国产芯片不够好用？郑纬民院士直指关键瓶颈

随着人工智能应用加速落地，如何降低国产算力使用成本、提高大模型推理效率，成为产业关注的焦点。

10月31日，在北京举行的2026人工智能+大会上，中国工程院院士、清华大学计算机科学与技术系教授郑纬民表示，国产算力面临的挑战不仅在于芯片硬件性能，更在于软件生态及实际使用成本。当天，趋境科技联合智谱（02513.HK）、摩尔线程-U（688795.SH）发布国产异构推理高品质AI Token工厂解决方案，探索通过不同类型芯片协同计算，提高大模型推理效率，推动国产算力规模化应用。

国产算力软件生态亟待完善

“国产卡为什么不好用？”郑纬民在演讲中提出这一问题。

他表示，随着智能体等应用快速发展，大模型Token调用需求呈现快速增长态势，算力需求持续攀升。部分国产算力芯片在硬件性能和价格方面已具备一定竞争力，但在实际使用中仍面临软件适配复杂、开发成本较高等问题。

郑纬民指出，国产芯片经过针对性软件优化后，可以获得较好的运行性能，但不同芯片往往需要分别进行适配和优化，耗费大量开发资源。相比芯片本身的采购价格，实际使用成本是影响企业选择的重要因素。

为解决这一问题，需要构建统一的软件平台，通过统一软件体系，实现不同架构芯片的高效协同，减少重复适配工作，推动形成高性能、强一致、开发者驱动的国产智能计算生态体系，让国产算力真正从“可用”走向“好用”。九源智能计算系统生态联合体正推动统一软件体系建设，通过统一算子库、通信库、运行时及编程语言等基础软件能力，减少不同架构芯片之间的重复适配工作。

郑纬民介绍，在四类国产计算平台的典型训练与推理任务测试中，经过软件优化后的性能达到英伟达（NVDA.US）A100相应性能的86%至98%。

郑纬民认为，芯片硬件研发固然重要，但软件生态建设同样不可忽视。与美国相比，国产芯片在硬件性能方面已具备一定基础，但软件生态仍存在差距。因此，在支持国产芯片研发和生产的同时，也应加大对统一软件生态建设的支持力度。

异构推理技术探索Token规模化生产

软件生态之外，如何充分释放国产芯片的计算能力，提高大模型推理效率，也是国产算力规模化应用需要解决的问题。

大会期间，趋境科技联合智谱、摩尔线程发布国产异构推理高品质AI Token工厂解决方案，探索通过不同类型芯片协同工作，提高算力资源利用效率。

趋境科技创始人、CEO艾智远表示，随着智能体、AI Coding等应用快速发展，人工智能正从模型试验阶段进入规模化生产阶段，Token供应也由过去的粗放式供给向高品质服务转变。实际生产场景不仅要求模型具备较强的计算和推理能力，还对Token生成速度、响应时延以及服务稳定性提出更高要求。

“我们的真正的卡点是HBM，是显存带宽。”在艾智远看来，国产芯片进入生产级应用场景，面临的主要障碍并非计算能力不足，而是显存带宽等因素制约了整体推理性能。

据艾智远介绍，此次发布的解决方案采用异构推理技术，将大模型推理过程中的不同任务分配给不同类型芯片，由国产算力芯片承担计算密集型任务，其他高带宽芯片承担对数据传输能力要求较高的任务，以提升整体计算效率。艾智远表示，通过上述技术路径，相关方案可将部分推理场景的Token生成速度由每秒20至30个提升至每秒50至60个。

从单一芯片性能优化到跨芯片协同计算，再到面向实际业务的Token规模化生产，国产算力企业正探索通过系统优化提升算力资源利用效率，降低大模型应用成本。

此外，本次大会还发布了“央企AI场景共创伙伴计划”，聚焦汽车、能源、城市建设等重点行业，推动人工智能技术与产业实际需求对接。

在资本支持方面，中关村发展集团党委书记、董事长李妍表示，将坚持“投早、投小、投长期、投硬科技”，发挥耐心资本作用。同时，集团正探索“国家实验室+国有平台+市场化服务”的新模式，努力形成可复制、可推广的制度成果。

李妍表示，集团将继续把人工智能产业作为重要服务赛道，围绕“搭平台、强资本、建生态”，持续打通人工智能领域科技成果转化全链条。