中国 AI 产业三年换挡后的一次线下大考。竞争逻辑从"芯片参数"迁移到"系统效率"，从"模型能力"迁移到"产业落地"，从"追赶制程"迁移到"架构创新"。八年的 WAIC，今年第一次不像技术展会，像产业交付现场。
一、八年三次换挡
WAIC 办了八年。展览面积从 5.2 万平方米扩到 10 万平方米，参展企业从 500 多家涨到 1100 多家。数字翻倍不难，难的是焦点在迁移。
2024 年的展厅里，参展商挤在展台前比谁的参数大、谁的上下文长，核心诉求是向外界证明"我们也有能打的大模型"。那时候的评价框架还停留在"对标 GPT-4"：参数量、Token 长度、跑分排名。模型本身是主角，应用是附属品。
2025 年的焦点转向了 Agent 框架和具身智能样机。行业开始琢磨怎么把模型能力"装进"具体任务里。Agent 概念火爆，但大部分展示还停留在 Demo 级别，能演示一次任务流程，不能保证每天稳定运行。人形机器人开始密集出现，但做的还是后空翻和跑酷。
到了 2026 年，所有参展商拿出的都是能直接跑通真实场景的产品。连量产交付的数字都摆到了台面上。一家参展企业负责人说得直接："没人再晒参数跑分了，所有厂商的动作都指向同一个方向——AI 终于要从屏幕里走到真实场景里。"
这个转变的底层驱动力是什么？以下四个深度观察会展开论证，这里先给出主线判断：算力基础设施的成熟度跨过了一个临界点。超节点把系统级算力利用率从 30-45% 推到 70-85%（推导见观察一），国产芯片从"只能推理"跨入"能训万亿模型"（推导见观察二），新架构芯片绕过了制程和 HBM 双重瓶颈（推导见观察三）。当底层的算力供给不再是核心矛盾，产业注意力就向上层转移：怎么把算力变成生产力。
这届 WAIC 的几个基本数字：1100+ 企业参展，3000+ 展品，300+ 全球首发。智算赛道和具身智能赛道各汇聚超过 200 家企业，合计占了全部展商的三分之一以上。9 位图灵奖和诺贝尔奖得主参会，姚期智领衔首届 WAIC Academic 国际学术会议，284 篇全球论文投稿。162 亿元意向合作签约。
上海发布政策目标："十五五"末推动 10 万台人形机器人进入工厂，规上工业企业智能体应用普及率超 80%。2025 年中国 AI 核心产业规模超 1.2 万亿元，重点行业 AI 渗透率突破 80%，2026 年预计保持 30% 以上增速。
开幕式上，世界人工智能合作组织宣布成立，中方主导，响应"全球南方"呼声。国家发改委发布《人工智能合作发展行动计划》，工信部指导发布《国际人工智能伦理治理行动计划》。制度供给开始跟上产业节奏。
但比数字和政策更重要的是：竞争逻辑变了。 下面先做广度扫描，再挑四条最值得深挖的线展开。
二、广度扫描
算力：超节点取代单卡成为竞争单位
如果只看一个趋势，那就是"超节点"。WAIC 2026 十大镇馆之宝里，算力类入选的全部是超节点产品。产业竞争的颗粒度从"单颗芯片"上升到了"系统级协同效率"。
超节点是什么？中国信通院《超节点发展报告》的定义是：支持 32 颗以上 AI 芯片，通过高速互联整合成逻辑统一的计算池，芯片到交换芯片带宽不小于 400GB/s，交换设备时延小于 500ns，域内芯片支持内存统一编址。
四款镇馆之宝级超节点同台：
华为昇腾 Atlas 950 SuperPoD，首次真机公开展出。现场搭载 1024 张昇腾卡，最大可扩展至 8192 张。满配 8192 卡的规模是英伟达 NVL144（144 卡）的约 56 倍；现场展示的 1024 卡配置约是 NVL144 的 7 倍。提供 1 EFLOPS FP8 / 2 EFLOPS FP4 算力，256TB 全局统一内存编址空间，灵衢 2.0 互联协议实现 3μs RTT 时延。华为宣称总算力领先英伟达将于 2027 年上市的 NVL576（具体倍数需等产品上市后验证）。
中科曙光 8000"登峰"，全国产十万卡 AI 超集群，"超智融合"技术路线，FP64 到 INT8 全精度覆盖，已完成 300 余项应用优化，超 70 项应用实现万卡规模扩展，接入国家超算互联网。
中兴通讯 OEX 超节点，走开放解耦路线，首创正交无背板零线缆设计，联合壁仞/沐曦/燧原/天数智芯打造 Matrix 超节点，入围 SAIL 奖 TOP30。
阿里巴巴真武 M890 × 磐久 AL128，芯片+服务器+千问云全链路，百炼平台服务 500 万用户。
新华三 UniPoD S80000，覆盖 32 卡到 1024 卡全系列产品，最高可扩展至 16384 卡。训练性能提升 70%，推理性能提升 3 倍。设计理念是"单机柜即智算集群"，整柜液冷散热占比 75-80%，散热功率最高 120kW。支持多品牌 GPU 兼容，已在多个大型智算项目完成集群化部署。
华为还展了 Atlas 850E 风冷超节点，不需要液冷改造就能部署到传统机房，96 卡扩展，10ms 级推理时延，原生覆盖 FP8/mxFP8/HiF8/INT8/mxFP4 全量低精格式，搭配 4.0 TB/s 高速内存带宽。这个产品的意义在于：超节点技术不再是新建数据中心的专属，传统风冷机房也能用。
国产 GPU 厂商也在张江展区首次全阵容集结。十余家通用大算力芯片企业同台，67 项国内首发首秀。东方算芯、摩尔线程、沐曦、天数智芯、燧原、昆仑芯，几乎到齐了。今年跟去年的最大区别是：去年在比单卡参数，今年全部在讲系统级方案和落地案例。
具身智能：验收标准变了
200 多家机器人企业、300 多台机器人现场动态演示，H3 展厅是全 WAIC 最吸睛的地方。但最关键的变化不在数量，在评价标准。
没有人在炫后空翻和跑酷了。统一拿出来的验收标准是：能不能在真实产线上干满 8 小时。
智元远征 A3 Ultra 获评唯一入选镇馆之宝的机器人产品。174cm 人体适配身形，360° 视觉+激光雷达融合感知，UWB+RTK 厘米级定位，自动充电+四重安全体系，定位展厅讲解、酒店接待、门店导购。
蚂蚁灵波的机器人智慧药房，3 台不同构型机器人统一搭载 LingBot-VLA 跨本体基座模型，协作完成问诊→购药→处方→取药→打包全流程，90 秒内闭环。
傅利叶 GR-3 在居家场景做自主任务闭环，从"拿苹果"到"找玩偶"的长序列任务。同时推出面向养老照护的 GRW 轮式辅助机器人。
艾利特 Centaur-G1 轮式人形机器人，双臂重复定位精度 ±0.1mm，已在光通信链主企业产线实操，从精密装配到封装封测。
擎朗展示了融合世界模型的 VLA 架构服务机器人，覆盖商超/咖啡/酒店新场景。
2026 年中国人形机器人全年整机产量有望突破 10 万台。
AI Agent：终端革命
AI Agent 是串联算力和机器人的神经系统。WAIC 2026 上，智能体的核心叙事是"终端革命"。
百度搭子（镇馆之宝），通用智能体，自然语言下达任务后自主理解、拆解步骤、调用工具，完成文件处理、网页操作、数据分析、报告撰写、PPT 制作。定位从"回答问题"升级到"完成工作"。
阶跃星辰 Agent OS + StepX Neo（镇馆之宝），让智能体能力从单个 App 走向操作系统层，打通手机、工业设备甚至机器人的多终端协同。
努比亚 × 字节豆包，全球首款 AI 智能体手机，自主识别屏幕内容并模拟触控，跨 200 多个应用自动完成订餐、支付。
荣耀 × 阿里，合作推进下一代终端操作系统 Agentic OS，全球首款机器人手机 Robot Phone 亮相。
西门子 Eigen，全球首款工业自动化工程 AI 智能体，从工程规划、写控制软件、系统配置到优化达标，全程端到端不需人工干预。
卡奥斯，首发工业世界模型，把真实工厂"装进"AI，通过本体建模和数字孪生让 AI 理解每台设备如何运转。
大模型与 AI4Science
MiniMax 携新一代旗舰大模型 M3 全线产品矩阵亮相。商汤发布 SenseNova-U1 Pro，对标 GPT-Image-2，率先支持原生 8K 分辨率输出。百度发布"芯云模体"全栈 AI 产品矩阵。
阿里千问最值得注意的商业信号：推出"峰谷 Token"计费模式，用户每晚 10 点到次日早 8 点使用 Token 最低可至 2 折。说明供给端已经开始区分边际成本，跟电力市场的峰谷定价逻辑类似。
AI4Science 方向，天鹜科技晓鹜™蛋白质设计平台获评镇馆之宝，把 2-5 年的研发周期压缩到 2-6 个月，实验样本从万次减到 100 次，成功率从 1% 提升到 30%，已产业化。晶泰科技从 2023 年镇馆之宝"进化"成 AI 自主发现系统，兼容外部垂类大模型，全流程无人化闭环。英矽智能推动全球首款 AI 创新药物进入 III 期临床。
三、深度观察
观察一：超节点——Token 成本曲线的真正变量？
超节点解决了什么问题
传统 AI 集群的痛点不是单卡算力不够。是芯片越多，通信损耗越大，实际算力利用率断崖式下跌。
要理解这个问题，需要先看数据在一次推理或训练中到底怎么流动的。
以大规模 MoE 模型训练为例。当你把几千张 GPU 通过 InfiniBand 或 RoCE 网络连接起来时，卡与卡之间的数据交换需要经过一条很长的物理路径：计算芯片 → 片上缓存 → HBM → PCIe 总线 → 网卡 → 光模块 → 光纤 → 交换机 → 光纤 → 光模块 → 网卡 → PCIe 总线 → HBM → 片上缓存 → 对端的计算芯片。每一次跳转都带来延迟和带宽损耗。集群规模越大，All-to-All（全互联通信，每个节点跟所有其他节点交换数据）占总时间的比例越高。在 MoE 模型的训练中，All-to-All 通信可以占到总时间的 40-60%。
这意味着：理论上 10000 张卡的集群算力是单卡的 10000 倍，实际有效算力可能只有 3000-4500 张卡的量级。算力利用率 30-45%。
超节点的解法不是提升单卡性能，而是改变卡间通信的物理路径。让数百到数千颗芯片通过专用高速总线直接互联，不走 PCIe→网卡→交换机→网卡→PCIe 的漫长链路，而是通过 UnifiedBus 协议让任意两张卡之间的通信只经过一条短距离直连。跨节点通信从"网络"级别降到"总线"级别，延迟从微秒级降到纳秒级，带宽提升一个数量级。
为什么推理场景也能获得 3 倍提升
华为公布的数据是：昇腾超节点在低时延推理场景中，单卡性能相比传统服务器提升 3 倍。训练侧的通信瓶颈很好理解，但推理为什么也能获得 3 倍提升？
推理跟训练的通信模式不同，但瓶颈同样存在于数据搬运。具体来说：
第一，Agentic 推理的负载特征变了。 传统的一次问答（如"翻译这段话"）只需一次前向传播，通信开销可以忽略。但 Agent 推理是多轮对话+长上下文+频繁工具调用的组合。一个 Agent 任务可能涉及 20-50 轮对话，每轮都需要把之前所有的对话历史作为上下文喂给模型。这意味着 KV Cache 的读取量随轮次线性增长。当 KV Cache 超过单卡显存容量时，就需要跨卡读取，这时候卡间带宽就成为瓶颈。
超节点的统一内存编址在这里发挥了关键作用。传统集群中，每张卡的 HBM 是独立的，跨卡读取 KV Cache 需要走网络。超节点的 256TB 统一内存空间让所有卡的内存组成一个逻辑池，Agent 的长对话上下文不需要在不同卡之间来回搬运，直接在统一地址空间里读写。Atlas 850E 的产品描述也印证了这个逻辑：它专门提到"匹配 Agent 多轮对话、高频 KV 缓存读写的负载需求"和"支持百万 Token 级超长上下文"。
第二，MoE 模型的推理过程本身就需要 All-to-All 通信。 推理一个 MoE 模型时，每个 Token 需要被路由到正确的专家所在的那张卡上计算，算完再路由回来。这个 All-to-All 通信模式跟训练时一模一样，只不过吞吐量更小。灵衢 2.0 把单跳通信时延从 2 微秒压到 200 纳秒，在 Agent 多轮推理中，每轮节省的累积通信时间就很可观。
第三，并发推理的张量并行效率提升。大模型推理通常使用张量并行（Tensor Parallelism），把一个矩阵乘法切分到多张卡上同时算，然后再汇总。传统集群中，汇总操作需要走 PCIe→网络→PCIe 链路，延迟高。超节点中，汇总操作通过高速总线直接完成，延迟降一个数量级。对于 70B+ 级别模型的推理，张量并行通信开销占总时间的 15-25%，降到纳秒级后这个开销几乎可以忽略。
这就是为什么 3 倍提升在推理场景也成立：不是因为芯片更快了，而是因为数据搬运的物理路径被压缩了。昇腾芯片本身没有变，变的是数据在卡与卡之间移动的方式。
灵衢 2.0 的技术拆解
灵衢 2.0 是华为自研的互联协议，具体做了什么？
- 通信带宽：相比传统互联协议提升 15 倍。传统集群中，卡间通信走 PCIe 5.0，带宽约 128 GB/s。灵衢 2.0 通过全光 Mesh 拓扑实现全对等直连，单卡互联带宽达到 TB 级。
- 通信时延：单跳从 2 微秒降至 200 纳秒，降低 10 倍。传统集群中，一次跨节点通信的 RTT（往返时延）约 5-10 微秒（含网卡处理+光模块+交换机转发）。灵衢 2.0 通过电路级直连（不走网络协议栈）把 RTT 压到 3 微秒以下。
- 统一内存编址：256TB 全局地址空间。传统集群中，每张卡的 HBM 独立编址，跨卡访问需要 RDMA 或 MPI。灵衢 2.0 让所有 NPU 的内存在硬件层面共享同一个地址空间，一张卡发出的读写请求可以直接访问任意其他卡的内存，不需要操作系统介入。
这三点加在一起，本质上是把"网络通信"变成了"总线访问"。在软件层面，一个跨卡读操作不再需要经过 TCP/IP 协议栈（或 RDMA 的 verbs API），而是变成了一个普通的内存加载指令，延迟降低 1-2 个数量级是物理决定的。
"85%+ 利用率" 在什么条件下成立
"系统级算力利用率从 30-45% 推到 85%+"，这个数字来自东方财富 2026 年 7 月对华为技术文档的分析。需要注意它的成立条件：
乐观情况：在大规模 MoE 模型训练场景下（这是超节点的设计目标场景），All-to-All 通信占总时间 40-60%。灵衢 2.0 把通信时延降低 10 倍后，通信开销从 40-60% 压缩到 5-15%，有效计算时间占比从 40-60% 提升到 85-95%。这个推算在理论上是合理的。
需要打折的情况：
- 混合负载：实际生产环境中，集群不会只跑一种模型。训练+推理+数据预处理的混合调度会引入额外的资源切换开销。
- 故障和降级：万卡集群中，每天都有卡会出故障。故障卡的隔离、检查点恢复、降级运行都会吃掉有效计算时间。昇腾 384 超节点 750 套商用经验在这里有价值——说明工程上已经过了故障率曲线的磨合期。
- 模型适配：并非所有模型架构都能完全利用超节点的互联优势。Dense 模型的 AllReduce 通信模式比 MoE 的 All-to-All 更依赖集合通信的树形拓扑，灵衢 2.0 的全对等直连不一定带来同比例的提升。
合理的预期：在生产环境的混合负载下，有效利用率可能比理论值低 10-15 个百分点，在 70-80% 的区间。这仍然比传统集群的 30-45% 提升了接近一倍。改善幅度仍然可观，但 85%+ 不是保底数字。
中兴的差异化：开放解耦 + 零线缆
中兴 OEX 超节点走了另一条路。核心创新：
正交无背板零线缆设计——传统高密度服务器机柜内，计算托盘之间通过背板上的数千根铜缆连接。这些铜缆带来三个问题：物理空间占用、信号完整性衰减（高频信号通过铜缆时衰减严重）、以及装配良率。OEX 采用正交架构，计算托盘与交换托盘垂直交叉物理直连，通过精密的接触式连接器实现托盘间通信，不需要任何线缆。
中兴声称互联成本降低 80%。这个量级合不合理？可以做一个粗略拆解：传统机柜的互联成本由四部分构成——线缆材料（约 15%）、连接器（约 25%）、装配人工与测试（约 20%）、信号补偿芯片/重驱动器（约 40%，因为铜缆衰减需要额外的信号调理）。零线缆设计消除了前三项的大部分成本，但第四项（信号补偿）在正交架构中部分保留。因此"降低 80%"大致意味着：消除了互联成本中约 4/5 的传统线缆相关开销，保留了一些必要的信号调理成本。量级上是可信的，但需要实际产品验证。
开放解耦——不绑定单一芯片厂商。联合壁仞、沐曦、燧原、天数智芯等 5 家国产 GPU 企业打造 Matrix 超节点。单柜 32-128 卡为基础，通过多 PoD 异构混部实现十万卡级弹性扩展。
这个路线的意义在于：华为超节点是封闭生态（昇腾专用），中兴是开放生态（多芯协同）。 如果超节点要大规模部署到全国各地智算中心，不可能全部用华为一家。中兴方案提供了替代选择，而且面向传统机房改造的部署门槛更低。
新华三 UniPoD S80000：全栈协同的第三条路线
中兴之外，新华三（H3C）的 UniPoD S80000 超节点也值得单独说。
新华三走的是跟华为和中兴都不同的第三条路线：不自己造芯片，而是做"算-网-存-云-安-维"六层全栈协同。核心理念是：超节点的效率不只来自互联架构，还来自计算、网络、存储、云平台、安全和运维的系统性优化。官方数据是全链路 TCO 下降 30%+，能耗成本下降 40%+。
产品参数：覆盖 32 卡到 1024 卡全系列，最高扩展至 16384 卡。训练性能提升 70%，推理性能提升 3 倍。整柜液冷散热占比 75-80%，散热功率最高 120kW。Scale-up 架构实现柜内 GPU 全互联，支持多品牌 GPU 兼容。
新华三的差异化在于三个点：
第一，多品牌 GPU 兼容。跟中兴的开放解耦类似，新华三不绑定单一芯片厂商。但区别是中兴联合 5 家国产 GPU 厂商打造 Matrix 超节点（以国产芯片为主），新华三的兼容策略更广泛，包括对下一代高性能 AI 加速卡的前向兼容。这对已经部署了混合芯片集群的客户更有吸引力。
第二，网络层优势。新华三是中国市场份额最高的以太网交换机厂商之一，展示了全系列单芯片 102.4T 智算交换机。超节点内部的高速互联不只靠专用总线，还需要高性能以太网做 Scale-out 层的扩展。新华三在网络层的设计经验是它的护城河。
第三，全栈 TCO 优化而非单点性能突破。华为拼的是系统级算力利用率（从 30-45% 推到 70-85%），中兴拼的是互联成本（降低 80%），新华三拼的是全链路 TCO（下降 30%+）。三个维度的优化不完全重叠，说明超节点的价值空间比想象的更宽。
产业链价值分布——BOM 成本怎么拆
东方财富的分析给出了 8192 卡完整超节点的 BOM 成本约 4.4 亿元。这个数字怎么来的？做一下粗略反推：
假设单张昇腾 950DT 加速卡（含 HBM/封装/散热）的成本在 3-4 万元区间（国产芯片制造成本结构通常低于英伟达，但 HBM 仍然是成本大项）。8192 张卡 = 2.5-3.3 亿元。机柜和液冷系统：16 台计算柜，每台含液冷冷板、CDU（冷量分配单元）、管路、快插接头——单柜约 300-500 万元 = 0.5-0.8 亿元。高速交换设备和光模块：超节点内交换比传统集群密集 5-10 倍——约 0.5-0.6 亿元。连接器、PCB、电源、线缆等：约 0.3-0.5 亿元。
加起来：3.5-5.2 亿元，中值在 4.3 亿左右，跟东方财富给出的 4.4 亿大致吻合。
这个拆解的意义不在精确数字，在于价值量分布的变化。传统 GPU 服务器的成本构成中，GPU 卡占 70-80%。超节点中，GPU 卡占比下降到 60-70%，而高速交换设备、液冷、连接器的占比从不到 10% 上升到 25-30%。超节点时代，算力基础设施的利润池正在从芯片向互联和散热扩散。
这也是为什么华为联合 20 余家伙伴发起国内首个 NPO（近封装光学）光互连 MSA 多源协议。超节点的产业链比单卡时代更复杂，不是一个公司能做完的事。
"Token 白菜价"的预期需要降温
媒体报道"快则近年慢则明年 Token 进入白菜价时代"过于乐观。要推导 Token 价格的真实走势，需要先拆解 Token 边际成本的构成：
Token 的边际成本 ≈ 算力折旧 + 模型训练摊销 + 推理框架效率 + 运维 + 数据 + 带宽
逐项分析超节点和其他技术进步对每一项的影响：
- 算力折旧（推理集群的硬件成本分摊到每个 Token）：超节点的 3 倍单卡效率直接把这项压到原来的 1/3。这是受影响最大的项。但前提是超节点的采购成本不能等比例上涨：如果 4.4 亿的超节点比传统集群贵 3 倍，那每 Token 的折旧就没省。
- 模型训练摊销（训模型的成本分摊到每次推理）：国产芯片训练成本下降会间接压低这项。但训练是一次性投入，当模型成熟后这项在边际成本中占比很小（大训练成本被海量推理摊薄）。
- 推理框架效率：vLLM、TensorRT-LLM 等框架的持续优化（PagedAttention、Speculative Decoding 等）独立于硬件提升效率。这项每年有 20-30% 的改善。
- 运维：集群越大运维越复杂，超节点的运维成本不一定低于传统集群。全液冷系统的维护要求高于风冷。
- 数据：数据采集、清洗、标注的成本不受硬件进步影响。
- 带宽：如果推理服务部署在边缘节点，带宽成本可以忽略。如果是集中式部署服务全国用户，带宽仍然是一项。
综合来看，算力折旧是 Token 边际成本的最大单项。根据主流 API 提供商的公开定价反推：以 GPT-4o 级别模型为例，每百万 Token 输出定价约 $15，其中算力折旧（GPU 采购 + 电力 + 数据中心折旧分摊到每次推理）约占 40-55%，模型训练摊销约 10-15%，推理框架+运维约 15-20%，数据+带宽+其他约 15-25%。这个拆解基于公开 API 定价和 GPU TCO 模型估算，不同提供商有差异。 所以 Token 价格在 18-24 个月内有下降空间——但不是"白菜价"。更合理的估计是：同等质量推理的 Token 价格下降 40-60%，加上推理框架优化的叠加效应，总体可能下降 50-70%。
更可能的趋势是Token 定价分层化。高峰期高质量推理（Agent 多轮对话、长上下文、高并发）保持高价位，低谷期批量推理（日志分析、内容审核）白菜价。阿里峰谷 Token 2 折定价就是分层定价的初级形态。
真正值得跟踪的信号：Q4 Atlas 950 第一批实际部署的推理性能数据和定价模型。
观察二：国产芯片训练——"0 到 1"已过，"1 到 10"刚开始
三个里程碑
里程碑 1：美团 LongCat-2.0（6 月 30 日开源）
这是目前最硬的证据。
- 1.6 万亿参数 MoE 架构，每个 Token 平均激活约 480 亿参数
- 5 万余张国产算力芯片预训练，使用超过 35 万亿 Tokens
- 用的是 2023 下半年量产的某款主流国产芯片——不是最新型号
- "从第一个 Token 到最后一个 Token，全部是在国产算力上完成的"——没有用 GPU 预训练权重做初始化
- 性能在 Coding/Agent 常用 benchmark 上接近 Anthropic Opus 4.6（2026 年 2 月发布）
这个里程碑的意义不在于模型性能本身（Opus 4.6 已经不是最强标杆），而在于：它用工程实践推翻了"国产芯片不能训万亿模型"的行业共识。
2025 年末，模型创业公司技术负责人的共识还是："用国产芯片训练模型周期至少是 GPU 的 150%，成本高一倍以上。建议不要用国产芯片训模型。"行业内普遍做法是预训练先用 H100/H800，再用国产算力复现。
LongCat-2.0 用 2023 年的"旧芯片"训出万亿模型，直接打破了这层认知。
里程碑 2：摩尔线程 MoE-236B（WAIC 首展）
摩尔线程首次展示从零起步完成 MoE-236B 基础模型完整训练，同时展示全球首个 5D 世界模型"北大 EvoPhys-World"的全栈原生训练过程。
使用的是 2025 年量产的 S5000 GPU。目前万卡集群正在为商业客户训练万亿参数模型。摩尔线程自研了 MUSA（元计算统一系统架构）全栈软硬件技术栈——从硬件架构、指令集、驱动到编译器、基础软件库及开发工具。
里程碑 3：行业认知翻转
Omdia 分析师詹墨磊的评价："万卡集群训练大模型的案例，标志着国产 AI 芯片在训练侧完成了从'0 到 1'的跨越——万亿参数 MoE 模型全流程预训练在工程上已被证明可行。这一突破的本质不是芯片硬指标的赶超，而是'模型架构-工程实现-芯片能力'三者数年来协同演化的系统级成果。"
为什么突破发生在现在而不是更早
这个问题的答案比里程碑本身更重要。
第一，MoE 架构的流行改变了训练侧的硬件需求结构。
要理解这一点，需要对比 Dense 模型和 MoE 模型的通信模式差异。
传统 Dense 模型训练中，每次前向传播所有参数都参与计算。梯度更新需要在所有卡之间做 AllReduce，每张卡把自己的梯度发给所有其他卡，然后取平均。这个操作的数据量 = 模型参数量 × 4 字节（FP32 梯度）。对于一个 175B 的 Dense 模型，每次梯度同步需要传输 700GB 的数据。在万卡集群中，AllReduce 通过环形成树形拓扑完成，通信时间与 log(N) × 模型大小成正比。集群越大，通信越慢。
MoE 模型的通信模式完全不同。每次前向传播只激活部分专家（比如 LongCat-2.0 的 1.6 万亿参数每次只激活 480 亿），激活的 Token 需要被路由到正确的专家所在的卡上。这个操作叫 All-to-All，每个 Token 发给对应专家，专家算完再发回来。MoE 的 All-to-All 通信量不等于 batch_size × hidden_dim × 2，还取决于 expert routing 模式：每个 Token 每层选 top-k 个专家（k 通常为 2-8），通信量约为 batch_size × hidden_dim × top_k × 2。但关键特征不变：通信量跟模型总参数量无关，只跟激活规模成正比。
这意味着：MoE 架构把通信瓶颈从"模型有多大"变成了"一次处理多少 Token"。批处理越大通信越大，但可以通过增大 batch 来摊薄通信开销（计算-通信比更优）。国产芯片的弱项（单卡互联带宽低于英伟达）被这种架构趋势部分绕过了。
第二，推理侧的工程积累反哺了训练侧。
国产芯片从 2023 年开始大量用于推理场景。推理和训练共用很多底层组件：算子库（矩阵乘法、注意力、归一化的 GPU 实现）、集合通信库（NCCL 的国产替代）、图编译器（把高层模型描述映射到硬件执行）。
在推理场景中，工程团队需要针对每一种模型架构做算子级别的优化——把 GEMM（通用矩阵乘法）调到理论峰值、把 Attention 的显存访问模式优化到极致、把 KV Cache 的存储格式调整到最省带宽。这些优化经验可以直接迁移到训练侧，训练只是在推理的基础上加上反向传播和梯度同步。
两年多的高强度推理部署，让国产芯片厂商在算子库覆盖率和优化深度上积累了大量经验值。当这些经验值跨过"能覆盖 95% 以上的常见模型结构"的阈值后，训练侧的适配就从"每个新模型都要从头调"变成了"组合已有算子"。
第三，软件栈的成熟度跨过了临界点。
美团用 2023 年的芯片训出万亿模型，靠的不是芯片性能的进步（2023 年的芯片早就存在），而是软件栈在这两年间的持续优化。具体来说：
分布式训练框架需要解决四个问题：数据并行（把不同批次的数据分给不同卡）、张量并行（把一个大矩阵切到多张卡上）、流水线并行（把模型的不同层分到不同卡上）、以及专家并行（MoE 特有，把不同专家分到不同卡上）。每一层并行都需要对应的通信原语和调度策略。
到 2025 年底，主流国产芯片的分布式训练框架已经支持了上述四种并行模式的自由组合——3D 并行+专家并行的 4D 训练策略跑通了。美团的技术报告隐含了一个关键信息：LongCat-2.0 的训练不是在最新芯片上完成的，而是在两年前的硬件上——这意味着瓶颈从来不是芯片本身，而是软件栈的成熟度。软件栈过了拐点，旧芯片也能训万亿模型。
第四，国际制裁倒逼了生态闭环。
当 H100/H800 的获取变得不确定甚至不可能，企业不得不把最好的工程人才投入到国产芯片适配上。这种"被迫的投入"在两年后开始产生回报。如果没有制裁，按市场自然选择，国产芯片的训练生态可能还要再等三五年。因为用 GPU 训练又快又省事，没有理由投入大量人力去做国产芯片的适配优化。
"训练可行"到"训练经济"还有多远
"训练可行"和"训练经济"是两个不同的问题。可行是"能跑通"，经济是"比 GPU 更划算"。
要判断国产芯片训练成本什么时候能真正追平 GPU，需要看几个变量：
变量一：MFU（模型算力利用率）。 训练的实际效率取决于 MFU，有效计算时间占总时间的比例。英伟达 H100 集群训练 MoE 模型的 MFU 在 45-55% 区间（已公开数据）。国产芯片的 MFU 目前没有公开数据，但根据推理侧的经验反推，估计在 30-45% 区间——意味着训练同样规模的模型，国产芯片需要多跑 20-50% 的时间。如果 MFU 能在 12 个月内从 35% 提升到 45%（追上 GPU），训练成本就能持平。
变量二：芯片采购成本。 国产 AI 芯片的单卡成本通常低于英伟达（制程成熟+不需要 HBM 的情况下），但集群总成本不只要看芯片——还要看互联、散热、运维。超节点的部署如果能在 12 个月内规模化，系统级 TCO（总拥有成本）有机会追平或低于 GPU 集群。
变量三：工程团队的经验曲线。 国产芯片的训练适配经验积累约 2 年，英伟达 CUDA 生态积累超过 10 年。但经验曲线的斜率在前期更陡——从"不会用"到"会用"需要的时间，远短于从"会用"到"精通"。国产芯片目前正处于从"会用"到"精通"的过渡期，这个阶段的效率提升最快。
综合三个变量，"训练成本追平 GPU"的时间窗口大致是 12-18 个月。如果 MFU 提升慢于预期（比如某些模型架构的适配遇到瓶颈），可能延长到 18-24 个月。如果超节点+新架构芯片（如东方算芯）的量产快于预期，可能压缩到 12 个月以内。
需要冷静看到的差距：
- LongCat-2.0 虽然接近 Opus 4.6，但 Opus 4.6 本身已经不是最强标杆。国产芯片训出来的模型在绝对性能上仍有一代左右的差距。
- 摩尔线程展示的 MoE-236B 规模远小于 LongCat 的 1.6 万亿。从 236B 到万亿级，中间还有工程挑战。
- 万卡以上集群的训练稳定性——特别是长时间运行中的硬件故障率、检查点恢复效率——目前缺乏公开的详细数据。英伟达在这方面的工程积累超过十年。
观察三：东方算芯 DF1000——绕过制程的第三条路
为什么这条路线值得认真对待
WAIC 开幕前一天，东方算芯在浦东发布全球首颗软件定义近存计算 3D AI 芯片 DF1000。展台上直接打出"14nm ≈ 4nm"的口号。
这不是 14nm 制程做出了 4nm 晶体管的性能。而是通过两条技术路线在系统层面实现了等效体验。理解这两条路线之前，需要先理解国产芯片面临的两个核心瓶颈：
瓶颈一：先进制程被卡。 美国出口管制限制了中国获取 7nm 以下制程的制造能力。国产最先进的量产制程停留在 14nm。在制程受限的情况下，靠缩小晶体管尺寸来提升性能这条路走不通。
瓶颈二：HBM 供应链受限。 高带宽内存（HBM）是 AI 芯片的关键组件，决定了芯片能多快地从内存读取数据。HBM 的制造高度集中在三星、SK 海力士和美光手中，且受出口管制限制。没有 HBM，国产芯片的带宽天花板就被锁死了。
DF1000 的两条技术路线恰恰绕过了这两个瓶颈。
路线一：软件定义芯片
传统芯片设计是"硬件固定功能"——芯片流片后，计算单元的功能就确定了。要改变功能，只能重新设计、重新流片。
软件定义芯片完全不同：芯片硬件本身没有固定功能，由软件动态配置。 核心是"空间并行+时分复用"——同一块硅片在不同时刻可以重新配置为矩阵乘法单元、向量处理单元、或者通信控制单元。
这意味着什么？
模型算法几乎每三个月大迭代一次。传统芯片从设计到流片要 12-18 个月——等芯片造出来，算法已经变了三代。GPU 的解法是做通用处理器（SIMT 架构），什么都能干但效率打折。软件定义芯片的解法更激进：让硬件跟着软件变，每次运行时都重新配置成最优形态。
好处是显而易见的：对模型架构迭代极友好，不需要重新流片。代价也显而易见：可重构架构的"灵活性税"——同一块硅片上，能用在纯计算上的晶体管比例更低。
为什么？因为可重构架构需要大量的配置存储器（记录当前硬件该做什么）、可编程互联网络（连接不同的计算单元）、以及配置控制器。这些都是"管理开销"——它们占据硅片面积但不直接产出算力。以 FPGA 为参考，典型的 FPGA 中约 50-70% 的面积是可编程互联和配置存储器，只有 30-50% 是实际计算逻辑。这就是为什么同样制程下 FPGA 的计算密度只有 ASIC 的 1/5 到 1/10。
软件定义芯片是在 FPGA 和 ASIC 之间找平衡点。它比 FPGA 更高效（配置粒度更粗、互联开销更小），比 ASIC 更灵活（运行时可重构）。魏少军在发布会上没有透露具体的"管理开销"比例，但 20 年的学术积累说明这个 trade-off 已经被深度优化过。
这意味着对"14nm ≈ 4nm"的理解应该是：
第一个数字：4nm ASIC 的计算密度大约是 14nm ASIC 的 8-10 倍。这个估算基于台积电公开的晶体管密度数据（N14 约 30 MTr/mm²，N4 约 140-180 MTr/mm²，密度差约 5-6 倍），加上频率提升（约 1.3-1.5 倍）和架构改进（约 1.2-1.3 倍），合计约 8-10 倍。这是制程差距的物理上限。
第二个数字：软件定义架构的管理开销。FPGA 是极端参照（50-70% 面积用于配置和互联）。软件定义芯片的配置粒度更粗，互联开销更小。魏少军在发布会上未透露具体比例，但 20 年学术积累表明这个 trade-off 已被深度优化。合理的假设是管理开销在 30-50% 区间（即计算逻辑占芯片面积的 50-70%）。
第三个数字：近存计算+动态重构的加成。混合键合把访存带宽提升到 6.4 TB/s（超过 HBM3e 的 4.8 TB/s），减少了计算单元等待数据的空闲时间。动态重构让硬件资源利用率在多变负载下保持高位。两者的综合加成粗估为 3-5 倍有效算力提升，但这依赖于具体负载特征。
三个数字叠加：14nm 软件定义芯片的有效计算密度 ≈ 14nm ASIC 密度 × (1/0.5) × 3-5 ≈ 14nm ASIC 的 6-10 倍，接近 4nm ASIC 的 8-10 倍。这个推导说明"14nm ≈ 4nm"不是魔法，而是两个技术方向的叠加效果。但它也说明这个等号有较宽的误差区间：在理想负载下可能成立，在不利负载下可能只达到 4nm 的 60-70%。
这条技术路线源自清华大学微电子所，从 2006 年发展至今 20 年。CEO 魏少军是清华微电子所教授、中国芯片设计领域的学术权威。这不是一个从零开始的创业团队——是学术积累 20 年后的产业化落地。
路线二：3D 堆叠近存计算
这是真正有意思的部分。
传统芯片架构中，计算单元和内存是分开的——数据需要从内存通过 PCB 板上的导线传输到计算单元，处理完再传回去。这个过程中，数据搬运消耗的能量和时间远大于计算本身。这就是"存储墙"问题。
具体来说有多严重？做一次 64-bit 浮点乘法运算大约消耗 1 纳焦的能量。而从 HBM 读取一个 64-bit 数据到计算单元，需要消耗约 100-200 纳焦——是计算本身的 100-200 倍。这意味着在大模型推理中，绝大部分能量和时间不是花在"算"上，而是花在"搬数据"上。
行业的主流解法是 HBM——把内存和计算芯片通过 TSV（硅穿孔）和微凸点 3D 堆叠在一起，缩短物理距离。但 HBM 供应链受限。
DF1000 走了一条更激进的路：DRAM-Logic 晶圆级混合键合（Wafer-level Hybrid Bonding）3D 垂直封装。
区别在哪？要理解区别，需要看两种方案的物理参数：
传统 HBM 3D 堆叠用微凸点（micro-bump）连接 DRAM 层和逻辑层。微凸点的间距通常在 30-50 微米。在这个间距下，单位面积能放的互联通道数有限——一个典型的 HBM3 芯片约有 5000-10000 个 TSV 互联通道，提供约 3.35 TB/s 的带宽。
混合键合不用凸点。两层晶圆直接在铜-铜界面键合，间距做到亚微米级（小于 1 微米，先进工艺可以做到 0.4-0.9 微米）。在这个间距下，单位面积能放的互联通道数是微凸点方案的 100-1000 倍。
通道密度的提升直接转化为带宽提升——这就是为什么 DF1000 用常规 DRAM（不是 HBM）就能实现 6.4 TB/s 的访存带宽，超过 HBM3（3.35 TB/s）和 HBM3e（4.8 TB/s）。
但物理上没有免费午餐。混合键合有一个硬约束：散热。DRAM 层和 Logic 层贴在一起后，Logic 层产生的热量需要穿过 DRAM 层才能散出去。DRAM 对温度敏感（工作温度通常要求 < 95°C），高负载下 Logic 层的热量可能把 DRAM 推到不安全温度，触发热节流（thermal throttling），降低带宽和频率。
DF1000 的散热方案没有详细披露。可能的方案包括：使用较薄的 DRAM 层（减少热阻）、在 Logic 和 DRAM 之间增加导热界面材料、或者采用液冷封装。这个问题的解决程度直接决定了 6.4 TB/s 在持续高负载下能维持多少。
路线图：2026 年底 DF2000，2027 年 DF3000，目标分别超越英伟达 H200 和 B300。
需要验证的问题
DF1000 的技术路线有想象力，但几个关键问题需要实际部署数据来回答：
1. 有效算力（MFU）是多少？
520 TFLOPS 是峰值。有效算力取决于软件定义架构的重配置开销——每次切换功能需要多少时钟周期？在 MoE 模型的 All-to-All 通信和专家计算交替场景下，频繁的功能切换会不会吃掉太多时间？魏少军自己说"更看重的不是实验室里的峰值数字"——这是对的，但最终要看用户部署后的真实 MFU 数据。
合理的参照：GPU 在训练大模型时的 MFU 约 45-55%。如果 DF1000 的软件定义架构能保持 40%+ 的 MFU，就已经接近实用门槛。低于 30% 则说明"灵活性税"太重。
2. 每美元算力和每瓦算力
14nm 晶圆成本低——但软件定义架构需要更多的配置存储器和互联网络，芯片面积可能更大（14nm 下做大芯片有良率挑战）。此外，混合键合的 3D 封装成本不低——wafer-to-wafer 键合要求两层晶圆的良率都接近 100%（否则一片坏芯片报废整片晶圆）。最终每美元算力（$/TFLOPS）是否真有竞争力，需要等量产定价后才能判断。
3. 软件生态的死亡谷
号称兼容主流深度学习框架，提供全栈 CAAP 软件栈。但"兼容"和"高效优化"之间差距很大。昇腾的 CANN 生态做了好几年才到今天的成熟度。东方算芯作为 2024 年成立的新公司，软件生态的成熟速度是最大的未知数。
具体来说：深度学习框架（PyTorch/TensorFlow）的后端需要适配每种芯片架构的算子。GPU 有 CUDA 提供统一抽象层，所以框架只需要适配 CUDA。国产芯片要么自建类似 CUDA 的抽象层（昇腾的 CANN、摩尔线程的 MUSA），要么走 OpenAI Triton 或 LLVM 等中间表示。东方算芯的 CAAP 走哪条路、覆盖多少算子、性能调到什么水平——这些直接决定了"能用"和"好用"之间的距离。
4. 从 128 卡到大规模集群
目前展示了 128 卡集群稳定运行。从 128 卡到 512 卡、1024 卡的扩展过程中，互联拓扑、路由策略、故障隔离、内存一致性等工程问题会非线性增长。超节点玩家在这个维度上有更深的积累。
判断
DF1000 的意义不在于它能不能立刻打败英伟达。而在于它证明了一条技术路线的可行性：既然先进制程被卡，就在架构创新和先进封装上找回来。
华为用灵衢互联弥补单卡制程劣势，走系统级路线。摩尔线程用工程能力证明国产芯片训练可行性，走生态适配路线。东方算芯用软件定义+3D 近存计算绕过制程和 HBM 瓶颈，走底层架构创新路线。三条路线方向不同，战略逻辑一样——在制程受限的约束下，通过架构和系统创新重建性能竞争力。
这不是被动应对，是主动选择了一条不同的效率曲线。
观察四：具身智能的"8 小时标准"——从演示到生产力的鸿沟
评价标准为什么重要
具身智能是 WAIC 2026 的双核之一，200+ 家企业参展。但比数量更重要的是行业验收标准的变化。
"8 小时标准"不是某一家企业提出的技术指标，是整个展区的一种默契。从擎朗到智元，从蚂蚁灵波到艾利特，所有人的展台叙事从"看，我的机器人能做这件事"变成了"看，我的机器人在真实场景中每天做这件事，做了 30 天"。
这个转变意味着行业正在穿越一个关键的工程鸿沟：从"演示可行性"到"证明可靠性"。
在实验室里完成一次任务闭环，需要解决的是感知→规划→执行的链路打通问题。在真实产线上连续运行 8 小时，需要解决的问题完全不同。为什么 8 小时连续运行比一次 Demo 困难得多？
因为真实环境的扰动是长尾分布的。 在一次 Demo 中，物体放在固定位置、光照是恒定的、没有人会突然闯入工作空间。但在真实产线上运行 8 小时，机器人会遇到：光照从早晨的自然光变成下午的西晒、工件批次之间的尺寸偏差、传送带的轻微震动导致视觉模糊、隔壁工位的操作员偶尔走进工作区、传感器在连续工作 4 小时后出现漂移。
这些扰动的每一个单独出现时都不致命，但它们的组合空间是指数级的。一个在 100 次 Demo 中 100% 成功的系统，在 8 小时连续运行中遇到一个未预见的扰动组合就可能失败。这就是为什么"实验室成功率 99%"和"产线连续运行 8 小时不中断"之间有一到两个数量级的工程差距。
技术层面发生了什么变化
VLA（Vision-Language-Action）模型成为主流架构。传统机器人管线是分离式的：先做目标检测（感知），再做路径规划（认知），最后生成关节角度（执行），三个模块用不同的模型，中间靠手工接口拼接。VLA 把视觉理解、语言推理和动作执行统一到一个端到端神经网络中，输入是摄像头画面和语言指令（如"把红色杯子放到左边"），输出是每个关节的角度和力度指令。训练数据来自遥操作演示：人类通过 VR 手柄或动捕手套控制机器人完成任务，系统记录"看到什么→做了什么"的配对数据。模型训练后可以泛化到训练时没见过的物体和场景。擎朗展示了融合世界模型的 VLA 架构。蚂蚁灵波的 LingBot-VLA 是跨本体基座模型——让不同形态的机器人（机械臂、轮式、人形）共享同一套操作能力。
跨本体学习为什么重要？因为具身智能最大的瓶颈不是算法，而是数据。
一个人类婴儿通过约 1000 小时的自由探索就能学会基本操作。一个机器人要达到同等操作能力，需要多少数据？目前的估计是每个任务约 1000-10000 次演示——这还不算环境变化带来的泛化需求。如果每台机器人都需要从零学习，数据采集成本就是不可持续的。
跨本体学习的逻辑是：让不同构型的机器人共享同一个"大脑"。一个人形机器人在工厂里学到的"抓取圆柱体"技能，其底层表征可以迁移给一台轮式机械臂。这样，100 台不同构型机器人的数据可以喂给同一个基座模型，而不是每台机器人独立训练。
数据采集成本因此被大幅摊薄。这也是为什么蚂蚁灵波能在药房场景实现 3 台不同构型机器人协同工作——它们共享 LingBot-VLA 的跨本体能力。
长序列任务闭环开始成熟。 傅利叶 GR-3 在居家场景中完成"拿苹果→找玩偶"等长序列任务——这意味着系统不仅能执行单个动作，还能在多步骤任务中保持目标跟踪和状态管理。
长序列任务的技术难点在于误差累积。每一步动作都有一定的失败概率。如果每步成功率为 95%，10 步链式任务的综合成功率只有 60%。要让 10 步任务达到 95% 的综合成功率，每步成功率需要达到 99.5%。这意味着长序列任务对单步可靠性提出了远高于 Demo 水平的要求。
蚂蚁灵波的药房场景更进一步——3 台异构机器人在 90 秒内协同完成多步骤工作流。多机协同引入了额外的通信和同步开销，但也提供了容错机会：如果一台机器人失败，另一台可以接管。
工业级精度开始达标。 艾利特 Centaur-G1 的 ±0.1mm 重复定位精度，达到了光通信精密制造的要求。从"能抓东西"到"能做精密装配"，是质的跨越——后者的公差要求通常在 0.05-0.5mm，而前者只要在 1-5cm 范围内就算成功。
"12-24 个月"的推导依据
"从 8 小时标准提出到大规模达成还需要 12-24 个月"——这个时间估计不是拍脑袋，可以基于几个可观测的变量推导：
变量一：VLA 模型的数据积累速度。 目前 VLA 基座模型的训练数据主要来自遥操作演示和仿真环境。遥操作的采集速度约 100-500 条/人/天（取决于任务复杂度）。假设一个 50 人的数据采集团队，每天产出约 10000 条演示。一年积累约 300 万条——足以支撑基础操作技能的泛化，但对长尾场景覆盖仍然不够。基于这个速度，达到"工业级 95% 成功率"大致需要 2-3 轮数据迭代（每轮 6-8 个月）。
变量二：部署反馈迭代周期。 每一批机器人部署到真实场景后，需要收集失败案例、分析原因、更新模型、重新部署。一轮完整迭代周期约 2-3 个月（含数据收集+模型重训+回归测试+现场更新）。要从一个新场景的初始成功率（通常 60-70%）迭代到 95%+ 的生产级，需要 4-6 轮迭代 = 8-18 个月。
变量三：硬件可靠性验证。 连续运行 8 小时对硬件本身也是考验——减速器磨损、电机温升、线缆疲劳。人形机器人的 MTBF（平均无故障时间）目前大多在 200-500 小时量级。要达到每天 8 小时连续运行、每月维护一次的标准，MTBF 至少需要 240 小时——刚好在当前水平的下限。提升到 500+ 小时需要 12 个月左右的硬件迭代。
三个变量取最长路径，"大规模达到 8 小时标准"的时间窗口是 12-24 个月。乐观场景（数据积累快+硬件可靠性好）可能在 12-15 个月；保守场景（长尾场景覆盖慢+硬件问题多）可能需要 20-24 个月。
政策目标的锚点
上海发布的目标是"十五五"末推动 10 万台人形机器人进入工厂。2026 年中国人形机器人全年整机产量有望突破 10 万台。
但从产量到部署再到有效运行，中间有巨大鸿沟。10 万台产量是供给端数字。真正有意义的是：有多少台机器人在真实场景中连续运行超过 30 天、每天超过 4 小时、完成任务的成功率超过 95%。
这个数据目前没有人公开。一个合理的推测是：目前行业内能做到连续 30 天稳定运行的机器人部署，数量级远小于产量数字。大多数机器人还处于"部署-调试-再部署"的循环中。
"8 小时标准"的提出说明产业已经意识到了这个鸿沟。但提出标准和达到标准之间，还需要时间。
四、Token 经济学的拐点信号
把四条线索放在一起，有一个交汇信号值得单独提出来：Token 定价的商业模式正在发生质变。
阿里千问推出"峰谷 Token"计费——用户每晚 10 点到次日早 8 点使用 Token 最低可至 2 折。这个定价模式借鉴自电力市场的峰谷定价。
电力市场为什么有峰谷定价？因为发电厂的边际成本在用电高峰和低谷差异巨大——高峰时需要启动成本高昂的调峰电厂，低谷时基荷电厂的产能过剩。峰谷定价引导需求向低谷转移，提高整体利用率。
Token 市场的峰谷定价说明什么？
要理解这个迹象，需要先想清楚：AI 推理集群的利用率为什么会有昼夜波动？
根据行业经验估算，大型 API 提供商的推理集群日均利用率约 40-60%。白天高峰期（工作时间段 8-10 小时）利用率可达 80-95%，夜间低谷期（约 14-16 小时）利用率可能降到 20-30%。这意味着每天有 30-40% 的时间，集群算力大部分在空转。
推理集群的容量是按峰值需求配置的。 白天是企业用户调用 API 的高峰——Agent 任务、数据分析、客服对话、内容生成集中在工作时间。夜间企业调用减少，但集群的算力不会自动关停（GPU/NPU 关机再启动需要加载模型权重，耗时几分钟到十几分钟，不如保持空闲待命）。
这意味着夜间有大量算力在"空转"——折旧在继续、电费在继续，但不产出 Token。如果能把夜间的空闲算力以 2 折价格卖给对时延不敏感的批量任务（日志分析、离线翻译、数据清洗），就能把"空转成本"变成"边际收入"。
阿里推出这个定价，说明推理供给侧的利用率波动已经成为一个值得经营管理的问题。如果推理集群规模还很小，日夜都在满载，不会有峰谷定价的动力。峰谷定价的出现说明推理产能已经到了一定规模，开始面临"如何提高利用率"的经营效率问题，而不只是"如何扩大产能"的建设问题。
结合前面分析的超节点对推理成本的 40-60% 压缩空间——推理产能的扩张速度会加快（单位成本下降→更多部署），但利用率的经营压力也会加大（产能增速可能快于需求增速）。这跟光伏产业经历过的周期非常相似：产能快速扩张→价格战→龙头企业通过规模效应和成本优势活下来→尾部企业出清。
Token 价格的趋势因此不是单调下降，而是伴随周期性价格战的阶梯式下降。每次新一代算力基础设施（超节点、新架构芯片）投入部署，触发一轮价格战，Token 价格下一个台阶。然后需求追上供给，价格短暂稳定。接着下一轮。
阿里峰谷 Token 2 折定价就是第一轮价格战的早期信号。
五、判断
WAIC 2026 折射出的中国 AI 产业趋势：
第一，竞争逻辑从"追赶制程"转向"架构创新+系统效率"。 华为用灵衢互联弥补单卡制程劣势——单颗昇腾 910C 的 FP16 算力约为英伟达 B200 的 1/3（基于公开规格对比），但系统级把有效算力占比从 30-45% 推到 70-85%。摩尔线程用工程能力证明国产芯片训练万亿模型可行——美团用 2023 年旧芯片训出 LongCat-2.0，瓶颈从来不只是硬件。东方算芯用软件定义+3D 近存计算绕过制程和 HBM 瓶颈——混合键合的通道密度是传统微凸点的 100-1000 倍，用常规 DRAM 做到了超过 HBM3e 的带宽。三条路线战略逻辑一样：在制程受限的约束下，通过架构和系统创新重建性能竞争力。
第二，产业从"能不能"切换到"赚不赚"。 大模型不再比参数，开始比 Token 定价模型。机器人不再比后空翻，开始比产线工时。Agent 不再比 Demo 效果，开始比端到端任务完成率。AI4Science 不再比论文，开始比缩短了多少研发周期。
第三，推理成本有实质性下降空间。 超节点的 3 倍单卡推理效率提升直接压低算力折旧（Token 边际成本的最大单项），叠加推理框架每年 20-30% 的独立改善。但运维、数据、带宽不受影响。综合来看，Token 价格在 18-24 个月内下降 50-70%——不是"白菜价"，而是阶梯式下降伴随周期性价格战。
第四，国产芯片训练侧"0 到 1"已完成。 美团 LongCat-2.0 是最硬的证据。突破发生在现在而不是更早，是因为 MoE 架构改变了通信模式（从 AllReduce 到 All-to-All，绕过了国产芯片带宽弱项）、推理侧工程积累反哺训练、软件栈过了回报拐点、制裁倒逼生态闭环。"1 到 10"——训练成本真正追平 GPU——取决于 MFU 提升速度，预计 12-18 个月。
第五，具身智能的"8 小时标准"是最值得记住的产业共识。 从"演示可行性"到"证明可靠性"的转向已经开始。根据 VLA 数据积累速度（每轮 6-8 个月）、部署反馈迭代周期（每轮 2-3 个月，需 4-6 轮）、硬件可靠性验证（MTBF 从 200-500 小时提升到 500+ 小时，需约 12 个月），大规模达到 8 小时标准的时间窗口是 12-24 个月。
WAIC 2026 不是一场"秀肌肉"的嘉年华。考试才刚开始。
数据来源：WAIC 2026 官方发布会及展览现场报道（中国工信新闻网、澎湃新闻、第一财经、南方都市报、新民晚报、东方网、钛媒体、华夏时报、中国经营报、IT 时报、科创板日报、红星资本局、蓝鲸新闻等），华为/中科曙光/中兴通讯/东方算芯/美团/摩尔线程官方发布及技术资料，中国信通院《超节点发展报告》，中信证券 WAIC 2026 前瞻研报，Omdia 分析师评论。BOM 成本拆解为基于公开信息的推算，不代表精确数字。数据截至 2026 年 7 月 18 日。
本文不构成投资建议。