NVIDIA 在数据中心 AI 加速卡市场的份额约为 80%，这个数字在过去两年几乎没有动摇过。[1] AMD MI300X 在 2023 年底以 192GB HBM3 内存刷新了市场对 AI 芯片内存容量的预期，帮助 AMD 在 AI 加速卡市场打开了一道缝。但真正的战场，从 MI400 开始，才算全面开打——这一次，AMD 押注的不是单卡参数，而是整个系统架构。
MI300X 的两年：192GB 打开的局面与未解的难题
MI300X 在推理场景里找到了真实的市场空间。192GB HBM3 内存使其能够在单卡上完整加载 700 亿参数量级的大语言模型，对于内存敏感型推理任务，这是当时 H100（80GB HBM3e）无法提供的能力。微软 Azure、Meta 等先后将 MI300X 纳入 AI 基础设施采购清单，AMD 数据中心 GPU 业务在 2024 年实现了快速起量。[2]
但局限同样清晰。软件生态是核心短板：ROCm 平台对主流框架（PyTorch、JAX）的支持覆盖率在提升，但 CUDA 有超过十年积累的深度优化算子库（cuDNN、TensorRT、NCCL），以及覆盖全面的 ISV 认证体系。部分头部云厂商测试显示，相同硬件规格下，ROCm 在特定大规模训练任务的端到端吞吐量较 CUDA 低 10%–20%。[3] 这个差距不是芯片本身的问题，而是软件优化深度的差距。
另一个约束是供应链：HBM 主要供应商（SK 海力士、三星）在紧张产能下优先保障市场领先者的配额，AMD 在 HBM 采购的结构性弱势难以短期改变。
MI400：AMD 把赌注押在了系统而非单卡
AMD 的策略已经发生了清晰转变。MI400 系列的竞争焦点从单点算力参数转向系统级互联与底层架构，这与 NVIDIA 从 H100 单卡到 GB200 NVL72 机架级系统的演进逻辑一致，但 AMD 的差异化在于开放生态。[4]
在互联层，AMD 牵头推进 Ultra Ethernet Consortium（UEC）标准，以全以太网互联方案对标 NVIDIA 的 NVLink 封闭生态。全以太网方案的核心价值主张是：客户的基础设施投资不被绑定在单一供应商的私有协议上，机架内任何兼容以太网的组件均可接入。这对那些不希望被 NVIDIA 生态完全锁定的超大云厂商和企业客户，具有明确的战略吸引力。
在机架层，AMD 的一体化方案将服务器 CPU（EPYC）与 GPU 深度协同，通过统一内存寻址减少 CPU-GPU 数据搬运开销。新一代存储架构引入更高带宽密度的 HBM 方案，进一步压缩内存带宽瓶颈。按照 AMD 当前路线图，MI400 系列预计在 2026 年内进入量产和大规模部署阶段。[5]
三个战场，Blackwell 领先多少
NVIDIA Blackwell（B200/GB200）在 2024–2025 年的量产上市，重新拉开了代差。以下是主要规格对比：
| 指标 | AMD MI300X（当前代） | NVIDIA H100（上代） | NVIDIA B200（Blackwell） |
|---|---|---|---|
| HBM 容量 | 192GB HBM3 | 80GB HBM3e | 192GB HBM3e |
| 内存带宽 | 约 5.2 TB/s | 约 3.35 TB/s | 约 8 TB/s |
| 机架互联 | Infinity Fabric + 以太网 | NVLink 4.0 | NVLink 5.0 |
| 软件平台 | ROCm | CUDA | CUDA |
| 机架集成方案 | 开放以太网（OAM） | DGX H100 | GB200 NVL72 |
第一战场——硬件：Blackwell B200 内存带宽约为 MI300X 的 1.5 倍，NVLink 5.0 的机架内总带宽在大规模训练集群中优势显著。MI400 在硬件参数上的追赶方向明确，但量产时间差是变量——硬件上线节奏，直接决定 AMD 能否在 Blackwell 占据市场份额之前切入。
第二战场——软件：这是最难逆转的差距。CUDA 不只是一个编译器，而是涵盖数十个深度优化库（cuDNN、cuBLAS、TensorRT、NCCL、Triton）以及全球百万级开发者代码资产的完整生态。ROCm 的覆盖率在提升，但迁移成本依然是企业客户的主要顾虑。[6] 技术上可行的迁移，在工程资源有限时往往排在优先级末位。
第三战场——生态：云服务商的默认选择是 NVIDIA，这意味着大多数 ML 工程师在 AWS、Azure、GCP 上的第一选择也是 NVIDIA 实例。AMD 要打破这个正反馈，需要在规模化部署中证明端到端 TCO（总拥有成本）优势，而非仅靠单卡硬件参数。这场说服过程，比发布新产品需要更长的时间。
供应链的天花板：HBM 与 CoWoS 争夺战
AI 加速卡的竞争，在底层是一场 HBM 和先进封装产能的争夺战。
HBM 市场高度集中于 SK 海力士、三星、美光三家。AI 加速卡需求爆发以来，HBM 产能持续紧张，而主要存储厂商优先保障市场领先者的供应配额，AMD 在 HBM 采购的优先级上处于结构性弱势。[7] 这不是合同条款问题，而是供给紧张时自然形成的客户分级结果。
先进封装是另一个瓶颈。MI300X 和 Blackwell GPU 均依赖台积电的 CoWoS（Chip on Wafer on Substrate）封装技术。CoWoS 产能的全球稀缺性，使各家芯片公司争夺有限的封装槽位。台积电在积极扩产 CoWoS，但产能释放需要 12–18 个月的建设周期，短期内供给仍然偏紧。[8]
在这个约束结构中，通富微电（002156）作为国内先进封装头部企业，先进封装收入占总营收约 70%，是 AMD 在中国大陆的重要封装合作方之一。AMD 和其他客户的 AI 芯片产能需求扩张，对通富微电的先进封装业务形成直接拉动。
第三条曲线：云厂商不想让两家垄断
AMD 与 NVIDIA 的正面对决，正被另一条曲线悄然打断——超大云厂商的自研 ASIC。
Google TPU v5e、AWS Trainium2、Microsoft Azure Maia 100，这三款自研 AI 加速芯片代表了一个清晰信号：全球最大三家云厂商，正在将越来越多的 AI 训练负载迁移到自研硬件上。[9] 这既是成本驱动（自研 TCO 在特定任务下更优），也是战略驱动（核心算力资源不依赖外部供应商）。
对 AMD 而言，竞争对手不只是 NVIDIA，还有那些既是最大客户、又在自研替代品的云巨头。自研 ASIC 在其平台上的渗透率每上升一个百分点，就对应着 AMD（和 NVIDIA）潜在市场份额的收缩。这也是理解 全球 AI Capex 4950 亿美元浪潮的一个重要分支：部分 Capex 不流向芯片采购，而是流向自研 ASIC 的研发和晶圆代工。
自研 ASIC 的边界同样清晰：通用性受限（只适合特定任务类型）、研发投入以十亿美元计、供应链管理复杂度高。中小云厂商和企业用户仍将依赖 AMD 或 NVIDIA 的商业 GPU。但这条第三曲线改变了市场份额天花板的预期。
A 股观察样本：封装与 PCB 的弹性逻辑
AMD 的 AI 芯片竞争格局，折射出 A 股部分供应链企业的边际需求变化。以下三家公司仅作研究样本，数据均来自公司公告，不构成投资建议。
| 公司 | 代码 | 关联维度 | 核心数据 |
|---|---|---|---|
| 通富微电 | 002156.SZ | 先进封装（AMD 合作方） | 先进封装收入占总营收约 70% |
| 沪电股份 | 002463.SZ | AI 服务器高端 PCB | AI 相关高端 PCB 扩产计划约 43 亿元 |
| 胜宏科技 | 300476.SZ | 高端 PCB 制造 | AI 服务器 PCB 方向积极布局 |
通富微电的核心逻辑：AMD 在先进封装环节对苏州/南通工厂的依赖，形成了较为稳定的订单基础。先进封装相较传统封装在技术壁垒和毛利率上均有显著提升。风险在于，若台积电 CoWoS 大规模扩产导致外包封装需求分流，或 AMD 技术路线调整影响封装形式，均会带来业务波动。
沪电股份与胜宏科技：AI 服务器对高端 PCB 的材料体系（高速高频覆铜板）和制造工艺（超高多层板/高密度互连）要求，显著高于传统服务器，单位价值量提升明显。随着数据中心 AI 化建设加速，AMD 和 NVIDIA 的服务器出货量扩张均直接拉动这一需求。[10] 沪电股份约 43 亿元的高端 PCB 扩产投资，体现了对这一需求方向的明确判断。
需要强调：上述公司与 AMD 的直接关联程度、收入占比及订单可见度各不相同，投资者需自行核查最新财报数据和公告信息，审慎判断。
下一个关键节点在哪里
AMD 能否在 2026 年缩小与 NVIDIA 的差距，有四个可观察节点：
MI400 量产与实际部署数据。硬件参数是一回事，端到端性能（训练效率、推理吞吐、能效比）是另一回事。规模化部署的实测基准，将是比产品发布会更有说服力的证据。参考 NVIDIA FY2026 系统级深度中对 GB200 NVL72 部署反馈的梳理，"量产上线"和"跑满性能"之间往往有 2–4 个季度的差距。
ROCm 生态突破。如果 AMD 能在主流大模型训练任务上实现与 CUDA 相当的端到端性能，软件壁垒将实质性降低。这不需要全面追平 CUDA，只需要在头部用例（LLM 预训练、推理服务）上达到可接受水平。
HBM 与 CoWoS 供给侧松动。2026 年若台积电 CoWoS 扩产如期落地、SK 海力士/三星 HBM4 产能释放，AMD 的供应链结构性弱势将得到一定改善，这也是 MI400 能否按时放量的关键前提。
云厂商采购多元化的信号。如果 Azure、AWS、GCP 明确扩大 AMD 实例比例，意味着生态壁垒正在松动——这是市场结构最重要的变化信号，比 AMD 自己发布的任何声明都更有参考价值。
当前格局的判断：NVIDIA 仍将在 2026 年保持 AI 加速卡市场的绝对主导，AMD 的机会在于差异化场景（超大内存容量推理、开放互联需求客户）和供货紧张时的替代选择。全栈竞赛的胜负，不会在一个季度内见分晓。
本文分析基于 AMD/NVIDIA 产品发布公告、公开财报、行业研究报告及媒体报道。数据点均标注引用编号，可追溯至来源。框架侧重产业结构与供应链逻辑，不包含估值预测和具体投资建议。
By m8 康哥. 跨市场投资研究者，长期跟踪美股、A股、港股与加密资产，重点覆盖 AI 产业链、宏观利率与核心公司研究。
常见问题
MI400 能否在性能上追上甚至超越 Blackwell？
从硬件参数看，MI400 在内存带宽和计算密度上有望接近 Blackwell 水平。但端到端性能高度依赖软件调度和算子优化，硬件参数无法直接等价为系统吞吐量。需等待 MI400 大规模量产部署后的实测基准数据，才能做出有效比较。当前可确定的是：AMD 在系统架构思路上（开放互联、CPU-GPU 协同）与 NVIDIA 的差异化方向不同，并非单纯参数追赶。
ROCm 生态何时能达到与 CUDA 可比的水平？
AMD 在持续迭代 ROCm，对 PyTorch、JAX 等主流框架的支持覆盖率在提升。但 CUDA 有超过 15 年的积累，涵盖数百个深度优化算子库和工具链。差距的缩小是渐进过程，而非某一版本的突破性跨越。业界普遍判断，ROCm 在 2026–2027 年有望在头部用例（大模型训练/推理）上达到足够可用的水平，但全面对等 CUDA 的时间表不明确。
A 股 PCB 和封装厂商从 AMD AI 芯片竞争中受益几何？
受益逻辑是间接的：AI 服务器整体出货量增长，带动高端 PCB 和先进封装需求上升，AMD 和 NVIDIA 的出货扩张均有贡献。通富微电与 AMD 有相对直接的封装合作关系；沪电股份、胜宏科技则通过下游服务器 OEM 间接受益。投资者应关注这些公司的实际订单数据、产能利用率变化和毛利率趋势，而非仅凭产业链叙事判断。
数据来源
- Omdia / TechInsights AI 加速卡市场份额研究报告（2024–2025 年）
- AMD 数据中心 GPU 业务营收相关季报及投资者日材料（2024 年）
- MLPerf Training v4.x 公开基准测试结果及独立评测报告
- Ultra Ethernet Consortium 官方白皮书（2024 年）
- AMD 产品路线图官方公告及 Financial Analyst Day 材料
- AMD ROCm 官方文档及开发者社区反馈汇总（GitHub / Reddit）
- SK 海力士、三星、美光季报及 HBM 产能指引（2024–2025 年）
- 台积电 CoWoS 产能规划相关投资者说明（2024–2025 年）
- Google / AWS / Microsoft 自研 AI 芯片官方发布材料（2024–2025 年）
- 沪电股份、胜宏科技投资者关系公告及高端 PCB 扩产计划（2025 年）
