燧原科技科创板上市首日：开盘大涨 188%、盘中一度涨 234%，市值超 1700 亿元，国产 GPU"四小龙"齐聚资本市场

【新闻原文】 9 月 11 日，上海燧原科技股份有限公司（股票简称：燧原科技，股票代码：688801）正式在上海证券交易所科创板挂牌上市，"国产 GPU 四小龙"就此全部登上资本市场舞台。 发行与首日表现：本次公开发行股票 4303.5173 万股，发行价格 142.18 元/股。上市首日公司股价高开，开盘价 410 元，较发行价上涨 188.37%，开盘市值超 1700 亿元；盘中一度冲高至 475 元，涨幅达 234%，总市值一度超过 2000 亿元，随后有所回落。按开盘价计算，中一签（500 股）浮盈约 13.39 万元，按盘中最高价计算浮盈一度约 16.64 万元，是名副其实的"大肉签"。此次 IPO 拟募集资金 60 亿元，投向第五代、第六代 AI 芯片系列产品的研发及产业化项目，以及先进人工智能软硬件协同创新项目。 财务与业务结构：招股书显示，2023 年至 2025 年，公司营业收入分别为 3.01 亿元、7.22 亿元和 9.90 亿元，复合增长率达 81.32%；2026 年上半年实现营业收入 11.20 亿元，同比增长 279.08%。收入结构上，AI 加速卡及模组是当前最主要的业务——2025 年实现收入 8.56 亿元，占主营业务收入 86.83%，全年销量 6.49 万张，同比增长 197.81%；智算系统及集群收入约 1.28 亿元，占比 13%，而 2024 年这一占比曾高达 56.24%，说明公司重心已从集成项目转向标准化算力产品。2023 年至 2025 年，公司累计研发投入 36.76 亿元。 技术路线：与摩尔线程、沐曦、壁仞等主要采用 GPGPU 通用架构的厂商不同，燧原科技坚持领域专用架构（DSA），针对 AI 训练与推理优化，以差异化路径切入云端市场。公司已推出四代架构、5 款云端 AI 芯片，自研 GCU-CARE 加速计算单元与 GCU-LARE 片间高速互连技术，以及"驭算 TopsRider"全栈 AI 计算及编程软件平台；芯片不以裸片单独销售，主要集成为加速卡、模组或整套智算系统交付，软件平台不单独收费。燧原与腾讯历经多年战略合作，多代产品通过真实业务场景验证。 市场背景：灼识咨询数据显示，中国 AI 加速卡市场规模已从 2020 年的 122.54 亿元增长至 2024 年的 2164.77 亿元，预计 2028 年将达 11076.46 亿元，2024–2028 年复合增长率 50.40%。国家数据局数据显示，2025 年我国推理数据量已首次超过训练数据量。 【企服观察】 燧原上市首日的暴涨，热闹之下藏着三个对企服行业极有价值的信号。 第一，算力采购的"国产替代"已经从政策叙事变成商业现实。开盘 188%、盘中 234% 的涨幅，本质是资本市场给"国产算力可用性"的定价。更硬的证据在报表里：燧原 2025 年 AI 加速卡及模组销量 6.49 万张、同比增长 197.81%，2026 上半年营收增速 279%，收入结构从"智算集群项目制"转向"标准加速卡规模化销售"——这说明互联网头部客户已经在批量采购，而不是试点。对企业 CTO 和 IT 采购负责人来说，现在需要认真做的一件事是重新测算国产算力的 TCO：不再用"性能折扣"的旧眼光，而是把软件迁移成本、供应链稳定性、单位 token 成本、国产化合规加分项一起算进去。在推理占比快速上升的背景下（2025 年推理数据量已超过训练），国产芯片在推理侧的性价比窗口正在打开。 第二，DSA 路线的胜出取决于软件栈，而不是芯片本身。燧原与英伟达生态最大的差距从来不是峰值算力，而是 CUDA 十几年积累的迁移成本。"驭算 TopsRider"不单独收费、承担连接芯片与模型的作用，这个设计很聪明——它把软件栈定位为"降低迁移摩擦的成本中心"，换取硬件的规模化出货。这对所有国产基础软件厂商是一个可借鉴的定价策略：在企业市场，软件平台收费往往不是收入问题，而是客户决策阻力问题。 第三，"四小龙"全部上市意味着行业从研发验证期进入商业化淘汰赛。资本给足了弹药，也给出了明确的考核期：上半年国产 GPU 企业普遍营收增长、亏损收窄，但盈利拐点尚未到来。未来两三年会看到明显的分化——能绑定头部互联网客户真实负载、持续迭代软件栈的厂商会跑出来；靠政府订单和概念融资的会被出清。企服采购方在这段时间的最优策略是"双供应商 + 可迁移"：核心业务保持一条英伟达生态的兜底链路，同时在非关键负载上建立国产算力的运行经验与人才储备，并把模型与调度层做成可移植的（容器化、抽象掉底层卡型），避免在任何一方形成深度锁定。 给投资者和产业方的两点提醒：其一，1700 亿市值对应的是 11.2 亿的半年营收，估值透支的是 2028 年万亿级市场的预期，波动会非常剧烈，企业应基于供应安全而非股价判断采购节奏；其二，AI 算力需求从训练转向推理的结构变化，会连带改变数据中心的设计（内存带宽、互联、能耗密度优于峰值算力），做智算中心规划、算力租赁和运维服务的企业，需要尽早调整自己的技术方案与报价模型。 对采购方还有一条实操建议：国产算力的引入节奏，建议按"推理先行、训练跟进"推进。推理负载对生态依赖相对较低、对单位成本敏感，正是国产芯片性价比最容易被验证的场景；训练负载则对软件栈稳定性与集群互联要求更高，适合在推理侧积累了运维经验后再逐步迁移。同时应要求厂商提供与现有调度平台的适配方案，以及模型迁移的基准测试报告，把"能用"和"好用"分开验收，避免被单一性能峰值数字误导。