Buy-side Deep Dive · Zero-to-One Primer

摩尔线程：国产全功能GPU平台、商业化与估值深度研究

从“GPU为什么适合AI”讲到MUSA软件栈、万卡集群、客户验证、财务质量与市场隐含预期。面向零基础投资者，但按专业投研口径组织。

证券代码：688795.SH上市地：上交所科创板数据截止：2026-07-27报价口径：11:07盘中参考报告性质：学习研究，不构成投资建议
先看投资结论从GPU基础开始
2025营业收入
15.06亿元
同比 +243.37%
2026Q1营业收入
7.38亿元
同比 +155.35%
2025归母净利润
-10.01亿元
仍处规模化投入期
2026Q1扣非归母
-0.54亿元
“转正”尚非核心盈利转正
参考总市值
约2,797亿元
595.01元×4.7003亿股
01

投资结论：技术与商业化已越过“从0到1”，估值要求则极高

公司已从芯片样片/适配阶段走向15亿元收入、万卡集群与科创板上市，但当前股价对应的收入倍数仍处极端高位。最重要的问题不再是“有没有产品”，而是“能否连续3—5年高增长并把项目收入转化为可持续现金流”。

核心资产

全功能GPU + MUSA统一架构

同一底层架构覆盖AI训练/推理、图形渲染、科学计算、视频编解码和虚拟化。若生态做成，理论上可复用研发与开发者资源；代价是芯片、驱动、编译器、算子库、集群工程都要同时投入。

商业验证

云端产品成为收入主轴

2025年云端产品收入14.61亿元，占收入约97.0%，毛利率70.32%；收入同比增长约2.5倍。S5000与KUAE万卡集群把“单卡能力”升级为“系统交付能力”。

定价风险

市场已计入高增长与高份额

2026-07-27盘中参考总市值约2,797亿元，约为2025收入的185.8倍；即使用2026Q1收入简单年化，仍约94.8倍。高估值对收入增速、毛利率、回款与迭代节奏都几乎没有容错。

一句话判断

公司质量判断 = 技术平台强 + 国产替代窗口明确 + 商业化提速 − 客户集中/现金流/供应链风险；
股票吸引力判断 = 上述基本面价值 − 当前价格已经透支的增长预期。
看多者需要相信：（1）S5000/KUAE订单可持续而非一次性项目；（2）“花港—华山”按期量产；（3）MUSA迁移成本继续下降；（4）公司在国产算力中取得可观份额；（5）收入增长最终带动现金流转正。
谨慎者担心：（1）CUDA生态与全球龙头迭代速度难追；（2）收入过度依赖少数客户；（3）预付款、存货和应收增长吞噬现金；（4）出口管制影响EDA/IP/制造/供应；（5）高估值先于基本面兑现。

建议评级表达

维度判断依据
产业地位国产GPU第一梯队产品跨云边端、全功能架构、万卡级集群已落地；但绝对性能与生态不能只靠厂商口径，需要第三方持续验证。
成长阶段高速商业化早期2025收入15.06亿元、2026Q1收入7.38亿元；规模仍远小于全球龙头，增长基数较低且项目制波动明显。
盈利质量改善但未成熟2026Q1归母转正0.29亿元，但扣非仍亏0.54亿元，非经常性损益0.84亿元；经营现金流为-14.87亿元。
估值高度依赖远期兑现PE暂不适用；当前PS明显高于成熟半导体公司常见区间，必须采用情景法和反向测算。
综合高风险观察 / 等待数据验证适合有能力持续跟踪产品、订单、回款与估值的人；不适合把“国产替代”直接等同于无条件成长。
02

GPU与AI算力入门：先把硬件、软件和系统三个层次分开

理解摩尔线程最容易犯的错，是只比较一张卡的峰值算力。真实采购看的是“卡能不能用、模型能不能跑、集群能不能稳定、迁移和运维成本是否可控”。

2.1 CPU、GPU、NPU/ASIC到底有什么区别？

类型直观比喻优势局限典型任务
CPU少数全能专家单线程、复杂控制、通用性强大量相似运算并行效率不及GPU操作系统、数据库、业务逻辑、任务调度
GPU大量协同的专业工人并行吞吐高、可编程、生态成熟功耗高，对软件优化与数据搬运敏感图形渲染、AI训练/推理、科学计算
NPU/AI ASIC为固定工序定制的流水线特定AI任务能效高灵活性与兼容范围通常较窄模型推理、固定算子/网络加速
FPGA可重接线的工厂可重构、低延迟开发门槛高、规模与生态有限网络、边缘、原型验证、特定实时任务
关键理解：GPU不是“只能画图的芯片”。它起初服务图形渲染，后来凭借大规模并行计算成为AI和高性能计算的主力。所谓GPGPU，就是把GPU用于图形之外的通用并行计算。

2.2 GPU、AI加速卡、服务器与集群的关系

GPU芯片
计算核心、缓存、接口、内存控制器等
加速卡 / OAM
芯片 + 显存 + 供电 + 散热 + 板卡
AI服务器
多卡 + CPU + 内存 + 网络 + 电源
超节点
高带宽互联，把多卡视作更大计算域
智算集群
数百至数万卡 + 网络 + 存储 + 调度 + 运维

“AI加速卡”是交付形态，不等于芯片本身；“万卡集群”也不是把一万张卡堆在机房里，而是让它们在通信、容错、调度和软件层面协同。单卡参数很高但集群效率低，客户最终得到的有效算力仍可能很差。

2.3 图形渲染、通用计算、训练与推理

图形渲染

把3D模型、纹理、光照变成屏幕像素。游戏、CAD、数字孪生、云渲染重视驱动、DirectX/Vulkan/OpenGL兼容与稳定性。

通用计算

用GPU做矩阵、仿真、数据分析等并行任务。重视FP64/FP32精度、编译器、数学库和开发工具。

AI训练

用海量数据反复更新模型参数。重视算力、显存、带宽、卡间互联、集群规模、MFU和长时间稳定性。

AI推理

让训练好的模型回答问题。重视吞吐、首Token时延、单Token成本、低精度、KV Cache和部署易用性。

2.4 训练和推理为什么是两种生意？

维度训练推理投资含义
任务“把模型教会”“让模型干活”训练订单更集中于头部客户；推理可随应用扩散。
负载长时间、大批量、强通信实时/批量并存，时延敏感训练更考验集群工程；推理更考验软件优化与成本。
精度BF16/FP16/FP8等混合精度FP8/FP4/INT8等更低精度更常见低精度支持影响单位电力可处理Token数。
商业模式项目制、大额资本开支云服务/行业部署/持续扩容长期看推理需求可能更分散、更持续，但竞争也更广。

2.5 看懂GPU参数：峰值算力不是答案

算力与精度

TFLOPS表示每秒万亿次浮点运算；同一张卡在FP4、FP8、FP16、FP32、FP64下的数字不同，不能跨精度直接比较。稀疏算力也不能和稠密算力混用。

显存容量与带宽

容量决定能放多大的模型/批次；带宽决定数据能否及时喂给计算核心。“算力很高但喂不饱”就是内存墙。

互联与集群效率

卡间带宽、网络拓扑、通信库、并行策略共同决定扩容效果。1,000张卡理论上不等于1张卡性能的1,000倍。

MFU

Model FLOPs Utilization，模型实际运算量占硬件理论算力的比例。它比峰值参数更贴近训练效率，但必须明确模型、规模、精度和测试条件。

吞吐与时延

推理常看tokens/s、每卡并发、首Token时延TTFT和每输出Token时延TPOT。高吞吐不一定低延迟。

TCO

总拥有成本 = 卡/服务器采购 + 网络/存储 + 电力/制冷 + 迁移适配 + 运维停机。低报价并不自动等于低成本。

2.6 软件生态为何比芯片参数更难复制？

应用与模型DeepSeek、Qwen、GLM、视觉/语音/科学计算应用
AI框架PyTorch、TensorFlow、JAX等；开发者通常从这一层进入
模型/算子引擎大模型推理引擎、算子库、通信库、数学库；决定“能跑”到“跑得快”
编译器与运行时把上层程序转成芯片指令，管理内存、任务和并发
驱动与系统软件让操作系统、虚拟化、容器、监控与硬件稳定协同
GPU与互联硬件计算、显存、互联、网络、服务器、集群
“兼容CUDA”不等于“无需迁移”。CUDA既是编程平台，也是长期积累的编译器、库、工具、文档、开发者与最佳实践。国产平台可以通过API兼容、代码迁移工具和框架适配降低成本，但仍需逐模型、逐算子、逐精度验证性能与稳定性。
03

行业全景：AI算力竞争已经从“单芯片”升级为“系统与生态”

全球GPU龙头的护城河由芯片、互联、服务器、软件库、云平台和开发者共同构成；中国厂商的机会来自需求增长与供应链安全，但国产替代绝不是低性能产品的自动采购。

3.1 AI算力产业链

上游工具与材料
EDA、IP、晶圆、HBM/DRAM、封装、设备材料
芯片设计
GPU/NPU/ASIC架构、芯片与软件栈
板卡与服务器
加速卡、CPU主机、供电、液冷
网络与集群
卡间互联、交换机、光模块、存储、调度
算力运营
云厂商、运营商、智算中心、行业客户
模型与应用
基础模型、AI Agent、工业/科研/消费应用

摩尔线程处在中游芯片设计，但其收入交付已延伸到板卡、一体机和集群。价值量扩大了，经营复杂度也同步上升：不仅要解决芯片良率和软件适配，还要采购服务器、网络设备，承担集成交付、验收、回款和售后。

3.2 市场空间：大方向成立，但预测不是收入承诺

385
2020
1,638
2024
13,636
2029E

中国GPU市场：2020—2024快速增长；2029为弗若斯特沙利文预测，招股书披露。

143
2020
997
2024
10,333
2029E

中国AI智算GPU：2024—2029E CAGR约56.7%。该口径含数据中心、边缘和其他云端相关产品。

口径提醒：上述市场规模来自摩尔线程招股书引用的弗若斯特沙利文研究，预测期长、增速高，不能直接当作公司可获取收入。投资测算还要乘以国产化率、公司份额、产品价格、交付与回款能力。
公司可实现收入 = 行业需求 × 国产化率 × 公司可服务市场占比 × 实际份额 × 价格/系统价值量 × 交付确认率

3.3 训练市场：壁垒最高，客户和订单更集中

  • 核心门槛：大规模卡间通信、稳定性、断点续训、并行策略、算子优化、编译器和模型复现。
  • 客户结构：头部互联网/模型公司、运营商、科研院所、政府智算项目与大型企业，单笔订单较大。
  • 商业风险：项目验收周期长，客户议价能力强；硬件快速迭代可能造成存货与预付款风险。
  • 摩尔线程抓手：S5000、KUAE万卡集群、MUSA训练套件以及模型适配；需要第三方客户续单验证。

3.4 推理市场：空间更分散，竞争也更复杂

  • 推理量随AI应用调用增长，可从云端延伸至边缘和终端，理论上比一次性训练更持续。
  • 但推理并非GPU独占：ASIC/NPU、CPU优化、边缘SoC都能参与，客户更关注单位Token成本与易部署性。
  • 低精度（FP8/FP4/INT8）、显存、KV Cache管理、推理框架和模型量化决定实际效率。
  • 摩尔线程的全功能路线有助于覆盖训练、推理、图形与物理AI，但“广”必须转化为每个场景的性能/成本优势。

3.5 国产替代的四层逻辑

供应安全

外部出口限制使客户需要可持续获得的算力。国产芯片的“可获得性”本身具有战略价值。

本土生态

国产CPU、操作系统、服务器、模型和行业应用协同，形成迁移与运维支持网络。

场景优化

围绕中文模型、政企云、科研和本土网络环境做联合优化，可能缩小峰值参数差距。

商业约束

客户仍会比较TCO、稳定性与开发效率；“国产”能打开门，但不能替代产品力。

3.6 GPU行业真正的竞争壁垒

壁垒为什么难验证指标
架构与芯片高性能、功耗、面积、显存和互联要在工艺约束下平衡量产节奏、性能/功耗、良率、供货稳定性
软件生态需要多年积累编译器、库、工具、文档和开发者主流框架/模型覆盖、迁移工时、性能优化周期
集群系统故障概率会随卡数上升，通信和调度决定有效算力MFU、线性扩展效率、有效训练时间、故障恢复
客户验证企业核心负载不愿承担不稳定风险，认证周期长头部客户复购、量产项目、回款、参考案例
资本与人才多代芯片并行投入，单代失败可能造成数年损失研发强度、现金跑道、人才稳定、多代路线图
供应链与合规EDA、IP、晶圆制造、先进封装和高端存储受外部限制替代方案、供应商集中度、预付款与减值
04

公司画像：五年完成架构、产品、集群和资本市场四级跃迁

摩尔线程成立于2020年，核心管理层具有国际GPU和科技公司经验。公司的高速度既是优势，也是风险来源：短期内同时扩张产品线、客户、供应链和组织，要求极高的工程与经营管理能力。

4.1 发展时间线

2020
6月设立，10月开始实际经营；提出MUSA统一系统架构与全功能GPU路线。
2021
第一代“苏堤”架构，建立云、边、端产品基础。
2022
第二代“春晓”架构，强化云计算、虚拟化和图形能力；S80/S70等桌面显卡进入市场。
2023
第三代“曲院”架构，S4000增强AI训推能力并支撑千卡级集群；10月被美国列入实体清单。
2024
第四代“平湖”架构与S5000；12月增资引入38名投资者，投前估值约246.20亿元，融资约52.25亿元。
2025
S5000/KUAE万卡集群商业化；12月5日登陆科创板（688795），发行价114.28元；发布第五代“花港”架构。
2026
一季度收入7.38亿元、归母利润转正但扣非仍亏；推进“华山”AI芯片、“庐山”图形芯片与C256超节点等规划。

4.2 创始与核心团队

张建中｜创始人、实际控制人

曾任惠普、戴尔管理岗位，2006—2020年任英伟达全球副总裁兼中国区总经理。技术产业化、渠道和生态经验是其突出标签。上市后直接持股约9.41%，通过一致行动与员工平台合计控制约30.94%表决权。

联合创始团队

周元具有英伟达市场与生态经验；张峪博曾任英伟达GPU架构师并有自动驾驶基础设施经历；王东具有长期GPU销售经验。团队组合覆盖架构、生态和商业化。

人才与研发：截至2025年末，研发人员1,009人，占员工79.20%；其中硕士及以上占研发人员77.21%。累计专利申请1,854项，获授权646项（其中发明专利590项）。数字说明投入强度，不直接等同于产品领先。

4.3 股权、融资与IPO

事项公开信息投研含义
控制权无单一控股股东；张建中为实际控制人，上市后直接持股9.41%，合计控制约30.94%表决权创始团队控制相对稳定，但需关注一致行动安排、平台解禁与治理。
2024年末增资38名投资者认购约7,002.82万股，增资约52.25亿元；投前估值约246.20亿元为研发和供应链提供资金，也形成未来解禁供给。
IPO发行7,000万股，发行价114.28元；募集资金总额约80.00亿元，净额约75.76亿元显著增强现金与研发保障；IPO市值约537.15亿元。
上市标准采用科创板第二套标准：预计市值不低于15亿元、最近一年收入不低于2亿元、近三年累计研发投入不低于15%上市时尚未盈利，估值需围绕收入、研发成果与远期现金流，而非当期PE。
主要机构股东包括国盛资本基金、红杉基金、中国移动数字基金等；员工/创始平台亦占重要比例产业资本有协同想象，但客户订单仍应以合同、收入和回款验证。

4.4 商业模式

收入来源 = GPU板卡/模组销售 + 一体机/服务器 + 智算集群系统 + 边缘/终端产品 + 软件及服务

公司采用Fabless模式：负责芯片设计、软件栈和系统方案，晶圆制造、封装测试、板卡加工等委外；系统交付还需采购服务器、网络等设备。模式轻资产，但对上游供应与预付款依赖较强。随着集群项目占比提高，公司越来越像“芯片平台 + 系统集成商”，收入规模更大，但经营现金流与项目管理压力也更重。

05

产品与生态：MUSA是核心，S5000与KUAE是商业化主轴

“全功能GPU”不是营销词的同义反复，而是一种高投入的产品哲学：在同一架构下同时做AI、图形、科学计算、视频和虚拟化，并覆盖不同精度。真正价值取决于这些功能是否都能稳定、高效地被客户使用。

5.1 什么是MUSA？

MUSA（Moore Threads Unified System Architecture）是摩尔线程自研的统一系统架构，覆盖芯片架构、指令集、编程模型、驱动、运行时、编译器、算子/通信/数学库和开发工具。它的目标是让同一套平台服务云端、边缘与终端，以及AI、图形和科学计算等负载。

应用层大模型训练与推理、数字孪生、云渲染、游戏、AI4S、视频处理
框架与引擎PyTorch等主流框架，训练/推理套件，科学计算与图形API
MUSA库算子库、通信库、数学库、编解码与图形库
工具链MUSA Toolkit、编译器、调试器、Profiler；MUSIFY代码迁移与MUSA-X API替换
系统软件驱动、运行时、vGPU、容器/云原生、集群管理与调度
硬件苏堤 → 春晓 → 曲院 → 平湖 → 花港；GPU/SoC/互联/服务器/集群
投资者该怎么验证MUSA：不要只问“支持多少模型”，要问迁移一项真实业务需要几人周、性能损失多少、是否能持续跟进框架版本、长时间运行是否稳定、故障定位工具是否好用，以及客户是否愿意复购。

5.2 五代架构与未来产品路线

架构时间定位/变化代表产品或阶段
苏堤2021第一代全功能GPU架构，建立基础能力早期云边端产品
春晓2022增强云计算、GPU虚拟化与DirectX 11/12图形支持S80/S70、S3000等
曲院2023加强AI训练与推理，支撑千卡级集群S4000、KUAE早期集群
平湖2024支持FP8，提升大模型训推、显存与互联S5000、KUAE万卡集群
花港2025发布公司称支持FP4—FP64、算力密度提升50%、能效提升10倍尚处新一代产品导入；需量产与客户实测
华山 / 庐山研发/规划华山面向AI训推，庐山面向高性能图形未来产品，不能按已量产收入估值

5.3 现有产品矩阵

层级代表产品主要场景研究重点
云端智算卡S5000、S4000、S3000大模型训练/推理、高性能计算、云服务单卡性能、显存/带宽、低精度、供货、模型实测
服务器/一体机D800、SGX5000等多卡训练、推理和行业部署整机兼容、散热、网络、验收和回款
集群KUAE夸娥千卡/万卡智算中心MFU、扩展效率、故障率、有效训练时间、复购
专业/桌面图形X300、S80、S70、S50等办公、CAD、云渲染、游戏与信创驱动更新、应用/游戏兼容、渠道库存、竞争力
边缘/终端“长江”SoC、E300模组、AIBOOK/AICUBE机器人、智能终端、AI PC/学习开发量产客户、售价/毛利、软件生态、规模化能力
软件MUSA SDK/Toolkit、训练/推理套件、vGPU、云原生套件开发迁移、部署、虚拟化与运维开发者数量、文档与工具成熟度、版本迭代

5.4 S5000：当前最关键的收入与估值载体

1,000 TFLOPS

公司披露单卡稠密AI算力最高1,000 TFLOPS。比较时必须明确精度、稠密/稀疏和测试负载。

80GB显存

显存带宽1.6TB/s；容量和带宽影响模型、批次与数据供给。

约800GB/s互联

卡间高速互联支撑多卡协作；系统效率仍依赖拓扑与通信软件。

FP8—FP64

覆盖AI低精度与科学计算高精度，体现全功能定位。

以上均为公司2025年报披露的产品指标，属于厂商口径，不等同于独立第三方同条件对比结果。

5.5 KUAE万卡集群：从“卖卡”到“卖有效算力”

10 ExaFLOPS

公司披露集群浮点运算能力。

Dense MFU 60%

稠密大模型训练的模型算力利用率。

MoE MFU 40%

混合专家模型通信更复杂，MFU通常更难提升。

线性扩展95%

有效训练时间占比超过90%；均为公司披露指标。

如何看待“达到国际主流水平”：需用相同模型、参数规模、精度、序列长度、网络、软件版本、卡数和稳定运行周期比较。没有统一测试条件，单一MFU或线性度不能直接证明总体领先。

5.6 全功能GPU路线的优势与代价

潜在优势

  • 同一架构覆盖AI、图形、科学计算，适合世界模型、机器人、数字孪生等融合负载。
  • 驱动、编译器和开发者资源可跨产品复用。
  • 从云到边到端形成更完整产品矩阵。
  • 在国产GPU中形成差异化，不只竞争单一推理卡。

现实代价

  • 硬件功能更复杂，芯片面积、验证和驱动开发投入更大。
  • 每一类生态都要长期维护，容易出现“都支持但都不够深”。
  • 必须与AI ASIC的能效和专用性竞争，也要面对成熟图形GPU生态。
  • 多产品线会加大库存、渠道、供应链与组织复杂度。
06

商业化：收入爆发已验证需求，但集中度和回款是核心短板

2025年是从研发型公司转向规模交付的关键年。收入与毛利快速增长，但大客户、项目制和系统集成交付使经营现金流、应收、预付款和存货同步承压。

6.1 收入从0到1，再从1到15亿元

0.46
2022
1.24
2023
4.38
2024
15.06
2025
7.38
2026Q1*

*2026Q1为单季度，不与全年柱等期比较。2022—2025收入CAGR约219.8%。

2025季度收入明显不均衡

2025Q1
2.89亿元
2025Q2
4.13亿元
2025Q3
0.83亿元
2025Q4
7.21亿元
2026Q1
7.38亿元

项目交付/验收使季度波动显著，不能简单把一个季度乘4当作可靠全年预测。

6.2 2025收入结构：云端产品几乎决定公司

产品/渠道收入占比毛利率解读
云端产品14.61亿元97.04%70.32%S5000、S4000、系统/集群为主要增长来源；结构高度集中。
边缘及终端0.26亿元1.69%39.99%仍处导入期，规模较小，尚未证明第二增长曲线。
其他业务0.19亿元1.27%-264.03%金额小但亏损，需关注具体构成与一次性因素。
直销10.97亿元72.86%63.37%头部客户和项目直销为主，对销售、交付和回款能力要求高。
经销4.09亿元27.14%71.49%渠道扩张有助覆盖市场，但需看终端销售与渠道库存。
境内15.04亿元99.87%—收入几乎全部来自国内，全球化能力尚未被收入验证。

6.3 客户集中度：增长快，但不是“分散的市场化收入”

2022前五客户
89.86%
2023前五客户
97.45%
2024前五客户
98.16%
2025H1前五
98.29%
2025前五客户
91.36%
风险：前五客户2025年贡献13.75亿元；应收账款前五名占99.07%。若一个大项目延期、预算收缩、验收失败或回款变慢，单季度收入和现金流都会明显波动。
积极面：AI算力早期本就由少数大客户和智算中心集中采购，头部客户进入是产品验证。真正的下一步是续单、客户扩张、终端应用增长与应收回收。

招股书披露，2025年上半年第一大客户收入占56.63%，第二大客户占30.91%；2024年前两大客户各占约38.07%和35.59%。公司2025年报对部分客户采用匿名披露，因此报告不把未公开名称强行对应到具体企业。

6.4 供应链与Fabless模式

环节公司做什么外部依赖关注点
芯片设计架构、逻辑、软件协同、验证EDA、部分IP出口限制、工具替代、研发周期
晶圆/封装测试委外生产管理、质量验证晶圆制造、封装测试、存储产能、良率、预付款、交期；核心代工方未完整公开
板卡/服务器方案设计、集成与验收PCB、供电、散热、服务器、网络采购成本、库存、系统兼容
集群交付网络、软件栈、调度、容错与运维交换机、光互联、存储、数据中心项目进度、验收、质保、回款

2025年前五大供应商采购额14.11亿元，占采购总额63.83%；其中关联方采购约4.78亿元，占21.63%。供应集中在半导体行业并不罕见，但会放大地缘政策、交期和议价风险。

6.5 合规与出口管制

已发生事件：公司于2023年10月被美国列入实体清单。公开文件称公司已调整供应链并推进自主替代，但获取受美国管制的技术、工具、材料和服务受到限制。报告期内，部分对境外供应商的预付款因无法收回而全额减值，部分存放在供应商处设备亦计提减值。

这不是抽象风险：GPU研发涉及EDA、IP、晶圆制造、先进封装和高端存储。投资者应持续检查（1）新产品是否如期流片/量产；（2）预付款是否异常增长；（3）存货减值；（4）是否出现新的制裁范围或客户合规限制；（5）国产替代方案对性能、成本和开发进度的影响。

07

财务拆解：利润表改善快，现金流与营运资本仍发出强警报

2026Q1归母净利润首次转正是里程碑，但扣非仍亏、经营现金流大幅流出。对项目制硬件公司，利润表、现金流量表与资产负债表必须一起看。

7.1 核心财务表

亿元20222023202420252026Q1
营业收入0.461.244.3815.067.38
毛利率———65.57%未披露
归母净利润-18.94-17.03-16.18-10.010.29
扣非归母净利润———-10.88-0.54
研发费用11.16—13.5913.053.69
研发/收入2,423%—310%86.68%50.03%
经营现金流净额-14.90-11.58-19.55-29.56-14.87

2023研发费用为简洁起见未在本表列示；“—”表示本表未采用/未在相关简表直接披露，不代表为零。

7.2 为什么2026Q1“盈利”仍要谨慎？

归母净利润

+0.29亿元

会计口径首次转正，反映收入增长和亏损收窄。

非经常性损益

+0.84亿元

其中政府补助约0.70亿元、金融资产收益约0.13亿元。

扣非归母

-0.54亿元

核心经营仍亏损，但同比已明显改善。

2026Q1归母利润0.29亿元 − 非经常性损益0.84亿元 ≈ 扣非归母亏损0.54亿元

7.3 营运资本：增长正在占用现金

亿元2025-12-312026-03-31三个月变化解读
货币资金91.7650.24-41.52部分资金转入交易性金融资产，同时经营现金流继续流出。
交易性金融资产1.7926.63+24.84主要反映现金管理；与货币资金合并观察更合理。
应收账款4.346.38+2.04收入增长伴随回款占用；客户集中增加信用风险。
预付款项17.8223.61+5.79为供应链备货/产能安排支付，受制裁和交付风险影响较大。
存货13.3221.95+8.63备货支持交付，但技术快速迭代增加跌价与减值风险。
合同负债0.220.57+0.36预收规模较小，客户资金对交付的覆盖有限。
现金+理财
76.87亿元
预付款
23.61亿元
存货
21.95亿元
应收账款
6.38亿元

截至2026Q1；现金+理财 = 货币资金50.24亿元 + 交易性金融资产26.63亿元。该加总不等于可自由支配现金，需扣除受限资金与经营承诺。

7.4 现金跑道不能只做“现金÷研发”

截至2026Q1，现金与交易性金融资产合计约76.87亿元；短期借款约10.35亿元、长期借款约17.20亿元，粗略净现金类资产约49.32亿元。若只除以2025研发费用13.05亿元，看似可支撑多年；但2025经营现金流净流出29.56亿元、2026Q1单季净流出14.87亿元，说明供应链预付、库存和项目回款才是短期现金消耗关键。

真实现金跑道 ≠ 现金 ÷ 研发费用；应看 现金及理财 − 有息债务 − 供应链/项目承诺，并结合经营现金流、营运资本与融资能力。

7.5 财务质量的五个红绿灯

指标当前信号转绿条件
收入增长绿高速增长连续多个季度交付、更多客户与复购，而非单季大项目。
毛利率绿/黄2025较高在产品降价、系统集成占比提升后仍稳定；避免一次性高毛利项目。
扣非利润黄仍亏扣非连续转正，且不是压缩必要研发换来。
经营现金流红持续大幅流出回款改善、预付款/存货周转正常，经营现金流随收入转正。
客户集中红前五91.36%前五占比下降、更多商业客户、应收集中度降低。
08

可比公司：不能把所有“AI芯片”放在一张参数表里

全球龙头、国产全功能GPU、GPGPU、NPU和CPU+DCU平台的产品边界不同。比较应拆成硬件、软件生态、系统规模、客户验证、财务与资本市场六层；厂商公布的峰值参数仅是其中一项。

8.1 竞争定位矩阵（定性示意）

生态强 / 系统规模强生态较弱 / 系统规模强生态较弱 / 系统规模较小生态强 / 系统规模较小 NVIDIA AMD 华为昇腾 摩尔线程 壁仞 沐曦 寒武纪 海光DCU 天数智芯 燧原

位置为基于公开产品、软件栈、集群案例和客户覆盖的研究性示意，不是独立基准测试排名；相对位置会随产品迭代快速变化。

8.2 十家公司横向比较

公司代表平台/产品（截至报告日）软件生态训练/推理图形/全功能客户与商业化资本市场状态核心优劣势
英伟达Blackwell/Blackwell Ultra、Vera Rubin、GB200/NVL72等CUDA、cuDNN、TensorRT、NCCL、Dynamo、NeMo与完整开发工具全球训练与推理标杆，芯片—互联—机架系统协同AI、HPC、专业图形、游戏完整覆盖云厂商、互联网、科研、企业和开发者生态最广NASDAQ: NVDA优：生态和系统护城河最深；弱：价格/供应、客户寻求第二来源，中国市场受出口限制。
AMDInstinct MI350系列；MI400/MI455X/Helios等新平台ROCm开放软件栈、RCCL与主流框架支持训练/推理/HPC兼顾，强化机架级系统数据中心CDNA与图形RDNA分线全球云与服务器伙伴，生态成熟度仍追赶CUDANASDAQ: AMD优：开放生态、大显存、第二供应商地位；弱：软件和开发者惯性仍弱于CUDA。
华为昇腾昇腾AI处理器、服务器/集群与全栈基础设施CANN、MindSpore、工具链与行业生态训练/推理均覆盖，大规模国产算力实践丰富重点为AI计算，不以消费图形为核心政企、运营商、互联网与行业伙伴覆盖广华为体系，未独立上市优：系统工程、渠道和国产生态强；弱：供应链约束，独立财务/份额披露有限。
摩尔线程S5000/S4000/S3000、KUAE、S80/X300、长江SoCMUSA、MUSIFY、训练/推理/科学计算/图形套件训推一体，千卡/万卡集群已披露落地全功能GPU是主要差异化2025收入15.06亿元；客户高度集中，云端占97%科创板688795，2025-12-05上市优：全功能、迭代快、系统交付；弱：生态、现金流、集中度、制裁与高估值。
寒武纪思元MLU系列、云端/边缘加速卡与基础系统软件Neuware/开发工具、模型与框架适配AI训练/推理专用平台不以通用图形GPU为核心已上市、财务披露完整，国产AI芯片头部标的科创板688256优：AI专用架构、资本市场与客户验证；弱：生态与客户集中、估值波动，缺少图形通用性。
沐曦股份曦思N系列、曦云C系列、曦彩G系列；C600/C588/N300等；超节点MXMACA异构计算平台训练、推理与通用计算全栈覆盖含曦彩图形系列，接近广义全栈GPU产品已量产并形成服务器/超节点；上市后披露度提升科创板688802优：产品线完整、训推与图形兼顾；弱：同样面临生态、迭代、供应与估值验证。
壁仞科技壁砺166L/166M训推一体、166C推理；106系列BIRENSUPA软件平台、开发者社区以数据中心GPGPU训推为主，推进光互联不以桌面图形为核心产品与解决方案商业化；港股上市后财务可跟踪港股6082，2026-01-02开始交易优：高性能GPGPU与数据中心聚焦；弱：供应限制、生态追赶、系统规模与盈利需持续验证。
天数智芯天垓训练系列、智铠推理系列软件栈与DeepSpark开源社区云端GPGPU训练/推理不以图形渲染为主多代产品及行业案例；港股上市提高信息透明度港股9903，2026-01-08开始交易优：较早量产GPGPU、专注云端；弱：生态与规模化、客户结构和盈利仍需验证。
燧原科技燧原S60推理卡、云燧超节点/智算集群驭算TopsRider云端AI训练/推理，S60侧重推理AI专用，不以通用图形为核心公司称已迭代四代架构五款芯片，披露庆阳万卡及美图近万卡推理案例非上市；精确融资估值/财务公开有限优：云端AI与集群案例；弱：财务透明度、外部验证与资本开支持续性。
海光信息海光CPU + 深算DCUDCU软件栈与x86/国产服务器生态AI/HPC加速，和CPU形成平台协同不以图形为核心政企、科研和数据中心基础较好；上市财务可验证科创板688041优：CPU+DCU组合、客户与盈利基础；弱：GPU生态和AI前沿迭代仍需追赶。
财务口径说明：英伟达、AMD、寒武纪、海光、摩尔线程、沐曦、壁仞、天数智芯均有上市披露渠道；华为昇腾不是独立上市主体；燧原为非上市公司。对非上市公司，报告不采信未经监管文件确认的“最新估值”或传闻收入。

8.3 九个可比对象的“应该怎么看”

英伟达：不是芯片公司，而是平台标准

CUDA的真正壁垒是兼容库、工具、文档、云镜像、开发者、教育和客户代码资产。Rubin/Blackwell等硬件领先只是平台的一部分。摩尔线程短期更现实的目标是建立本土可用、易迁移、可规模部署的第二生态，而非全维度复制。

AMD：第二生态的参照物

ROCm证明“开放软件 + 强硬件 + 云伙伴”可逐步缩小生态差距，但需要多年持续投入。AMD的数据中心产品与图形产品采用不同架构路线，也说明“全功能统一”并非唯一解。

华为昇腾：国内系统能力标杆

昇腾通过CANN、MindSpore、硬件、服务器、集群和行业伙伴构建全栈。其客户、渠道与系统工程是优势；摩尔线程的差异在全功能GPU与独立上市平台，但生态规模仍有差距。

寒武纪：A股AI芯片估值锚

寒武纪专注AI处理器，上市时间更长，财务和客户验证更充分。它与摩尔线程商业模式更接近，但产品边界不同；比较PS时还应调整毛利率、收入质量、现金消耗和研发阶段。

沐曦：最直接的国产GPU同行

同样覆盖训练、推理、通用计算与图形，并已A股上市。两者应重点对比：新产品迭代、软件迁移、集群规模、收入/毛利、客户集中、经营现金流和估值，而不是只比单项算力。

壁仞：高性能GPGPU路线

聚焦数据中心训推，壁砺166系列与BIRENSUPA是核心。港股上市后财务透明度提升。与摩尔线程相比，产品聚焦可能降低复杂度，但图形与终端覆盖较少。

天数智芯：早期量产GPGPU玩家

天垓训练与智铠推理形成产品分工，DeepSpark建设开发生态。港股上市使其成为财务可比对象；需对比收入规模、毛利、客户与现金消耗。

燧原：AI专用与万卡案例

从训练/推理芯片延伸到超节点与集群，官方披露了大规模项目。由于未上市，财务与融资估值公开度低，比较时应降低信息置信度。

海光：盈利型国产算力平台

CPU+DCU带来服务器生态与客户协同，是国产算力中更成熟的上市平台。其估值可作为“已规模盈利”锚，但与摩尔线程早期高增长阶段不能简单套同一倍数。

8.4 可比估值为什么最容易误导？

  1. 业务边界不同：NVIDIA含数据中心、游戏、专业可视化等；海光含CPU；摩尔线程当前97%收入来自云端产品。
  2. 会计阶段不同：成熟公司可以看PE/FCF，早期GPU公司只能更多看PS、EV/Sales和远期情景。
  3. 收入质量不同：芯片销售、集群系统集成、软件/云服务的毛利率与现金流差异很大。
  4. 市场与流动性不同：A股科创板、港股18C、纳斯达克的风险偏好和流动性不能机械比较。
  5. 上市时点不同：招股书可比倍数只是某一交易日快照。摩尔线程上市公告披露的2025-11-19静态PS参考为：海光54.04倍、寒武纪478.25倍、景嘉微81.67倍；不代表当前倍数或合理价值。
09

估值：先反推市场要求，再谈“合理价”

公司尚未实现可持续扣非盈利，PE暂不适用。最稳妥的方法是PS/EV-Sales情景法、反向收入测算与长期现金流框架三者交叉验证，并把结果看作“条件概率”，不是单一目标价。

9.1 当前估值快照

股价

595.01元

2026-07-27 11:07盘中参考，非收盘价

总股本

4.7003亿股

2025年末/2026Q1公开股本口径

总市值

约2,797亿元

股价×总股本，四舍五入

2025 PS

约185.8×

总市值÷2025收入15.06亿元

简单年化仅作尺度感：2026Q1收入7.38亿元×4 = 29.50亿元，对应约94.8倍PS。但项目交付季度波动很大，这不是可靠的2026预测。

9.2 三类估值方法

方法公式适用主要缺陷
PS / EV-Sales市值或企业价值 ÷ 收入高增长、尚未稳定盈利忽略毛利、费用、现金流和系统集成占比。
反向估值市场隐含收入 =（市值−净现金）÷目标PS判断当前价格要求多大收入目标PS本身仍需主观判断。
DCF未来自由现金流折现长期成熟价值对收入增速、利润率、资本开支和折现率极敏感，早期误差巨大。
SOTP云端GPU + 图形/终端 + 软件/平台 + 净现金多业务平台当前分部披露不足，容易重复计价平台价值。

9.3 反向测算：当前市值需要什么收入？

以参考市值2,797亿元、粗略净现金类资产49亿元计算，企业价值约2,747亿元。若市场最终愿意给予不同EV/Sales倍数，则隐含收入如下：

假设EV/Sales隐含收入规模相对2025收入解释
80×约34.3亿元2.28倍仍是极高倍数，仅需较近年份兑现，但估值容错极低。
60×约45.8亿元3.04倍需要持续高增长，并维持高毛利与技术领先预期。
40×约68.7亿元4.56倍市场需要看到多个产品代际与更广客户基础。
25×约109.9亿元7.30倍更接近成熟高成长平台的高估值区间，要求显著份额和现金流。
15×约183.1亿元12.16倍若行业估值回归，需很大的收入规模才能支撑当前市值。

9.4 三种演示情景（不是目标价）

情景收入假设目标PS净现金对应股权价值每股价值所需条件
审慎25亿元25×49亿元674亿元约143元增长放缓、估值压缩，产品/回款验证不及预期。
中性演示35亿元45×49亿元1,624亿元约346元高增长延续，行业给予较高平台溢价，但仍未充分支撑现价。
乐观50亿元70×49亿元3,549亿元约755元订单爆发、华山顺利量产、生态与集群领先、风险偏好维持极高。
不要把表格中的“每股价值”理解成目标价：收入年份、PS口径、净现金、股份稀释、执行风险都未被完整建模。它的作用是显示：当前股价只有在“高收入 + 高倍数”同时成立时才有支撑。

9.5 交互式估值情景测算器

情景收入35亿元
目标PS倍数45倍
净现金类资产49亿元
摊薄后总股本4.70亿股

公式：股权价值 = 收入 × PS + 净现金；每股价值 = 股权价值 ÷ 摊薄股本。未考虑时间折现、股权激励、再融资、资本开支与税务。

模型输出：演示每股价值
345.5元
较595.01元参考价：-41.9%
1,624亿元股权价值
1,575亿元企业价值
2.32倍收入 / 2025收入
+132.5%较2025收入增长

9.6 估值判断的正确顺序

先做收入树
卡数×单价 + 系统价值量 + 软件服务
再做利润桥
产品结构、毛利、研发、销售、减值
核验现金流
应收、预付、存货、供应链与资本开支
给情景概率
产品、客户、供应链、竞争、估值
最后看价格
现价对应哪组假设，安全边际多大
10

催化剂、风险与跟踪：把叙事变成可证伪指标

GPU公司变化快，首次覆盖报告只是起点。真正的研究价值来自每个季度把产品、订单、收入、回款、现金流和估值假设重新对齐。

10.1 未来6—24个月关键催化剂

产品

花港/华山量产与实测

新一代AI芯片能否如期量产，能效、显存、互联和主流模型性能是否获得客户/第三方验证。

订单

S5000/KUAE复购

2025大项目之后是否持续扩容，能否从少数客户扩展至更多互联网、运营商、科研与行业客户。

生态

主流模型Day-0适配

DeepSeek、Qwen、GLM等版本迭代时，MUSA能否快速跟进并给出可复现性能。

财务

扣非与现金流拐点

扣非利润连续转正；应收、预付和存货周转改善；经营现金流从大幅流出走向平衡。

系统

超节点/十万卡能力

C256与更大集群规划能否从发布转为交付，真实MFU、故障率和客户使用时间能否验证。

资本

指数纳入与机构覆盖

上市后流动性、指数纳入、研究覆盖可能带来资金催化，但这不改变内在价值，反而可能放大波动。

10.2 风险清单

风险传导路径最早预警指标严重度
技术迭代不及预期新架构延期/性能不达标 → 订单与估值下修流片、量产、实测、适配时间延迟极高
软件生态不足迁移成本高/稳定性差 → 客户试用不转采购头部客户复购、模型支持、开发者反馈极高
客户集中单一项目延期/取消 → 收入与回款剧烈波动前五客户占比、单一客户收入、应收账龄极高
供应链/制裁EDA/IP/制造/存储受限 → 新品延期、成本上升、减值预付款、供应商变更、流片进度、减值公告极高
存货与预付减值迭代快/无法交付 → 资产减值、现金损失存货增速、跌价准备、预付款账龄与对象高
竞争与价格国内外新品、客户自研 → 价格/毛利/份额下降ASP、云端毛利率、竞品中标、招标价格高
研发与人才高投入难转化/核心人才流失 → 路线图中断研发人员、股权激励、核心技术人员变动高
估值压缩利率/风险偏好/业绩不及预期 → 倍数先跌PS分位、成交/换手、解禁、同业估值极高

10.3 季度/事件跟踪清单

A. 收入与订单
  • 收入同比/环比、季度确认节奏
  • 云端收入占比、板卡与系统结构
  • 合同负债、在手订单（若披露）
  • 新客户、复购与单一客户依赖
B. 盈利与现金
  • 毛利率与产品/渠道结构
  • 扣非净利润、股份支付、政府补助
  • 经营现金流、回款与付款节奏
  • 现金+理财−有息债务
C. 营运资本
  • 应收增速、账龄、客户集中
  • 预付款对象、账龄与减值
  • 存货结构、周转与跌价准备
  • 供应商集中与关联采购
D. 产品路线
  • 花港/华山/庐山流片与量产
  • S5000/KUAE交付、超节点进展
  • 显存、互联、精度和能效实测
  • 第三方测试与客户案例
E. 软件生态
  • PyTorch/模型/推理引擎版本支持
  • MUSIFY迁移成功率与优化周期
  • 算子覆盖、通信库、调试工具
  • 开发者社区、文档和伙伴数量
F. 估值与事件
  • 市值、PS/EV-Sales与同业
  • 股东解禁、减持、再融资、激励
  • 政策、出口管制与合规变化
  • 把新信息映射到收入/倍数假设

10.4 投资决策树

产品是否可用？
主流模型/图形/HPC真实负载
客户是否复购？
从试用/项目转为持续扩容
收入是否变现？
毛利、回款、现金流、减值
竞争优势多久？
新架构、生态、供应链和人才
价格留余地吗？
现价隐含收入与概率
最终结论：摩尔线程是研究国产GPU不可绕开的平台型公司，基本面已越过纯研发阶段；但股票层面最关键矛盾是“商业化提速”与“估值已提前定价”并存。对零基础投资者，更合理的做法是先用季度清单建立跟踪记录，在扣非、现金流、客户分散和新一代量产出现连续证据前，不把单季收入或单一技术指标外推为确定性长期回报。
11

零基础名词词典

点击展开。词典把最容易混淆的硬件、软件、模型与财务词汇放在一起，便于以后阅读其他AI芯片公司报告。

GPU / GPGPU / 全功能GPU
GPU是图形处理器，擅长大规模并行计算；GPGPU强调用GPU做图形之外的通用计算；全功能GPU在单芯片/统一架构中同时覆盖AI、图形、科学计算、视频和多精度。
AI加速卡 / OAM / PCIe卡
加速卡是GPU芯片、显存、供电和散热组成的交付形态。PCIe卡便于插入通用服务器；OAM面向高密度、高功耗数据中心平台，通常用于多卡服务器。
CUDA / MUSA / ROCm / CANN
分别是英伟达、摩尔线程、AMD和华为昇腾的软件/计算平台。它们不仅是“编程语言”，还包括驱动、编译器、运行时、库、工具和生态。
驱动 / 运行时 / 编译器 / 算子库
驱动让操作系统控制硬件；运行时管理程序执行和内存；编译器把代码变成芯片指令；算子库提供矩阵乘、卷积、Attention等优化模块。
训练 / 微调 / 推理
预训练从大规模数据学习参数；微调让模型适应特定任务；推理使用既有参数生成答案。三者算力、精度、通信和商业模式不同。
Dense / MoE
Dense模型每次前向通常使用大部分参数；MoE（混合专家）每次只激活部分专家，理论上提高计算效率，但带来路由与卡间通信复杂度。
FP64 / FP32 / BF16 / FP8 / FP4 / INT8
不同数值精度。位数越低通常速度更快、显存和功耗更省，但可能损失精度。训练/科学计算/推理对精度需求不同，不能只看最低精度峰值。
TFLOPS / PFLOPS / EFLOPS
每秒浮点运算次数：T=10¹²，P=10¹⁵，E=10¹⁸。必须同时说明精度、稠密/稀疏和测试条件。
显存 / HBM / 带宽
显存存放模型参数和中间结果；HBM是高带宽存储；容量决定“放得下多少”，带宽决定“喂数据有多快”。
卡间互联 / Scale-up / Scale-out
卡间互联用于GPU之间交换数据；Scale-up扩大一个高速计算域，Scale-out通过网络连接更多节点。训练大模型常需两者协同。
MFU / 线性扩展效率 / 有效训练时间
MFU看模型实际利用理论算力比例；线性扩展看加卡后性能是否接近同比增加；有效训练时间看集群在故障、维护之外真正训练的时间占比。
Token / TTFT / TPOT
Token是模型处理文本的基本单位；TTFT是首个Token时延；TPOT是后续每个输出Token时延。推理体验不能只看总吞吐。
KV Cache
大模型推理中缓存注意力机制历史键值，减少重复计算，但会占用大量显存。缓存管理直接影响并发和成本。
Fabless / 流片 / 良率
Fabless公司只设计不自建晶圆厂；流片是把设计交付制造并获得芯片；良率是合格芯片比例，影响成本与供货。
PS / EV-Sales / 净现金
PS=市值/收入；EV-Sales=企业价值/收入；企业价值通常约等于市值+有息债务−现金。净现金的定义需说明是否包含理财、受限资金和其他债务。
归母净利润 / 扣非归母 / 经营现金流
归母是归属于母公司股东的利润；扣非剔除政府补助、投资收益等非经常因素；经营现金流看经营活动实际收付，项目制公司可能与利润差异很大。
12

数据来源、口径与免责声明

重要事实优先使用公司官网、招股书、上市公告、年报、季报和其他公司官方投关材料；市场预测与厂商性能均明确标注来源属性。

12.1 主要一手来源

  1. 摩尔线程投资者关系：招股说明书、上市公告、2025年年度报告、2026年第一季度报告及临时公告入口。
  2. 《摩尔线程首次公开发行股票并在科创板上市招股说明书》：公司历史、团队、MUSA、产品、客户/供应商、市场研究、财务与风险。
  3. 《摩尔线程2025年年度报告》：2025财务、S5000/KUAE、花港、客户供应商、研发和风险。
  4. 《摩尔线程2026年第一季度报告》：2026Q1收入、利润、非经常损益、研发、现金流与资产负债表。
  5. 摩尔线程官网及官方产品页：S5000、S4000、KUAE、MUSA SDK/训练/推理/科学计算套件、边缘与终端产品。
  6. NVIDIA Blackwell官方页及Vera Rubin官方页：全球GPU产品与系统参考。
  7. AMD Instinct MI350官方页、MI400官方页：Instinct、ROCm与机架级产品。
  8. 华为昇腾社区：昇腾处理器、CANN、MindSpore及全栈AI计算基础设施。
  9. 寒武纪官网、海光信息官网：产品与软件生态；证券状态来自交易所/上市公司披露。
  10. 沐曦股份官网：股票代码688802、产品矩阵、MXMACA、服务器/超节点。
  11. 壁仞科技官网与官方上市文件：壁砺系列、BIRENSUPA、港股6082和2026-01-02上市日。
  12. 天数智芯官网与官方招股文件：天垓/智铠、DeepSpark、港股9903和2026-01-08上市日。
  13. 燧原科技官网：S60、TopsRider、云燧集群和官方客户案例。由于未上市，财务与估值公开信息有限。
  14. 腾讯公开行情接口：2026-07-27 11:07盘中参考价595.01元及市值快照；行情可能变化，非收盘数据。

12.2 数据口径与置信度

信息类型处理方式
财务、股本、发行、客户/供应商以招股书、年报、季报和上市公告为准；单位统一换算并可能四舍五入。
产品性能、集群MFU、模型适配标注为“公司披露/厂商口径”；未把不同测试条件的数据做直接排名。
市场规模采用招股书引用的弗若斯特沙利文预测，属于第三方预测而非实际订单。
未上市公司财务/估值没有监管文件支持时明确写“未公开/公开有限”，不使用媒体传闻补空。
估值为情景演示；盘中价格只是时点快照，不构成买卖建议。
免责声明：本报告用于投资研究学习，不构成证券研究报告、估值意见、收益承诺或任何买卖建议。作者不保证公开资料绝对完整；GPU产品迭代、制裁政策、客户订单和市场价格可能快速变化。投资者应结合最新交易所公告、公司披露、独立技术测试与自身风险承受能力作出判断。