“超节点只是表象，下一代算力竞争为何集体走向系统？”
作者丨陈悦琳
编辑丨包永刚
“都是超节点。”这是2026世界人工智能大会（WAIC）上算力公司给参会者最深的印象。
算力公司集体展示超节点，代表的是推理时代AI算力的竞争焦点已从单颗芯片性能延伸至芯片、互联、软件和系统的整体协同。
这也是雷峰网与12家AI芯片及基础设施企业高管对话后，收获的第一个共识。
一致的判断还包括AI主流工作负载正从训练转向推理，Agent是这种转变的核心因素。此外，多家企业认为产品已经从技术演示进入商业验证阶段。
01
一直低调的芯片公司也亮相WAIC
这些共识，也解释了国产芯片企业为何集体选择在今年亮相2026WAIC。
“因为产品真的准备好了。”连续参展多届的清微智能副总裁陈逸伦解释，一方面推理为主的市场空间足以容纳多家企业；另一方面国产算力的软件生态和落地能力经过几年的积累，已经到了可以面对市场检验的程度。
他还注意到今年展商们重点比拼的也不再是算力参数，软件生态、落地规模、客户实测数据成为关键。
“问落地、问成本、问供货的明显多过问峰值参数。”在现场的东方算芯市场部部长徐子鸣也有着最直接的感受，前不久他们刚发布第一代产品。在参观其他展位时，他还发现大家都在强调从芯片到整机的全链条国产化。
接待不少到访的政府领导时，爱芯元智边缘&终端计算业务总经理刘瑞聚常遇到的提问也是“芯片是否为国产自研”。
面对国产替代这一不可逆的趋势，奇异摩尔网络技术副总裁叶栋强调，正是推理时代让国产芯片有了与海外巨头同场竞技的机会。
对此，摩尔线程副总裁马鉴总结：“国内AI产业正处于黄金机遇期，中国有很好的政策和应用的土壤，行业格局呈现‘百花齐放’的状态。”
专注存算一体技术的后摩智能便是其中一家。后摩智能战略生态副总裁杨大卫告诉雷峰网，今年展会上存算一体、光子计算相关产品和方案的曝光量大幅提升，这意味着困扰AI算力产业多年的“存储墙”瓶颈已成为全行业共识性难题。
打破冯·诺依曼计算架构限制，正在成为行业核心创新方向之一。
02
信号：Agent、架构创新、系统与生态
浪潮和挑战接连涌来，拥有不同技术路线和经营目标的企业又最想对外释放哪些信号？
作为当前炙手可热的AI应用形态，Agent正在打开更多想象空间。
爱芯元智观察到并不是所有中小企业都有能力自建云算力等现象，希望让每一个企业都能在本地部署自己的AI Agent；
此芯科技提出“Agentic Compute（智能体计算）”，试图构建覆盖端、边、云的全域算力底座。
当传统芯片性能的提升路径遇到瓶颈，架构创新成为突破口之一。
东方算芯强调“换道突围”，选择“14nm≈4nm”的成熟工艺和“软件定义+3D近存计算”的架构创新。
后摩智能体会到大量AI原生应用即将爆发，采用存算一体作为破解“高性能、低功耗、低成本”三角矛盾的根本路径。
算力竞争也在同步升维，系统建设成为不少企业锚定的主战场。
摩尔线程强调“模型训练”“词元生产”“智能体生产”三大工厂，希望回应当下AI发展算力需求并进行针对性布局；
奇异摩尔把今年定义为“超节点元年”，表示互联已经从配角变成AI基础设施的核心命脉；
昆仑芯进一步延伸，表示超节点更重要的价值在于让每一张卡都发挥更高效率，使得客户以更低成本、更快速度建设和运营大规模算力中心。
更长远的竞争力还有赖于构建生态。
安谋科技从横向扩展，借由开源AIOS联盟指明未来AI计算底座需由多方协作共建；
清微智能有意将技术、产品、应用生态先后进行展位布局，直言“生态”不是营销概念，而是真实的技术部署；
天数智芯从时间维度给出类似的判断——行业短期看产能、中期看产品、长期看生态；
奕行智能用开源定义算力，发布业界首个RISC-V AI算力超节点，希望用开放指令集和统一软件栈解决行业“一卡一软件”的碎片化困局。
这并非此次WAIC的全部答案。围绕云边端场景的技术热点、国产芯片格局及核心竞争力等行业议题，我们试图继续从参展WAIC的算力企业高管那里，找到AI算力演进方向的更多线索。
03
云端算力的下一代基本单位，为什么是超节点？
从概念的抛出到国内的全面铺开和生态共建，AI时代的“超节点”（SuperNode）只花了两年时间。
2024年GTC大会上，英伟达首次将72颗GPU连接成一个高度耦合的计算单元，推出面向AI时代可量产的超节点GB200 NVL72。
随后，国内厂商逐步跟进。以2025年WAIC华为昇腾384超节点真机的线下首展为节点，国产算力逐步释放走向系统层级的信号。
一年后，华为在WAIC 2026上展示了1024卡昇腾950超节点。但这一次超节点不再只是少数厂商的专属故事，而是成为一批国产芯片企业可以同台展示的技术路径。
单芯片的商业地位让位于系统的背后，到底预示AI算力产业的游戏规则发生了哪些根本性地转变？
摩尔线程副总裁 马鉴
WAIC超节点的集中亮相与跨界合作，不仅是技术架构的升级，更是AI算力产业在系统级竞争下的必然选择，标志着国产算力正实现系统级的跨越。具体而言，主要体现在以下几个核心演进方向：
——竞争逻辑从“拼单卡”转向“拼系统”。目前来看，衡量AI算力产业的真实水位，不仅包括模型参数，更是包括Token调用量。竞争核心不再是单一芯片的峰值算力，而是整个计算系统能否以更低的单位成本、更高效率稳定地生产智能。
超节点通过高速互联将数百至数千颗芯片整合为单一算力池，打破了传统集群的内存墙和通信墙，标志着国产算力从单点突破转向系统架构创新。
——研发模式从“单打独斗”走向“系统化联合共建”。随着大模型向万亿参数演进，算力集群已演变为涵盖算、存、网、电、冷、管、软等多维度的复杂系统工程。这使得单一厂商难以在每一个环节都做到极致。
因此，产业研发模式正从过去的各自为战，加速转向跨企业的联合开发。
——价值评估从“硬件参数”转向“Token经济”。客户购买的不再仅仅是单颗芯片，而是从芯片、服务器、互联到集群运维的一整套解决方案。TCO（总拥有成本）、单位Token成本、集群训练效率、推理并发能力等系统级指标成为新的定价锚点。
AI基础设施正在从科研工具变为全行业通用基建，产业重心也从训练转向推理，进入Token工厂时代。
——交付能力从“可用”迈向“全栈闭环”。AI硬件竞争已跨越了单卡比拼的初级阶段，进入了能否交付完整基础设施的新阶段。企业不仅要提供芯片，还要具备从芯片设计、先进封装、整机部署、液冷散热到软件平台调优的全链路闭环能力。
谁能把芯片、互联、软件、能源和客户需求组织成高效稳定的系统，谁就能在下一阶段的算力重组中占据制高点。
从芯片到系统，云端AI算力的竞争持续升维。但并非每一种系统形态都能命中市场需求。
超节点被“重仓”，不只是体现了厂商对更大规模算力的追逐，更本质的原因还在于低延迟、实时交互等一系列推理需求，倒逼AI基础设施的升级从传统Scale-out模式转向更紧密的Scale-up组织方式。
沐曦股份联合创始人、CTO兼首席硬件架构师 彭莉
超节点并非训练的必要条件。训练的计算和通信都属于粗粒度模式，计算时间长，通信可以被隐藏在计算后面，几乎感知不到通信带来的影响。因此，使用Scale-out网络已经足够。
超节点之所以在推理时代成为关键，根源在于应用侧的驱动。爆发式增长的推理需求对低延迟高度敏感，而超节点的本质就是在芯片之间构建高速互联通路，能够直接降低通信延迟，从而提升推理效率。今年Agentic AI的兴起更是进一步放大推理需求。
新的智能化时代必然带来一轮产业洗牌，新的产品形态会不断涌现。这也是为什么大量公司开始投入这一方向——关键在于谁能快速抓住产业机会。
此外，超节点加速落地的另一重要原因在于协议正在逐渐收敛。原先大家基本都是直连，在一个节点内GPU和GPU之间形成全互联，本质上是自己跟自己通信。
因此可以说超节点有点像语言，过去大家各讲各的方言，现在GPU厂商、交换机厂商都愿意讲普通话。当通用协议开始出现，整个产业的统一就变得顺理成章。
超节点的系统级建设必然伴随复杂度的提升。当一套算力系统同时涉及芯片、互联、软件、存储和工程部署等多个环节时，单一企业的能力边界正在被重新定义，开放合作不失为一种产业选择。
奇异摩尔网络技术副总裁 叶栋
超节点从“各家秀肌肉”走向“合作共建”，我认为是 AI 算力产业从“单点竞争”迈向\"生态协同\"的重要标志。
这一变化首先反映了产业对“算力即系统”的深度共识——超节点的本质不是把更多芯片堆在一起，而是要实现计算、存储、网络的多维协同。单一企业很难在芯片、互联、软件栈等每个环节都做到极致，开放合作是必然选择。
其次，它也说明国产算力生态正在从“各自为战”走向“互联互通”，不同厂商的超节点开始寻求标准对接和资源共享，这对降低用户迁移成本、加速应用落地至关重要。
从产业演进方向看，我认为有三条主线：
第一，超节点本身从训练专用向“训推一体”演进，推理负载占比将持续提升；
第二，超节点建设模式从封闭走向开放，行业标准正在形成，跨厂商的算力互联将成为常态；
第三，超节点的竞争焦点正从“规模有多大”转向“效率有多高”——互联带宽利用率、通信延迟、PD分离效率等系统级指标，将决定超节点的真实商业价值。
清微智能副总裁 陈逸伦
关于合作建设超节点，我认为这反映了两个重要趋势。
第一，超节点的构建是产业链上下游协同的结果，绝非芯片企业一己之力所能完成。芯片企业提供核心算力，专业服务器厂商负责整机设计与制造，交换机厂商提供网络互联方案——各方能力互补，只有通过紧密合作，才能更快地推出可规模化部署的超节点产品。
第二，产业正从“各自为战”走向“生态协同”。国产算力产业要真正具备竞争力，不能依赖单一企业，而是需要整个产业形成合力。各家企业开发的超节点也不应彼此割裂。
未来要组建更大规模的算力集群，不同厂商的超节点之间必须实现互联互通，这就要求行业共同建设开放的互联互通协议，避免形成新的算力孤岛。
奕行智能高级副总裁 吕剑飞
这反映了三个积极变化：
第一，产业链分工正在成熟。中兴OEX联合多家芯片公司打造开放超节点，说明行业已经认识到超节点是一个需要全产业链协同的大工程。芯片公司聚焦算力，设备商聚焦整机和交换，各展所长、开放协作。
第二，正交无背板正在成为电互连超节点的重要技术方向。本届WAIC上，多家厂商都采用了正交架构，因为它在信号完整性、部署成本和运维便捷性方面有显著优势。奕行智能同样采用正交无背板设计，差异在于我们的底层是RISC-V开放指令集——架构选择趋同，指令集路线独有。
第三，超节点从“能做多大”转向“能多快落地”。大家不再只是讲参数，而是关注液冷方案、机房PUE优化、运维便捷性等实际部署问题。这说明行业在从“技术验证”迈向“规模商用”。
无论是单点建设还是生态共建，超节点要想真正实现规模化落地，关键需要厘清什么决定系统能力的上限和商业化成本的下限。
东方算芯市场部部长 徐子鸣
去年还在讲概念，今年大家都明确了超节点的核心是统一内存编址和低时延互联，目标是让大规模芯片像一台计算机那样协同工作。
而当前超节点建设要突破的问题主要有三个：
一是互联带宽和时延的物理瓶颈；二是大规模集群的调度效率和软件栈成熟度；
三是大规模系统的稳定性、故障隔离和运维工程化。
补充一点，系统级性能不能只靠堆规模。单芯片本身的有效算力提上去，集群的整体效率才会更高，架构层面的突破和系统层面的优化是相辅相成的。
后摩智能战略生态副总裁 杨大卫
超节点的迭代模式变化，本质是AI算力产业从单一芯片竞争，升级为全系统能力竞争。
前两年超节点是头部企业的硬件展示窗口，核心是比拼芯片堆叠数量、峰值算力，属于单纯的“秀肌肉”。
而今年行业普遍走向联合共建、协同优化，核心原因是行业达成共识：超节点的核心竞争力从来不是“堆卡规模”，而是组网效率、通信优化、算力调度能力。
与此同时，超节点的功能定位也在迭代。从过去的“训练专用”，转向“训练+推理”双适配、重点优化推理场景。
针对推理业务高并发、低时延、碎片化的特点，超节点的架构设计、通信机制都在针对性升级，适配规模化推理落地需求。
这里有一个行业普遍忽略的核心逻辑：系统优化的天花板，由单芯片能效比决定。
即便超节点组网、调度优化做到极致，如果单芯片的能效存在数量级差距，整体算力TCO（总拥有成本）依然无法优化。
这也是今年大量新型架构芯片集中涌现的核心原因——产业已经认清，只有从底层架构提升单芯片能效，才能从根本上解决超节点规模化商用的成本难题。
值得注意的是，当前已然成为共识的超节点建设并没有标准答案：扩展规模从百卡到万卡各有主张，组网架构也在芯片原生直连与交换网络之间进行权衡，互联技术还在电到光的演进中寻找最优解。
有关国产超节点的技术路线选择、产业进展以及背后的工程挑战，欢迎添加作者微信Evelynn7778交流。
04
端侧AI爆发前夜：五个核心突破方向
云端推理在用超节点应对挑战，边缘和端侧AI又如何推动AI爆发？
自2017年华为、苹果先后在手机SoC集成AI加速硬件以来，端侧AI首次具备专门的算力基础。但彼时承载的更多还是视觉、语音等相对固定专用的小模型。
随着大语言模型、多模态模型不断成熟，AI开始具备理解、规划和执行复杂任务的能力，Agent等新应用形态进一步推动AI从“回答问题”走向“完成任务”，边端侧的商业化形态随之扩展。
云边端之间的计算分工也因此被重新定义，但这并不等同于三者此消彼长。
清微智能副总裁 陈逸伦
云端推理和边端推理不是“先有云再有边”的顺序关系，而是两个平行发展的赛道。清微本身就是“边云协同”布局。
随着AI智能体的发展，边端推理的需求会越来越明确——智能体需要低延迟响应，必然要求部分推理在边端完成，而不是全部上云。这会拉动边端芯片的需求增长。
平行发展意味着优化目标的不同。越靠近云端，越着重承担规模化推理和统一调度；越靠近应用侧，越强调低时延、本地部署、数据安全和低功耗等。
基于后者不同的能力组合，哪些场景将率先走向规模化落地，各家企业给出的答案不尽相同。
摩尔线程副总裁 马鉴
从云端向边端的跨越，本质是AI从云端大脑向泛在工具的演进。具体到场景，我们认为AI办公或者开发硬件、具身智能机器人、智慧家庭这几类场景是可能率先爆发的。这也正是摩尔线程目前正在布局的。
后摩智能战略生态副总裁 杨大卫
今年WAIC现场，大量智能终端、对话机器人、具身智能设备的量产落地应用，已经实现了大模型端边本地运行，边端推理的产业浪潮已经开启。
天数智芯副总裁 宋煜
目前边端最成熟的刚需主要集中在工业质检、智能安防、智能驾驶等低时延、本地化场景，具身智能则是增长潜力最明确的新方向之一。
传统视觉应用已经具备一定规模基础，但VLM、VLA等新一代模型要进一步规模化落地，仍需沉淀行业know-how，并在软硬件接口、模型部署、可靠性与安全等方面形成标准化方案，降低项目化适配成本。
具身智能、AI PC、自动驾驶、安防等领域已成为多家企业眼中的重点落地方向。但距离真正的大规模普及，边端推理还需要跨越怎样的时间窗口？
奇异摩尔网络技术副总裁 叶栋
我认为边端推理在特定场景已经起量，比如智能驾驶、安防监控等实时性要求极高的领域，但真正意义上的大规模泛化普及，大概还需要2到3年的时间窗口。
奕行智能高级副总裁 吕剑飞
技术条件正在快速成熟，但“场景-成本”的正向循环还需要一点时间。
我们判断2027年将是边端推理的起量元年。RISC-V在端侧有天然优势——低功耗、可定制、成本灵活——这与边端场景的需求高度匹配。
要走过爆发的前夜，端侧AI还需要从哪些方向突围？雷峰网和算力公司的高管们聊完之后，发现答案出奇地一致。
一颗更适配端侧的专用AI芯片。技术维度包括存算一体等计算架构、Chiplet等先进封装、专门优化的软件栈等。
一个真正打开市场的杀手级应用（Kill App）。
一个能跑在边端的大模型。轻量化手段包括蒸馏、量化、剪枝等。
一套打通云边端的协同体系。不只是算力的调度，更涉及软件栈的统一、通信范式的更新。
一道数据安全防线。端侧意味着数据留在本地，但如何让用户真正信任这一点，还需要行业标准与合规体系来兜底。
最底层的AI芯片仍是首要驱动。谁能真正满足下一阶段AI应用需求，可添加作者微信Evelynn7778一起追踪。
05
集中亮相的国产芯片，眼中最强的四张底牌
大模型训练时代几乎定义了过去几年AI芯片的发展方向——更强的算力规模、更大的显存容量和更快的集群效率。
但据德勤数据统计，AI时代的重心正在发生偏移，到2026年推理预计将占所有AI计算量的三分之二。
当推理逐步成为算力消耗的主力，商业选择也随之出现分化：一部分仍在探索训练算力的持续突破；另一部分关注Token成本，希望以最具性价比的模式支撑规模化调用；还有企业认为特定场景下用户愿意为更高质量服务支付溢价。
于是，通用GPU不再是唯一的解，更多专用架构芯片接连现身；芯片之间也开始互通有无，思考如何发挥更强的性能。
与此同时，AI计算从云端到边缘和端侧，不是简单复制或简化云端架构，而要在功耗、实时性、隐私和成本约束下实现AI的规模化落地。
在此背景下，几乎所有企业都认为国产AI芯片的发展阶段已从“有没有”逐步过渡至“好不好用”。那国产芯片的格局又将如何演进？
爱芯元智边缘&终端计算业务总经理 刘瑞聚
关于未来格局，我认为会呈现“多路线并存、场景驱动”的态势。
云端大算力领域会有几家头部企业形成主导，但不会是一家独大；
端侧和边缘侧会更加百花齐放，因为场景极度碎片化——机器人、手机、汽车、工业、农业，每个场景对算力、功耗、成本的要求都不同，没有一款通用芯片能通吃所有场景。
架构创新会持续涌现，国产芯片正跳出单一制程追赶的传统路径。我们爱芯元智的定位非常清晰——聚焦端侧和边缘侧的垂直场景，做高能效比的专用芯片和解决方案，这也是一条验证过的可行之路。
而我们近期成立的全资子公司“爱芯计算”也将从AI芯片供应商延伸至AI计算平台，针对具身智能、智慧零售等场景提供边端AI推理解决方案。
东方算芯市场部部长 徐子鸣
当前处于路线分化期，早期大家路径相对趋同，现在各家的技术特色和定位越来越清晰，有做通用GPU的，有做专用芯片的，也有我们这样走近存计算路线的，不再挤在同一条赛道上。
未来格局大概率是多元并存。对中国市场来说，多路线并存既是必然，也是安全需要。
后摩智能战略生态副总裁 杨大卫
展望未来，全球AI芯片市场会形成国际厂商与国产厂商双雄并列的稳定格局。国内市场不会出现一家独大的局面，最终会沉淀出3-5家拥有核心技术、成熟生态、规模化落地能力的头部企业，凭借差异化架构、场景化能力瓜分市场。
天数智芯副总裁 宋煜
今年的核心变化是AI的发展从技术演示走向真实生产场景，行业关注的重心也在发生变化：不只是模型能力本身，也不只是算力资源的供给，而是能否将模型能力稳定、高效、经济地转化为长期可用、可规模交付的智能服务。
这不仅要求更高的算力，也要求正确性、稳定性、可恢复性、可观测性等生产级能力。此外，AI算力解决方案的发展也相应进入了“好不好用、能不能规模用”的新阶段。
关于未来发展，我们认为核心在于“回归计算本质”，用高效率、可预期、可持续的“高质量算力”赋能智能社会。
奕行智能高级副总裁 吕剑飞
未来格局上，我们认为不同架构会在不同场景下各有优势。GPU、NPU、RISC-V DSA并非互相替代，而是互补。
RISC-V的核心特点是开源、可定制、不依赖指令集授权费——这让它在需要高度自主可控、或需要针对特定工作负载深度定制的场景中，具有独特价值。
作为业界首个RISC-V架构超节点的提出者，我们很乐意看到多种技术路线共同繁荣，最终受益的是整个中国AI产业。
谁能成为特定领域的头号玩家，谁又是百花齐放中的种子选手，在技术和商业底色各不相同的背景下，取决于各家企业构建的护城河。
在了解企业对核心竞争力的理解以及它们最看重的指标后，我们发现答案各有侧重，大致呈现以下四个维度：
丨未来AI芯片竞争不是寻找一颗万能芯片，而是围绕不同场景寻找最优解
爱芯元智边缘&终端计算业务总经理 刘瑞聚
我认为核心竞争力体现在四个维度：场景理解与定制能力、能效比、软件栈与生态、数据安全与合规能力。
如果说哪一方面最为关键，我认为是“场景理解与定制能力”。原因很简单——推理不是一个标准化的产品，而是一个场景化的服务。
云端训练可以标准化，大家都用差不多的GPU跑差不多的框架；但推理千差万别，机器人的推理、手机的推理、会议机的推理，对芯片的要求完全不同。
“通用芯片打天下”的时代已经过去了。未来属于那些能够深入理解场景、针对场景做深度定制、并在场景中持续迭代优化的企业。
能效比是硬指标，软件栈是护城河，数据安全是敲门砖，但只有场景理解能力，才能把这一切整合起来，转化为客户真正需要的价值。
这正是爱芯元智一直在做的事情——不为做一个“万能”的芯片，而为每一个具体场景打造“最合适”的解决方案。
单Token成本将成为推理时代衡量AI芯片商业价值的核心指标
清微智能副总裁 陈逸伦
推理时代，AI芯片企业的竞争力我觉得体现在四个维度。
第一是单Token成本。训练可能只做几次，但推理会发生亿万次；AI智能体一个任务还会连续触发规划、搜索、模型调用和工具执行。客户关心的不仅是峰值算力，更是响应速度、吞吐量、单Token成本。这是最直接的竞争力。
第二是软件生态。再强的芯片没有软件生态也是一块砖铁。客户迁移成本高不高、模型适配快不快，决定了芯片能不能真正用起来。
第三是落地能力。芯片不是做出来就算完了，要能交付千卡级集群、能在智算中心稳定运行、能服务真实行业客户。
第四是降本能力。像清微主要从架构、互联和低精度三个维度实现降本。
如果要选一个最关键的，我觉得是单Token成本。其他三个维度最终都会体现在这个指标上。
软件生态好，迁移成本就低，模型跑得快，Token成本就低；落地能力强，集群效率高，Token成本就低；降本能力强，硬件成本和运营成本都低，Token成本就低。
未来推理需求会远远超过训练，单Token成本是行业竞争的终极标准。
丨软硬协同满足低成本和高效率的推理需求
后摩智能战略生态副总裁 杨大卫
在推理需求主导的新产业阶段，AI芯片企业的核心竞争力体现在以下几大维度：芯片极致能效性能、完善的软件生态、稳定的量产与供应链能力、深度的场景落地理解能力等。它们相辅相成，决定企业的长期发展上限。
其中，极致能效性能是第一核心竞争力。推理的本质是商业化经济性问题，行业客户的核心诉求是“更低的成本、更高的效率”。
芯片能效比直接决定了客户的推理成本、项目TCO，也直接决定了客户的商业模式能否跑通，是产品能否落地的基础前提。
而软件生态是决定企业能走多远的核心壁垒。硬件性能可以快速迭代，但编译器、开发工具、模型适配、开发者生态需要长期打磨积累。
在硬件性能趋同的行业阶段，完善、易用、成熟的软件生态，才是拉开行业差距、锁定客户、实现规模化落地的核心关键。
奕行智能高级副总裁 吕剑飞
真正的竞争力体现在五个环节的协同：
一是芯片架构效率——是否原生支持低精度推理，是否通过Tile级调度减少无效算力消耗；
二是互联效率——多卡推理时，芯片间通信不能成为瓶颈；
三是软件适配效率——主流大模型能否快速、低成本地迁移部署；
四是部署运维效率——液冷方案、PUE、机房兼容性；
五是供应链安全——全链路自主可控，保障长期稳定供应。
在这五个维度中，我们认为最核心的是“架构自主乘以软件生态”的交叉能力。这也是奕行智能投入最多的方向——RISC-V开源指令集提供架构自主的底座，VISA虚拟指令集和EVACA软件栈让这个底座真正高效可用。
丨决定AI芯片竞争力的不再只是单颗芯片性能，而是系统级效率。
此芯科技
当前AI芯片企业竞争力主要体现在场景化硬件能效、全栈软件体系、行业交付落地、开放生态协同四个维度，其中最为关键的是生态。
以Agentic Compute智能体计算为例，这不是一颗芯片的单打独斗，而是芯片、操作系统、开发工具、模型生态、行业伙伴的协同作战。只有打通上下游完整生态链路，才能降低智能体本地化部署门槛，真正释放端边云全域算力的商业价值。
昆仑芯
首先是芯片架构。需要针对推理场景不断优化，在计算效率、存储带宽、互联能力、能效等方面取得更好的平衡。
第二是系统能力。今天客户采购的不再是一张卡，而是一套能够稳定运行的AI基础设施，因此超节点设计、集群部署、高速互联、稳定性和运维能力都非常重要。
第三是软件生态。模型适配速度、开发工具、编译器、推理框架等都会直接影响客户的开发效率和使用成本。谁能够更快支持最新模型、更快完成部署，谁就更有竞争优势。
第四是规模化交付能力。AI产业已经进入应用落地阶段，客户更加关注产品是否能够稳定量产、快速交付，并支撑长期运行。
如果说最关键的一点还是系统级能力。未来客户关注的不是单项指标，而是每投入一份算力成本，能够获得多少有效Token产出，能否稳定支撑业务增长。能够持续提升整体系统效率、降低AI应用成本的企业，才会形成真正的竞争优势。
摩尔线程副总裁 马鉴
从推理的维度来看，推理要求的是极致的性价比，AI芯片企业的竞争力体现在多个维度，包括系统与集群能力、软件生态与易用性、产品迭代与供应保障、对场景的理解与客户深度合作等等。
芯片是基础，但用户最终购买的是可落地的算力能力。谁能以更低门槛、更高效率和更优总体成本，帮助客户将模型真正部署到业务中，谁就更有长期竞争力。
沐曦股份联合创始人、CTO兼首席硬件架构师 彭莉
相较于变化快的模型结构，芯片迭代慢——设计一年、生产大半年、软硬件调试又要两三年。在这种节奏下，适配的关键在于预判。
从芯片设计角度出发，像沐曦通常遵循预研一代、在研一代、在售一代的节奏。预研必须紧贴模型演进的前沿。这意味着，做好芯片只是基本功，更重要的是对产业走向有前瞻性判断。
推理时代决定竞争力的核心是系统方案。从制造端看，系统研发效率必须大幅提升。以超节点设计为例，当前其涉及的PCB、联调等环节，要耗时十几个月才能完成设计验证。而一颗集成了上百亿晶体管的芯片也只需要一年左右。硬件产业链必须加速迭代，否则永远赶不上软件的演进速度。
天数智芯副总裁 宋煜
这个行业短期看产能，中期看产品，长期看生态。在推理需求持续增长的背景下，“生态”仍是决定长期格局的关键点。同时，“产品”维度的竞争焦点已发生转移。
具体展开来看：
第一，短期看产能——这是市场爆发期的入场券。推理需求走向规模化商用，意味着芯片的稳定供货、良率提升和交付能力直接决定企业能否抓住窗口期。
第二，中期看产品——大模型应用正从单轮问答向Agent智能代理、长上下文交互、多模态生成及复杂推理演进。
推理场景对GPU的需求已不再局限于峰值算力，而是转向更高的Token产出效率、更低的响应延迟，以及对MoE、长上下文、多模态等不同模型结构更强的适配能力。
更重要的是，推理是持续运行的成本中心，客户最终关心的是在TTFT（Time To First Token，首Token生成时间）、TPOT（Time Per Output Token，单Token生成时间）等服务指标约束下的单位有效Token成本、QPS（Queries Per Second，每秒请求数）成本和系统综合TCO。
因此，芯片企业必须在架构设计上重视效能和单位成本下的有效吞吐，而非单纯追逐算力数字。
第三，长期看生态——GPU不是一个孤立的产品，背后是一套由芯片、互联、整机系统、软件栈和合作伙伴共同构成的生态。
通用GPU的长期价值不仅来自单颗芯片的性能峰值，更在于构建一个通用、好用、易用、能够持续演进的软硬件生态。
在推理增长的背景下，尤为值得注意的是以下两个方面：
一是系统级协同优化能力。在大规模推理集群中，单卡峰值算力并不等于集群的实际输出能力。
真正影响系统效率的因素包括Prefill与Decode资源的合理配比和请求调度、KV Cache传输效率、芯片间互联的带宽与时延、HBM容量与带宽、NIC与Switch的有效带宽、拥塞控制和通信拓扑，以及集群级的任务调度、监控和运维能力。
这意味着，芯片企业必须具备“从单卡到集群、从硬件到软件栈”的全栈协同优化能力。
二是开发者生态。包括对主流框架的原生支持、算子库的丰富度、编译器及调试工具链的成熟度，以及开发者社区的长期建设。只有持续降低模型迁移、应用开发和规模部署的门槛，GPU生态才能形成真正的长期竞争力。
奇异摩尔网络技术副总裁 叶栋
在推理时代，AI 芯片企业的竞争力已从“单卡算力”这个单一维度，扩展为算力效率、互联效能、软件生态、场景适配、成本优化五个维度的系统级比拼。
算力效率是基础——推理对每瓦性能、每美元性能的要求远高于训练；软件生态决定开发者愿不愿意用、好不好用；场景适配考验芯片能否在多样化推理负载中灵活调度；成本优化则关乎大规模部署的商业可行性。
但如果问我哪一方面最为关键，我会说是互联效能。
因为推理时代的核心特征是分布式、高并发、细粒度通信——MoE架构的专家并行、PD分离的跨节点调度、多模态推理的数据流交换，无一不依赖低延迟、高带宽、确定性的互联能力。
互联效率每提升一点，整个集群的有效算力就能放大数倍；反之，互联成为瓶颈，再强的单卡也只能“空转”。
在推理需求持续爆发的当下，谁能在系统级互联上建立优势，谁就能在真实业务场景中跑出真正的竞争力。
作者长期关注AI芯片上下游，更多国产芯片技术新进展和落地情况可添加微信 Evelynn7778 探讨。
杨方配资提示：文章来自网络，不代表本站观点。
