允中 发自 凹非寺
量子位 | 公众号 QbitAI
比英伟达GPU更难跨过去的，是CUDA
这是逛完WAIC 2026之后，关于国产AI芯片的一个越来越清晰的感受。
过去，大家围着国产芯片问的是，峰值算力多少？制程多少纳米？和英伟达相比差多少？
走到清微智能的展位前，你会发现一件有意思的事：这里摆的不只是芯片。
可重构芯片、4K超节点、RAISA软件栈、行业应用，被放在一起呈现——像是在回答所有国产芯片厂商都绕不开的问题：
芯片发布之后呢？模型怎么跑起来？算力怎么扩展？客户凭什么把核心业务迁过来？
这个问题背后，是国产算力竞争逻辑的一次切换：从发布会上的参数对比，转向能否形成稳定、易用、可规模部署的系统能力。
国产算力真正要替代的，也不只是一颗英伟达GPU，更是CUDA背后经过多年积累形成的开发习惯、工程标准、迁移成本和生态信任
所以，发布芯片只是拿到入场券。
让客户敢迁、能用、愿意长期使用，才是真正的国产替代。
造出芯片只是第一步
CUDA早已不只是一套编程接口。
英伟达官方对CUDA Toolkit的定义包括加速计算库、编译器、运行时，以及调试和性能优化工具，并覆盖嵌入式设备、工作站、数据中心和超级计算机。
换句话说，客户采购的不是一颗孤立的GPU，而是一套已经运行多年、经过无数开发者和应用验证的生产体系。
因此，国产算力要解决的核心问题，不只是芯片能不能算，而是“客户能不能低成本地换、稳定地用、持续地扩”
本文以国产创新架构AI芯片代表——清微智能为样本，从架构、芯片、软件栈、超节点和算力网络等多个维度展开观察。
可以看到，在当下更强调确定性、易用性和经济性的产业环境中，清微智能并未局限于追求单颗芯片的参数领先，而是走出了一条贯通底层架构、软硬件系统与产业应用的完整生态构建之路。
过去，AI芯片企业选择几个核心参数与英伟达进行横向比较，这种比较并非没有意义。
峰值算力、显存容量、功耗和价格，都会决定一款产品能不能进入客户的初步评估名单。
但参数解决的是“能否上桌”，无法直接回答“能否部署”。
一套算力系统真正进入生产环境，至少要同时具备四种能力。
- 第一层是芯片和计算卡，决定基础性能与能效；
- 第二层是驱动、编译器、算子库和开发工具，决定模型能否迁移；
- 第三层是服务器、超节点、网络和集群管理系统，决定算力能否规模化聚合；
- 第四层是模型适配、解决方案和行业案例，决定客户是否敢于采购。
或许清微智能目前试图搭建的，正是这条完整链路：底层以可重构计算架构形成差异化，中间通过芯片、服务器、超节点和RAISA软件栈完成系统封装，上层再进入智算中心和金融、能源、教育、医疗等行业。
笔者从清微智能官网看到，其已建设超过10余个可重构算力中心，算力卡累计订单超过4万张，适配上线模型及应用超过200个
公司同时将RAISA软件栈、FlagOS生态协同和主流模型Day-0适配，列为当前生态建设的重点。
制程受限，用架构效率来破局
国产高端算力芯片面对的第一个现实约束，是先进制程和高端供应链能力
如果完全沿着传统GPU路线竞争，后进入者不仅要追赶芯片设计，还要同时追赶制程、存储、先进封装、互联和软件生态。
任何一个环节落后，都可能在最终性能上被放大。
而清微智能的可重构架构，选择的是改变问题的解法：不把全部性能增长寄托在晶体管数量和制程升级上，而是尝试提高已有晶体管的有效利用率。
传统固定架构像一座提前划分好车间的工厂。无论当天生产什么产品，机器的位置、生产线和工序都相对固定。一旦计算任务发生变化，部分硬件资源就可能闲置，或被用于并不适合的任务。
可重构架构则试图让计算资源根据任务动态组合。面对矩阵计算、卷积、稀疏计算或不同模型结构时，芯片可以通过软件重新组织数据流和计算单元，让硬件形态更接近当前任务。
清微智能官方技术页面显示，其可重构技术已从1.0、2.0演进至3.0，并将“软件定义硬件”作为核心特征。
公司同时布局三维存算融合与Torus-X算力网格，希望分别解决计算效率、数据搬运和大规模互联问题。
按清微智能在智源大会期间披露的口径，传统架构的有效晶体管利用率不足40%，可重构数据流引擎可将这一指标提高至70%以上
其逻辑不是让芯片拥有更多晶体管，而是让更多晶体管在具体任务中真正参与计算。
等同于最终业务性能。客户真正关心的仍然是大模型吞吐、单Token成本、时延、精度和集群稳定性
但它提供了一种不同于单纯追逐先进制程的竞争思路：当物理条件受到限制时，通过架构提高资源效率，可能比单纯增加晶体管数量更具现实意义。
以集成超制程，算力瓶颈解题思路
芯片的计算单元变快之后，下一个问题很快就会出现：数据来不及送到计算单元
大模型推理和训练不仅需要计算，还需要不断从存储系统中读取权重、缓存中间结果，并在不同芯片之间传输数据。很多时候，计算单元并没有真正满负荷工作，而是在等待数据。
这就是所谓的内存墙。
清微3.5D异构堆叠与三维存算融合技术，试图缩短计算芯粒和存储芯粒之间的物理距离。
按照公司给出的比喻，传统二维芯片的数据传输更像一条“单车道”，三维堆叠则相当于将道路扩展为立体的“四车道”。
相关方案采用Chiplet和3.5D异构堆叠，将可重构计算芯粒与DRAM存储芯粒进行高密度集成，把部分信号传输距离从毫米级压缩到微米级，以提升带宽并降低数据搬运带来的延迟。
这条路线的意义在于，国产算力竞争的重点开始从单颗芯片能完成多少次计算，转向整个系统能否持续向计算单元供应数据
但这同样是一项工程挑战。
3.5D堆叠涉及散热、封装良率、供电、芯粒互联和测试体系。
概念模型能够证明技术方向，量产成本、可靠性和长期交付能力，才决定它能否真正转化为产品优势。
为何说单卡再强也会折损在集群？
大模型时代，算力竞争的基本单位正在从单颗芯片，变成超节点和算力集群
一张计算卡性能再高，也无法独立承担万亿参数模型、大规模训练和高并发推理任务。
芯片必须通过高速互联组成服务器，再由服务器组成超节点和千卡、万卡集群。
此时，系统损耗会迅速成为核心问题。
芯片之间的数据同步、通信等待、网络拥塞和任务调度，都会让理论峰值算力在集群中不断折损。
客户真正获得的，不是计算卡参数相加后的数字，而是扣除通信和调度损耗后的有效算力。
清微智能在WAIC 2026中提到的4K超节点方案，通过可重构芯片和Mesh网络组织4096颗芯片，其互联成本较国外同类方案降低约90%
值得一提的是，该公司此前展示的4K超节点系统，已经应用于中关村论坛、央视节目等场景。
过去，国产芯片企业更接近计算卡供应商；未来，竞争主体可能必须同时具备芯片设计、服务器开发、高速互联、集群调度、运维和模型优化能力。
换句话说，客户不再只购买一批芯片，而是在购买一套能够持续生产Token的系统
以自主创生态，让国产算力容易用
在所有迁移成本中，最隐蔽、也最难解决的，是软件
芯片参数可以通过一次发布会被市场看见，软件生态却需要长期积累。
每一个模型、算子、框架和应用，都可能暴露新的兼容性问题。
正因如此，国内正在尝试通过统一系统软件栈降低不同AI芯片之间的迁移成本。
智源FlagOS的目标，是让模型尽可能实现“一次开发、多芯迁移”；FlagOS 2.0已支持18家厂商的32款AI芯片，并建立包含497个算子的多芯片算子库。
清微的RAISA软件栈则承担了连接自有硬件与上层模型的角色。
从结构上看，RAISA覆盖基础驱动和开发工具、编译器、编程语言与算子库、主流框架和行业应用。
其核心任务，是尽量隐藏底层硬件差异，让开发者不必理解可重构阵列的所有细节，也能使用C/C++、Triton等工具进行开发。
按照清微智能此前披露的数据，RAISA已支持近千个主流算子，完成超过200个大模型的适配。
DeepSeek-V4预览版发布当天，清微与智源FlagOS完成了Flash版本67个算子的全量适配与验证。
相比“支持某个模型”的笼统表述，算子级适配更接近真实工程问题：模型能否运行，最终取决于底层是否覆盖其所调用的全部核心算子。
同一模型在不同芯片上能够运行、能够保持精度，以及能够达到理想吞吐和成本，是三个不同层级。
未来更值得观察的，是清微能否把Day-0适配从一次事件，变成稳定、可复制的软件工程能力
真正成熟的软件生态，不只是“新模型发布当天能跑起来”，还包括版本更新之后持续兼容、客户问题能够快速解决，以及不同模型在实际负载下保持稳定性能。
5000P算力，技术到商业闭环
衡量一家国产算力企业是否成熟，最终不能只看论文、发布会和实验室指标，还要看真实部署。
按照清微智能提供的口径，其相关产品已经进入全国多个智算中心和千卡级集群，部署及在建算力规模超5000 PFLOPS，并覆盖金融、教育、医疗、能源、交通等领域。
这一数字的价值，在于它代表清微已经开始跨过从样片、服务器测试到规模集群部署的门槛，但对产业分析而言，5000P并不是终点，而是下一阶段验证的起点。
部署规模回答的是卖出去了多少，利用率回答的是客户是否真正使用，复购回答的是客户是否认可，收入和毛利则回答商业模式能否持续。
从造芯到铺轨：国产算力走向基础设施
如果把AI芯片比作列车，那么软件栈、超节点和算力网络就是轨道。
列车性能再高，如果只能运行在封闭线路上，也很难成为真正的大规模基础设施。
国产算力走向成熟，需要解决的不只是“有没有国产芯片”，还要回答不同地区、不同芯片、不同智算中心之间，能否实现统一调度、协同运行和跨区域交付
例如本次作为样本研究的清微智能，他们试图做的，正是把可重构算力从单一芯片和计算卡，延伸为覆盖软件、系统与应用的分布式算力服务网络：
底层通过可重构架构和三维集成提升计算效率，中间通过4K超节点聚合算力资源，再借助RAISA、FlagOS等软件平台完成模型适配、资源管理与集群调度，最终将不同地区的算力节点连接起来，服务政务、能源、教育和内容生产等场景。
这种“铺轨”已经开始进入具体应用。
- 在智慧政务场景中，全栈国产化的办公大模型智能体已经落地；
- 在AIGC领域，其算力方案被用于短剧内容生成、素材处理和后期制作等全流程；
- 在职业教育场景中，可重构AI芯片驱动的实训平台已进入河北化工医药职业技术学院、内蒙古机电职业技术学院等院校。
“铺轨者”的意义并不是取代所有列车，而是建立一套能够承载不同模型、不同客户和不同应用的基础设施
它既要求底层芯片自主可控，也要求软件接口足够开放、系统能够持续扩展，最终让算力以服务的方式跨区域交付。
国产替代不是一次性硬件采购
对客户而言，换芯片从来不只是换一块硬件。
开发环境要换、模型要迁移、性能要重新验证、工程团队要重新培训，系统稳定性、运维和后续升级的风险也要一并承担。
采购价格只是显性成本，藏在软件适配、人员投入和迁移周期里的隐性成本，往往更高。
这也解释了清微智能在WAIC 2026现场的展陈逻辑：可重构芯片、4K超节点、软件栈与行业应用被放在一起呈现，强调的不是单点参数，而是从底层架构到集群部署、再到实际应用的完整链路——
用可重构架构提高计算资源利用率，用三维集成缓解数据搬运瓶颈，用4K超节点扩展集群规模，再通过RAISA和FlagOS降低模型迁移与系统部署的门槛。
而智慧政务、AIGC短剧工厂、职业教育实训平台这些落地案例，则试图证明国产算力不只能跑通模型，还能进入具体的业务流程。
当然，这条路线能否最终成立，仍要接受量产能力、实际性能、集群稳定性、算力利用率和商业回报的长期验证。
但它至少指向了一个正在发生的变化：国产算力的评价体系变了。
这也是WAIC 2026释放出的一个信号——国产算力的竞争重点，正在从“有没有芯片”，转向“能否形成稳定、易用、可规模部署的系统能力”。
展台上的参数只是起点，真正决定产业位置的，是模型能否快速适配、集群能否稳定运行、算力能否进入真实业务。
过去，人们习惯追问国产芯片与国际产品之间还差多少参数。
往后，更关键的问题或许是：当客户准备建设下一座智算中心、上线下一套大模型应用时，国产算力能不能给出一个足够完整、足够稳定、也足够经济的迁移理由。
*本文系量子位获授权刊载自“数聚势能”，观点仅为原作者所有。
热门跟贴