国产GPU第一股摩尔线程发布上市后首份半年报：2026年上半年营收17.36亿元，同比增长147.42%，仅用半年就超过2025年全年；净利润亏损收窄95.73%，几乎抹平。作为国内唯一实现全功能GPU量产量销的企业，它已成为观察国产GPU商业化进程的重要样本。
上市后的首份半年报，摩尔线程交出的是一份"翻倍"成绩单：营收、毛利总额同比增速均超过100%，净利润亏损同比收窄超过九成。
数据取自2026年半年报，营收同比增长147.42%，毛利总额同比增长103.78%。
营收翻倍、毛利高增、亏损几乎抹平——但数字背后，藏着国产GPU更关键的三个转折。
国产GPU的发展，是一场从技术突围到生态构建、再到商业闭环的持续演进。大致可分为三个阶段，每一次跨越都伴随着标志性事件。
核心目标是解决"有没有"的问题。应用场景有限，尚未进入主流商业市场。
核心目标是解决"好不好用"——产品要能卖出去、被系统集成、进入真实算力场景。昇腾910、MTT S5000、曦云C500是代表性产品。
核心目标升级为大规模普及：落地超算、智算集群等核心领域，以规模化商用驱动盈利。夸娥智算集群是其中的代表性案例。
三阶段划分依据产品形态、应用场景与商业模式的变化，反映国产GPU从技术突围到商业闭环的演进路径。
今年3月，摩尔线程获得一笔6.6亿元的夸娥智算集群订单，金额接近其2025年全年营收的一半。这是国产GPU厂商跳出"低端替代"循环的直接证据。
通过模型训练、词元生产、智能体生产三大AI工厂战略，硬件销售正在升级为算力服务。
GPU行业有一种观点：芯片销售是一次性收入，生态则能带来持续回报。英伟达用近20年构建了CUDA的转换成本壁垒——迁移意味着重写软件、承担20%以上的性能损耗、数千万美元的支出。
国产GPU的生态，靠什么破局？
摩尔线程的策略是兼容CUDA，提供零成本迁移方案。MUSA生态已实现对CUDA的深度适配，并由此形成正向循环：
100%核心数学库兼容，3000+ PyTorch算子兼容，获得vLLM、SGLang等主流推理框架官方支持。
对DeepSeek、Kimi、GLM等主流大模型，均能实现发布即适配。
"AI未来·星火计划"覆盖全国200多所高校，吸引超10万名青年学子参与。
截至2026年上半年，MUSA生态开发者数量突破80万人，已领跑国产GPU阵营。但对比英伟达仍有明显距离。
GPU行业的技术密集型属性，决定了研发上"不进则退"。2025年，摩尔线程研发费用高达13.05亿元，占营收比重86.68%；2026年上半年，随着营收快速扩大，这一比例降至44.30%，但研发投入绝对值仍在增长。
研发占营收11.72%，2026上半年净利23.11亿，已进入规模化盈利阶段。
研发占营收44.30%，同比+38.16%，仍处于技术迭代与市场渗透的攻坚期。
两者研发投入绝对值相近，但所处阶段不同。这不是"谁更舍得花钱"的问题，而是高投入匹配高增长——在技术密集型的GPU行业，规模化商用只能靠高强度研发换取技术壁垒与客户认可，不能靠缩减长期投入换取短期利润。
截至2026年6月30日，摩尔线程累计申请专利2167项，其中发明专利申请2049项；累计获得授权专利788项，其中发明专利725项，稳居国产GPU企业前列。
国产GPU已越过"从0到1"的技术与工程化阶段，进入商业化深水区。但生态建设与高端性能追赶仍是长周期战役——真正决定终局的，是能否在"量产摊薄成本 → 规模提升毛利 → 毛利反哺研发"的循环中保持战略耐心。
基于全新「花港」架构，摩尔线程计划在年底前量产「华山」或「庐山」芯片：前者专注AI训推一体与万卡级智算集群，后者专攻高性能图形渲染，几何处理、AI计算、光线追踪性能分别提升16倍、64倍、50倍。
量产落地，是检验国产GPU商业化成色的下一个节点。