小讯AIGC

21世纪经济报道记者 董静怡近期，随着智谱华章、MiniMax与天数智芯、壁仞科技等企业密集登陆港交所与科创板，中国AI产业正式迈入了商业验证与规模化应用的新阶段。

然而，回到产业现实中，在英伟达构建的生态高墙下，国产芯片面临的“卡脖子”困境依然存在。部分已上市GPU公司股价在经历大幅上涨后出现明显回调，一定程度上也反映出市场对其商业化路径和长期成长逻辑的审视。

既然国产芯片在绝对算力上难以短期追平英伟达，那就从系统效率、场景贴合度上寻求超越。近期芯片企业和大模型企业的发布中，都在强调“国产适配”，即通过联合优化提升算力利用效率，加速大模型在各行业场景中的应用落地。

业内普遍认为，单点技术的突破不足以赢得这场竞争，生态的协同，尤其是模型与芯片的“双向奔赴”，正成为国产AI能否真正自主的关键。

生态困境：高墙与断点

从2023年生成式AI爆发算起，三年时间，中国在AI应用与大模型领域展现出了惊人的活力。千问、智谱GLM、阶跃Step系列等模型在多项基准测试中与国际顶尖水平并驾齐驱，DeepSeek、豆包等应用的日活用户数以千万计。AI正以前所未有的速度渗透进入金融、制造、教育、内容创作乃至个人日常工作的方方面面。

但繁荣的应用层之下，承载这一切的算力基石，却长期笼罩在“英伟达依赖症”的阴影中。“Hugging Face上有200万个模型，而顶尖国产GPU能顺畅支持的只有几十到几百个；99%的中国AI应用仍建立在英伟达的体系之上。”范式智能创始人戴文渊在一场行业会议上表示。

英伟达CUDA生态经过近二十年的发展，已构建起从底层驱动、编译器、库函数到上层框架的完整栈，并沉淀了海量的优化算子、工具链和开发者经验。全球数百万AI开发者在这个体系中学习、工作、创造。迁移成本，不仅仅是重写代码，更是对一整套知识体系、工具习惯和工作流的颠覆。对于追求敏捷创新的AI公司而言，这种不确定性是难以承受的。

此外，AI模型架构本身仍在快速演进，一位芯片行业从业者向记者表示，从Transformer到可能出现的下一代基础架构，芯片设计需具备足够的弹性与前瞻性。一旦技术路线发生突变，专用芯片可能面临“刚量产即过时”的风险。在这方面，由于与全球最前沿的模型研发紧密绑定，英伟达的动作总是更快的。

生态的贫瘠，让国产芯片即便做出产品，也容易陷入“有芯无用”或“为适配而适配”的泥潭。一位资深芯片投资者向记者指出：“很多国产GPU宣称达到了英伟达某款芯片百分之几十的性能，但客户真正关心的是，我的模型能不能无缝跑起来？开发成本会不会激增？长期运维会不会很难？”

因此，国产芯片长期被困在了一个“负向循环”里：因为生态不佳，所以用的人少；因为用的人少，反馈和迭代慢，生态更难以改善；同时，因为出货量有限，难以摊薄高昂的研发与流片成本，导致芯片单价居高不下，性价比缺乏竞争力。

“很多企业采购国产芯片，还是出于Plan B的考虑。”戴文渊观察道。

双向奔赴

困境之中，转机正在萌芽。

当前，AI的发展正处在一个关键节点之上，AI算力需求的重心，正从一次性的、集中的“训练”，快速转向持续性的、分散的“推理”。几乎所有接受采访的行业人士都指向了这一明确趋势。

随着推理模型成为主流，其规模化应用面临实时性、成本与能效的核心挑战。模型与算力的深度协同正成为应对这一挑战的关键路径。

燧原科技创始人、董事长兼CEO赵立东此前在一场论坛上表示，国产AI芯片厂商面前有两座大山，一是高端芯片制造，二是生态。模型和芯片合作正是在解决生态的问题。

这并非简单将模型部署于硬件，而是通过从芯片架构、编译优化到模型设计层的全栈协同，实现效率的本质提升。

对国产芯片而言，推理时代的来临，打开了一扇差异化竞争的窗口，国产芯片正积极向国内大模型靠近。

曦望联席CEO王勇向记者表示，以DeepSeek为代表的国内大模型公司，已经开始走出与美国不同的技术路径，例如MoE（混合专家模型）架构、EP（专家并行）与PD（流水线并行）分离的部署方式。“这些变化牵引着中国大模型的发展，我们必须第一时间去适配这些新特性。”

与此同时，中国的模型公司也开始主动转身，向国产算力靠近。

去年7月，大模型企业阶跃星辰联合近10家芯片及基础设施厂商发起“模芯生态创新联盟”，旨在打通芯片、模型与平台之间的技术壁垒，通过联合优化提升算力利用效率，加速大模型在各行业场景中的应用落地。

日前，阶跃星辰发布了新一代开源Agent基座模型Step 3.5 Flash，包括华为昇腾、沐曦股份、壁仞科技、燧原科技、天数智芯、阿里平头哥在内的多家芯片厂商，已率先完成适配，通过底层联合创新提升模型适配性和算力效率。

此外，对于大厂来说，也在通过双向适配的路径提升竞争力。

阿里巴巴的“通云哥”战略就是一个案例，据悉，阿里巴巴已将“真武”PPU大规模用于千问大模型的训练和推理，并结合阿里云完整的AI软件栈进行深度优化。这套逻辑的核心在于，通过从模型、云平台到芯片的垂直整合，实现架构级的统一优化，从而在效率与成本上构建系统性优势。

腾讯则采取了另一种策略，自身聚焦“云+模型”（腾讯云与混元大模型），同时通过资本深度绑定和支持像燧原科技这样的专业芯片公司，形成紧密的产业联盟。

无论是创业公司的场景聚焦与深度协同，还是大厂的全栈整合，共同的目标都是把成本打下去，实现AI的规模化应用。这是一场需要时间、协作与战略定力的漫长工程。

能否把握这一轮场景落地的机会，将短期适配转化为长期协同演进的机制，将决定未来中国AI算力自主的深度与广度。