【环球网科技报道 记者 李文瑶】算力正在成为一种新的“通用生产资料”。在2026世界人工智能大会(WAIC)期间,这一定位的转变成为诸多专家和企业家的共识。
“未来企业的竞争,就是你的Know how、数据、客户的竞争,如果把这些变成别人模型的知识,你的企业就失去了自己的特色。”摩尔线程创始人、董事长兼首席执行官张建中在“词元时代万物智能”分论坛上的这句话,精准击中了当下算力产业从“技术追赶”迈向“价值创造”的核心命题。当算力不再稀缺但“有效算力”依然昂贵的过渡期,如何系统性地降低从算力到生产力的转化成本,正成为决定产业走向的关键变量。
算力需求进入“Token指数”时代
张建中用“三个时代”阐述了AI演进的脉络:十五年前的感知AI,五年前生成式AI的爆发,到今天代理式AI(Agentic AI)的全面到来。
“今天***可以用AI,根本原因是Agent在替你干活,你只需发号施令。”他指出,Token消耗量的暴涨“不是一倍两倍,而是十倍百倍上千倍”,因为“已经不是我们在用AI,是我们的Agent在用AI”——智能体以远超人类极限的速度阅读、生成、理解与计算。
这一判断反映出算力需求的本质变化。前沿基础模型平均每两个月完成一次迭代,万亿参数模型从训练到推理的Token吞吐量呈指数级增长。算力行业正站在微妙的转折点上:单纯比拼单卡峰值算力的时代正在过去,如何将算力高效转化为Token产能,成为衡量基础设施价值的新标尺。
正因如此,张建中提出算力基础设施应进化为三类“AI工厂”:模型训练工厂——决定模型能力上限;词元生产工厂——决定应用成本下限;智能体生产工厂——决定AI与物理世界交互的深度。这一框架精准对应了算力产业从“卖硬件”到“卖产能”的范式转移。
“词元”是算力价值的最终体现
这一判断与学界和智库的观点相同。中国工程院院士、清华大学教授郑纬民在演讲中指出,算力基建的关键在于将每一份算力转化为高质量词元,三大“AI工厂”是算力基础设施的必然演进。在他看来,衡量算力基础设施的核心指标已不再是峰值算力数值,而是单位算力能够稳定、高效地产出的有效词元数量与质量。
国家信息中心大数据发展部副主任魏颖则从更宏观的产业视角补充了判断。她认为,算力基础设施是词元生产的物理底座,而作为算力核心的GPU决定了生产效率与成本。这一判断将GPU从单纯的“芯片”定位拉升到“国家算力基础设施核心组件”的战略高度——GPU的能效比、稳定性及软件栈成熟度,直接决定了全社会AI应用的边际成本。
当Token成为新的“经济单位”,算力产业的竞争规则正在被重写。这也指向一个核心共识:算力产业的最终价值,正在从“每瓦特算力”转向“每元Token产量”。
集群系统竞争取代单卡竞赛
算力行业正在经历的另一个重大变化,是从“单卡竞赛”转向“集群系统竞争”。随着大模型参数量从万亿级向更大规模迈进,集群的有效算力利用率、线性扩展效率、稳定训练时长等系统级指标,取代了单纯比拼算力数值,成为新标准。
摩尔线程公布的几组数据颇具信号意义:夸娥万卡集群线性扩展效率达95%,有效训练时长占比超90%,在MoE-236B模型训练中MMLU精度与国际主流计算卡持平。这意味着国产GPU集群已从“能用”进入“好用”阶段。
而集群竞争的下一步,在于互联架构的突破。目前,摩尔线程最新发布的MTT C256超节点架构首创一层Scale-up网络,摒弃了传统多层交换网络带来的带宽损耗与高延迟,在标准单宽机柜内实现128卡全互联,并柜扩展可达256卡极速互联,在2U空间内释放极限的单位面积算力密度。这一“计算与交换一体化”的高密设计,直指大规模智算中心建设中的核心痛点——随着集群从万卡向十万卡迈进,GPU之间的通信开销正在成为制约线性扩展效率的主要瓶颈。MTT C256通过极简互联拓扑,大幅提高GPU部署密度,为超大规模长稳训推集群打造了硬件底座。
更值得注意的是行业对异构计算的务实态度。摩尔线程推出的PD分离异构推理方案,将国产GPU用于Prefill计算池、国际主流GPU用于Decode生成池,实现了“3台国产卡+2台国际卡≈9台国际卡”的性价比提升。这种做法承认了多元算力共存的现实,也反映出算力行业正从“非此即彼”的阵营思维,转向“为我所用”的实用主义——这本身也是产业走向成熟的标志。
算力主权与产业智能化升级
张建中在演讲中多次强调的一个观点:企业应建立自己的AI能力主权。“有开源模型、私有数据、本地算力,这样AI就有自己的主权。”
在开源模型性能逼近闭源模型的当下,企业间的差异化竞争正在回归到“私域数据+行业Know how”的壁垒。张建中认为,如果将企业核心数据和业务逻辑直接交由外部通用大模型处理,“企业就失去了自己的特色”。这一判断正在推动越来越多行业客户寻求私有化算力部署——从金融、能源到制造业,行业专属大模型的落地需求正在爆发。
魏颖对此亦有呼应。她指出,算力基础设施是词元生产的物理底座,而GPU决定了生产效率与成本。在产业智能化升级的浪潮中,安全可靠、高性能的算力底座并非锦上添花,而是决定企业能否在AI时代保持竞争力的必要条件。
张建中在回应业界对国产算力“耽误时间”的顾虑时明确表示:“大家大可放心,国产大规模集群上搞模型训练今天已经做得很好了。而且摩尔线程随时可以为用户提供本地化服务,这肯定比国外公司做得更好。”这也正反映出,算力供应链的安全考量正从政策驱动转向商业驱动,客户开始算总账:国产算力的性价比优势加上本地化服务响应,正在改变企业级算力***购的决策模型。