别想着照搬CUDA的工具链，不如针对大模型训练、自动驾驶这些特定场景，做出不一样的开发体验；同时联合高校搞新的知识体系，让开发者迁移生态的时候，不觉得是在增加成本，反而能创造新价值。

现在全球半导体行业都到了“后摩尔定律”时代，GPU生态之争，说到底是比谁的系统工程能力更强。这不光是技术路线的比拼，更是商业模式、人才储备、资本运作的综合较量。国产芯片要啃下这块硬骨头，光靠实验室里的颠覆性创新不够，还得在生态这片土壤里埋下长期主义的种子——毕竟，CUDA那棵参天大树，也是风吹雨打二十年才长成的。

04

资本的耐心阈值

资本市场对技术型企业的包容度，正在经受一场前所未有的考验。就像摩尔线程，246亿元的估值对应着56倍的市销率；沐曦呢，三年加起来营收还不到8亿元，投后估值却能维持在210亿元。这种估值逻辑说白了，就是用“技术可能会突破”替代了“商业价值一定能实现”。国产GPU厂商集体掉进这种估值怪圈，其实也反映出资本市场对硬科技投资的深层焦虑——既要扛住半导体行业研发周期长、花钱如流水的固有特性，又摆脱不了消费互联网时代“快投快赚”的惯性思维。

这种矛盾在Pre-IPO阶段尤其明显。壁仞科技累计融资超50亿元，燧原科技2024年估值也到了160亿元，这些正在准备上市的企业，都面临着“估值倒挂”的风险：一级市场投资者凭着对技术突破的期待把估值抬得高高的，可二级市场更看重能不能持续赚钱，两种逻辑拧不到一起，就形成了危险的剪刀差。2018年AI芯片融资热的时候，不少企业因为没兑现“算力革命”的承诺，最后被资本抛弃，这样的教训还历历在目，也让现在GPU企业的高估值故事显得格外脆弱。

技术要突围，商业要落地，双重压力之下，行业生态快被扯裂了。沐曦虽然去年的营收暴增，但其亏损也同时达到了最高，难以保证足以撑起持续盈利的架子。摩尔线程在图形渲染领域确实有突破，可不得不把15%的募资砸进开发者生态建设，这种“一边搞研发一边补生态课”的烧钱模式，说到底就是在用资本输血填补和国际巨头的技术差距。

资本市场的耐心其实是有刻度的。国产GPU企业都逃不过“研发周期硬约束”：从架构设计到流片量产，至少得24个月，再加上海外竞品更新换代快，留给初创企业的时间窗口可能也就五年。这种时间上的紧箍咒，和资本要求的回报周期撞在一起，矛盾就特别尖锐。

如今，国产 GPU 企业既要证明 “研发投入能转化为技术突破”，更要向市场说明 “商业化路径能跑通”。毕竟，没有哪家资本愿意永远为 “故事” 买单。