Taiyuan Yuanqi Hongyuan: Heterogeneous Computing Capacity Will Become a Key Direction for Future AI Computing Infrastructure | AIGC2026

编辑部 整理自 AIGC2026<br> 量子位 | 公众号 QbitAI<br> 2026年，AI产业正在进入新一轮高强度算力周期。<br> 随着Agentic AI、代码助手、智能办公等应用加速落地，AI正在从Demo走向真实任务，Token也随之成为AI时代最核心的资源消耗单位。<br> 因此，算力能否支撑更高频、更复杂的AI应用，正在成为产业下一阶段能否继续向前的关键问题。在太初元碁首席产品官、高级副总裁洪源看来：<br> 在Token经济加速到来的背景下，AI算力需要更好地向上兼容框架、模型与应用，为大模型训练、推理和行业落地提供更稳定、高效、易用的基础支撑。<br> 伴随大模型能力跃迁和AI应用快速增加，Token调用需求正在持续释放，国产算力也迎来了新的发展机遇。<br> 这意味着，未来算力将不再只是模型训练背后的基础资源，而会贯穿从模型研发、应用部署到行业场景落地的全链路，成为Token智能时代最关键的新型基础设施。<br> 在本次量子位AIGC2026上，洪源围绕国产算力、Token应用、Agentic AI计算效率等关键词，分享了自己对国产AI算力建设的看法。<br> 为了完整体现洪源的思考，在不改变原意的基础上，量子位对演讲内容进行了编辑整理，希望能给你带来更多启发。<br> AIGC2026是由量子位主办的行业峰会，近20位产业代表与会讨论。线下参会观众超千人，线上直播观众近400万，获得了主流媒体的广泛关注与报道。<br> 核心观点梳理<br> 随着Agentic AI、行业大模型和智能应用进入真实业务场景，AI计算正在从「生成内容」走向「生成任务」，对算力系统的稳定性、效率和协同能力提出更高要求，未来需要解决的是多种计算单元之间相互配合、协同调度，以及降低等待和通信成本的问题。<br> 国产AI算力迎来新的发展机会，但真正的突破点不只在单点性能，更在大规模集群服务能力、计算效率和生态易用性。<br> 大模型训练与推理正在走向万卡乃至更大规模集群，算力厂商需要从硬件、互联、软件、调度、运维等全链条提升系统能力。<br> Agent任务执行过程中，CPU调度、GPU计算、通信和数据处理等环节需要高效协同，异构计算能力将成为未来AI算力基础设施的重要方向。<br> 未来AI算力将像Token经济中的「制氧机」，持续支撑模型、应用和行业场景运行。<br> 以下为洪源演讲全文：<br> Token经济加速到来，国产AI算力迎来新机遇<br> 从2022年底ChatGPT发布以来，整个大模型行业的迭代速度明显加快，尤其今年以来，主流大模型的更新频次进一步提升。<br> 对于算力厂商来说，这意味着我们需要持续围绕主流大模型做适配和优化。<br> 从模型数量、训练数据规模、所需算力规模，到模型本身的参数规模，都可以看到非常明显的增长趋势。<br> 在这一背景下，今年行业也越来越频繁地谈到Token经济，随着大语言模型调用量快速增长，Token正在成为AI时代非常核心的消耗单位，尤其是国产模型相关调用量，也在持续提升。<br> 从OpenRouter相关数据预测来看，从2025年到2026年，再到2030年，整体Token调用量预测会出现大幅增长。<br> 增幅将达到212倍，可以预见，未来无论是C端应用，还是B端行业应用，都会带来更大规模的Token消耗。<br> 伴随Token调用快速增加，AI应用市场也在快速增长，越来越多应用正在走向真实场景，办公、代码、医疗、教育、能源、电力等行业都在加速引入AI能力。<br> 这也意味着，底层算力基础设施必须支撑更高频、更复杂、更大规模的AI调用需求。<br> 在这个过程中，算力效率提升会进一步释放需求，生产效率提高之后，应用场景会变多，调用频次会变高，最终带来的反而是算力需求的持续增加。<br> 从IDC以及国内一些调研机构的数据来看，到2030年，全球算力规模预计会以每年60%的速度增长，其中90%以上将是智能算力。<br> 对于国产AI算力而言，这是一轮非常重要的发展机会，大模型能力不断增强，Token需求快速释放，行业应用加速落地，都在推动国产算力走向更广阔的产业场景。<br> 大模型进入任务时代，AI算力需要解决三大关键问题<br> 当然，在新的机会面前，国产AI算力也需要解决一些关键问题，整体来看，我认为主要有三个方面。<br> 第一个问题，是大规模集群的服务能力。<br> 现在大模型训练和推理对集群规模的要求越来越高，动辄就是万卡，甚至更大规模的集群，在这样的大规模系统中，如何保证训练效率、系统稳定性、成本控制和可靠性，是算力企业必须解决的问题。<br> 第二个问题，是计算效率。<br> 在Agent任务执行过程中，用户输入一个任务后，系统需要进行任务规划、工具调用、多轮执行和结果反馈。在这个过程中，GPU真正用于计算的时间可能只占整体的10%左右，大量时间会消耗在CPU调度、通信、数据处理等环节。<br> CPU更多承担串行计算和调度任务，GPU更擅长并行计算，未来AI算力系统需要更好地发挥CPU和GPU等不同计算单元的协同效率，让整个任务执行链路更加高效。<br> 第三个问题，是生态问题。<br> 对于国产算力企业来说，芯片设计本身只是第一步，真正决定用户能不能用起来、开发者愿不愿意用、模型和应用能不能快速迁移的，是背后的软件生态。<br> 国产算力要服务好Token经济，就必须为开发者和行业客户提供更好用、更易用的生态能力，无论是底层开发者，还是上层模型厂商、应用厂商，都需要更顺畅地完成模型迁移、训练、微调和推理部署。<br> AI算力的发展已经不能单一堆性能、堆算力。尤其在Agentic AI快速发展的背景下，AI计算正在从生成内容走向生成任务，这对算力系统提出了新的要求，未来AI算力需要解决异构协同、高效可用和生态适配等系统性问题。<br> 当AI计算从「生成内容」走向「生成任务」，异构协同会变得越来越重要，未来需要解决的是多种计算单元之间相互配合、协同调度，以及降低等待和通信成本的问题。<br> 从超算积累到生态适配，打造AI产业「制氧机」<br> 针对这些问题，太初元碁也在持续进行探索和实践。<br> 首先，在大规模集群方面，我们有高性能计算领域长期的技术积累，特别是面对大规模并行计算任务，往往涉及10万核甚至数十万核级别的协同计算，这些经验为我们今天做AI算力集群提供了重要基础。<br> 其次，在异构计算方面，我们从芯片设计层面做了相关布局。<br> 我们在核心芯片设计中包含不同计算模块，比如面向通用计算的模块、数据处理核心，以及面向并行计算的模块。这些不同计算单元通过片上网络进行连接，从而提升CPU、GPU等不同计算单元之间的协同效率。<br> 这类架构设计，主要是为了适应未来AI任务越来越复杂的趋势，让AI应用不再只是单一模型推理，而会涉及任务拆解、工具调用、数据处理、多轮交互和结果反馈。面对这种任务链路，底层算力系统必须具备更强的协同能力。<br> 此外，在生态方面，我们也认为这是非常重要的一环。<br> 从底层能力来看，我们提供了自研编程框架和编程语言支持，同时也参考成熟开发生态，为开发者提供更容易上手的开发方式。对于熟悉Python的开发者，也可以依托相关工具能力进行开发。<br> 再往上，我们也在探索基于自然语言交互的自动生成算子能力，帮助用户降低开发门槛，围绕训练、微调和推理等不同环节，我们希望提供更完整的一体化方案。<br> 同时，太初元碁还提供了一系列工具组件，帮助用户在不同框架之间完成模型一键迁移。<br> 从框架到模型，我们也适配了多种第三方框架库和模型库，帮助模型厂商、应用厂商和行业客户更顺畅地使用国产算力。<br> Token经济到来之后，算力相对于整个AI产业，就像氧气对于人类一样重要，我们正在建设的新型基础设施，就像持续供氧的系统。<br> 太初元碁一直在做，也会持续做的一件事，就是希望和产业伙伴一起，发挥各自优势，协同上下游资源，为整个中国AI产业提供稳定、高效、自主可控的新型算力基础设施。