从“淘金热”到“卖水人”：摩尔线程的AI工厂是否值得下注？

上个世纪加州淘金热，真正赚到钱的不是淘金者，而是卖铲子和牛仔裤的商人。今天的AI赛道，GPU算力就是那把铲子，而“AI工厂”这个概念，就是摩尔线程试图构建的规模化卖水生意。在WAIC 2026上，摩尔线程首次公开多项训练与推理实践成果，并重点推介其三大“AI工厂”。作为一年看500个AI项目的投资人，这类故事我听得太多了——从“国产替代”到“自主可控”，从“训练芯片”到“推理芯片”，每个玩家都在讲同一个故事，但真正能跑通的，万里挑一。

先看行业背景。2026年，AI算力市场已经进入一个残酷的分化期。英伟达凭借H200和更激进的迭代，依然占据训练侧绝对主导；国内厂商在推理侧开始真正落地，但训练场景的自主化率仍然不足10%。摩尔线程选择在这个时间点，把“AI工厂”作为核心叙事，而非单纯强调芯片参数，这是一种聪明的差异化策略。它的逻辑是：客户买的不只是芯片，而是“开箱即用”的算力服务——从训练框架适配、模型优化，到运维管理，打包成一个“算力即服务”的平台。这本质上是在复制云计算IaaS的商业模式，但更垂直，更聚焦于AI工作负载。

那么，这个模式的估值逻辑是什么？核心看三个指标：单位算力成本、客户留存率、以及生态规模。摩尔线程宣称其AI工厂已经能够支撑千卡级别的训练集群，并在多个大模型项目中完成验证。如果这是真的，那么其单卡算力成本相对于英伟达的差距，在国产化替代的政策红利下，可以被客户接受。但真正的挑战在于，客户留存率取决于迁移成本。如果摩尔线程的软件栈不够成熟，客户一旦遇到性能瓶颈或兼容性问题，就会迅速切回CUDA生态。从公开信息看，摩尔线程正在大力做Pytorch/TensorFlow的适配，但这需要时间，而时间正是AI竞赛中最稀缺的资源。

竞争壁垒方面，摩尔线程目前最强的护城河是“政策准入”和“国产替代”的叙事。在信创、央企、政府项目中，国产GPU有明确的采购比例要求，这给摩尔线程提供了稳定的现金流。但问题在于，这种壁垒是脆弱的——一旦政策导向变化，或者景嘉微、寒武纪、壁仞等友商推出更优产品，摩尔线程的优势就会迅速被稀释。真正可持续的壁垒，应该是技术迭代速度和生态粘性。从目前的技术路线看，摩尔线程的架构迭代节奏大约是12-18个月，与英伟达的2年一代相比没有落后太多，但软件生态的差距是代际级别的。CUDA积累了20年，而摩尔线程的MUSA生态才刚开始，这意味着推理场景相对容易切入，训练场景的客户信任成本极高。

投资判断上，我认为这是一个“高赔率、中确定性”的标的。高赔率在于，如果摩尔线程真的能跑通“AI工厂”模式，它可能成为国内AI算力基础设施的稀缺标的，对标英伟达的推理侧份额，估值空间可达百亿级。中确定性在于，它的技术路线和商业路径目前都还处于早期验证阶段，尚未形成压倒性优势。我倾向于认为，在2026年下半年，真正值得关注的不是摩尔线程的芯片参数，而是其“AI工厂”的客户续费率——如果续费率超过80%，说明产品力已经形成闭环，可以加仓。

最后，给出一个明确的趋势预测：未来三年，国内AI算力赛道的估值逻辑将从“对标英伟达”转向“对标云计算厂商”。投资者会越来越看重运营效率、客户生命周期价值，而非单纯的芯片算力。摩尔线程如果能率先证明其“AI工厂”的规模化盈利能力，它将成为这个新估值体系下的标杆。反之，如果它继续停留在“卖芯片”的旧逻辑里，估值天花板很快就会到来。

这个行业，赢家通吃的剧本不会重演，因为算力基础设施的国产化从来不是技术问题，而是信任问题。摩尔线程的AI工厂，赌的是客户愿意为“可用”付出溢价，而不是为“最好”付出耐心。这个赌注，值得用一小部分仓位去验证。

原文链接：https://www.qbitai.com/2026/07/454170.html