逛完WAIC 2026我悟了：國產AI芯片的真對手，根本不是英偉達的GPU

允中 發自 凹非寺
量子位 | 公眾號 QbitAI

比英偉達GPU更難跨過去的，是CUDA

這是逛完WAIC 2026之后，關于國產AI芯片的一個越來越清晰的感受。

過去，大家圍著國產芯片問的是，峰值算力多少？制程多少納米？和英偉達相比差多少？

走到清微智能的展位前，你會發現一件有意思的事：這里擺的不只是芯片。

可重構芯片、4K超節點、RAISA軟件棧、行業應用，被放在一起呈現——像是在回答所有國產芯片廠商都繞不開的問題：

芯片發布之后呢？模型怎么跑起來？算力怎么擴展？客戶憑什么把核心業務遷過來？

這個問題背后，是國產算力競爭邏輯的一次切換：從發布會上的參數對比，轉向能否形成穩定、易用、可規模部署的系統能力。

國產算力真正要替代的，也不只是一顆英偉達GPU，更是CUDA背后經過多年積累形成的開發習慣、工程標準、遷移成本和生態信任

所以，發布芯片只是拿到入場券。

讓客戶敢遷、能用、愿意長期使用，才是真正的國產替代。

造出芯片只是第一步

CUDA早已不只是一套編程接口。

英偉達官方對CUDA Toolkit的定義包括加速計算庫、編譯器、運行時，以及調試和性能優化工具，并覆蓋嵌入式設備、工作站、數據中心和超級計算機。

換句話說，客戶采購的不是一顆孤立的GPU，而是一套已經運行多年、經過無數開發者和應用驗證的生產體系。

因此，國產算力要解決的核心問題，不只是芯片能不能算，而是“客戶能不能低成本地換、穩定地用、持續地擴”

本文以國產創新架構AI芯片代表——清微智能為樣本，從架構、芯片、軟件棧、超節點和算力網絡等多個維度展開觀察。

可以看到，在當下更強調確定性、易用性和經濟性的產業環境中，清微智能并未局限于追求單顆芯片的參數領先，而是走出了一條貫通底層架構、軟硬件系統與產業應用的完整生態構建之路。

過去，AI芯片企業選擇幾個核心參數與英偉達進行橫向比較，這種比較并非沒有意義。

峰值算力、顯存容量、功耗和價格，都會決定一款產品能不能進入客戶的初步評估名單。

但參數解決的是“能否上桌”，無法直接回答“能否部署”。

一套算力系統真正進入生產環境，至少要同時具備四種能力。

• 第一層是芯片和計算卡，決定基礎性能與能效；
• 第二層是驅動、編譯器、算子庫和開發工具，決定模型能否遷移；
• 第三層是服務器、超節點、網絡和集群管理系統，決定算力能否規模化聚合；
• 第四層是模型適配、解決方案和行業案例，決定客戶是否敢于采購。

或許清微智能目前試圖搭建的，正是這條完整鏈路：底層以可重構計算架構形成差異化，中間通過芯片、服務器、超節點和RAISA軟件棧完成系統封裝，上層再進入智算中心和金融、能源、教育、醫療等行業。

筆者從清微智能官網看到，其已建設超過10余個可重構算力中心，算力卡累計訂單超過4萬張，適配上線模型及應用超過200個

公司同時將RAISA軟件棧、FlagOS生態協同和主流模型Day-0適配，列為當前生態建設的重點。

制程受限，用架構效率來破局

國產高端算力芯片面對的第一個現實約束，是先進制程和高端供應鏈能力

如果完全沿著傳統GPU路線競爭，后進入者不僅要追趕芯片設計，還要同時追趕制程、存儲、先進封裝、互聯和軟件生態。

任何一個環節落后，都可能在最終性能上被放大。

而清微智能的可重構架構，選擇的是改變問題的解法：不把全部性能增長寄托在晶體管數量和制程升級上，而是嘗試提高已有晶體管的有效利用率。

傳統固定架構像一座提前劃分好車間的工廠。無論當天生產什么產品，機器的位置、生產線和工序都相對固定。一旦計算任務發生變化，部分硬件資源就可能閑置，或被用于并不適合的任務。

可重構架構則試圖讓計算資源根據任務動態組合。面對矩陣計算、卷積、稀疏計算或不同模型結構時，芯片可以通過軟件重新組織數據流和計算單元，讓硬件形態更接近當前任務。

清微智能官方技術頁面顯示，其可重構技術已從1.0、2.0演進至3.0，并將“軟件定義硬件”作為核心特征。

公司同時布局三維存算融合與Torus-X算力網格，希望分別解決計算效率、數據搬運和大規模互聯問題。

按清微智能在智源大會期間披露的口徑，傳統架構的有效晶體管利用率不足40%，可重構數據流引擎可將這一指標提高至70%以上

其邏輯不是讓芯片擁有更多晶體管，而是讓更多晶體管在具體任務中真正參與計算。

等同于最終業務性能。客戶真正關心的仍然是大模型吞吐、單Token成本、時延、精度和集群穩定性

但它提供了一種不同于單純追逐先進制程的競爭思路：當物理條件受到限制時，通過架構提高資源效率，可能比單純增加晶體管數量更具現實意義。

以集成超制程，算力瓶頸解題思路

芯片的計算單元變快之后，下一個問題很快就會出現：數據來不及送到計算單元

大模型推理和訓練不僅需要計算，還需要不斷從存儲系統中讀取權重、緩存中間結果，并在不同芯片之間傳輸數據。很多時候，計算單元并沒有真正滿負荷工作，而是在等待數據。

這就是所謂的內存墻。

清微3.5D異構堆疊與三維存算融合技術，試圖縮短計算芯粒和存儲芯粒之間的物理距離。

按照公司給出的比喻，傳統二維芯片的數據傳輸更像一條“單車道”，三維堆疊則相當于將道路擴展為立體的“四車道”。

△可重構數據流優勢

相關方案采用Chiplet和3.5D異構堆疊，將可重構計算芯粒與DRAM存儲芯粒進行高密度集成，把部分信號傳輸距離從毫米級壓縮到微米級，以提升帶寬并降低數據搬運帶來的延遲。

這條路線的意義在于，國產算力競爭的重點開始從單顆芯片能完成多少次計算，轉向整個系統能否持續向計算單元供應數據

但這同樣是一項工程挑戰。

3.5D堆疊涉及散熱、封裝良率、供電、芯粒互聯和測試體系。

概念模型能夠證明技術方向，量產成本、可靠性和長期交付能力，才決定它能否真正轉化為產品優勢。

為何說單卡再強也會折損在集群？

大模型時代，算力競爭的基本單位正在從單顆芯片，變成超節點和算力集群

△可重構架構芯片示意圖，兼顧通用與高效的算力

一張計算卡性能再高，也無法獨立承擔萬億參數模型、大規模訓練和高并發推理任務。

芯片必須通過高速互聯組成服務器，再由服務器組成超節點和千卡、萬卡集群。

此時，系統損耗會迅速成為核心問題。

芯片之間的數據同步、通信等待、網絡擁塞和任務調度，都會讓理論峰值算力在集群中不斷折損。

客戶真正獲得的，不是計算卡參數相加后的數字，而是扣除通信和調度損耗后的有效算力。

清微智能在WAIC 2026中提到的4K超節點方案，通過可重構芯片和Mesh網絡組織4096顆芯片，其互聯成本較國外同類方案降低約90%

值得一提的是，該公司此前展示的4K超節點系統，已經應用于中關村論壇、央視節目等場景。

過去，國產芯片企業更接近計算卡供應商；未來，競爭主體可能必須同時具備芯片設計、服務器開發、高速互聯、集群調度、運維和模型優化能力。

換句話說，客戶不再只購買一批芯片，而是在購買一套能夠持續生產Token的系統

以自主創生態，讓國產算力容易用

在所有遷移成本中，最隱蔽、也最難解決的，是軟件

芯片參數可以通過一次發布會被市場看見，軟件生態卻需要長期積累。

每一個模型、算子、框架和應用，都可能暴露新的兼容性問題。

正因如此，國內正在嘗試通過統一系統軟件棧降低不同AI芯片之間的遷移成本。

智源FlagOS的目標，是讓模型盡可能實現“一次開發、多芯遷移”；FlagOS 2.0已支持18家廠商的32款AI芯片，并建立包含497個算子的多芯片算子庫。

清微的RAISA軟件棧則承擔了連接自有硬件與上層模型的角色。

從結構上看，RAISA覆蓋基礎驅動和開發工具、編譯器、編程語言與算子庫、主流框架和行業應用。

其核心任務，是盡量隱藏底層硬件差異，讓開發者不必理解可重構陣列的所有細節，也能使用C/C++、Triton等工具進行開發。

按照清微智能此前披露的數據，RAISA已支持近千個主流算子，完成超過200個大模型的適配。

△清微智能RAISA軟件棧Day-0護航DeepSeek-V4落地

DeepSeek-V4預覽版發布當天，清微與智源FlagOS完成了Flash版本67個算子的全量適配與驗證。

相比“支持某個模型”的籠統表述，算子級適配更接近真實工程問題：模型能否運行，最終取決于底層是否覆蓋其所調用的全部核心算子。

△RAISA軟件棧的模型與算子適配規模

同一模型在不同芯片上能夠運行、能夠保持精度，以及能夠達到理想吞吐和成本，是三個不同層級。

未來更值得觀察的，是清微能否把Day-0適配從一次事件，變成穩定、可復制的軟件工程能力

真正成熟的軟件生態，不只是“新模型發布當天能跑起來”，還包括版本更新之后持續兼容、客戶問題能夠快速解決，以及不同模型在實際負載下保持穩定性能。

5000P算力，技術到商業閉環

衡量一家國產算力企業是否成熟，最終不能只看論文、發布會和實驗室指標，還要看真實部署。

按照清微智能提供的口徑，其相關產品已經進入全國多個智算中心和千卡級集群，部署及在建算力規模超5000 PFLOPS，并覆蓋金融、教育、醫療、能源、交通等領域。

這一數字的價值，在于它代表清微已經開始跨過從樣片、服務器測試到規模集群部署的門檻，但對產業分析而言，5000P并不是終點，而是下一階段驗證的起點。

部署規模回答的是賣出去了多少，利用率回答的是客戶是否真正使用，復購回答的是客戶是否認可，收入和毛利則回答商業模式能否持續。

從造芯到鋪軌：國產算力走向基礎設施

如果把AI芯片比作列車，那么軟件棧、超節點和算力網絡就是軌道。

列車性能再高，如果只能運行在封閉線路上，也很難成為真正的大規模基礎設施。

國產算力走向成熟，需要解決的不只是“有沒有國產芯片”，還要回答不同地區、不同芯片、不同智算中心之間，能否實現統一調度、協同運行和跨區域交付

例如本次作為樣本研究的清微智能，他們試圖做的，正是把可重構算力從單一芯片和計算卡，延伸為覆蓋軟件、系統與應用的分布式算力服務網絡：

底層通過可重構架構和三維集成提升計算效率，中間通過4K超節點聚合算力資源，再借助RAISA、FlagOS等軟件平臺完成模型適配、資源管理與集群調度，最終將不同地區的算力節點連接起來，服務政務、能源、教育和內容生產等場景。

這種“鋪軌”已經開始進入具體應用。

• 在智慧政務場景中，全棧國產化的辦公大模型智能體已經落地；
• 在AIGC領域，其算力方案被用于短劇內容生成、素材處理和后期制作等全流程；
• 在職業教育場景中，可重構AI芯片驅動的實訓平臺已進入河北化工醫藥職業技術學院、內蒙古機電職業技術學院等院校。

“鋪軌者”的意義并不是取代所有列車，而是建立一套能夠承載不同模型、不同客戶和不同應用的基礎設施

它既要求底層芯片自主可控，也要求軟件接口足夠開放、系統能夠持續擴展，最終讓算力以服務的方式跨區域交付。

國產替代不是一次性硬件采購

對客戶而言，換芯片從來不只是換一塊硬件。

開發環境要換、模型要遷移、性能要重新驗證、工程團隊要重新培訓，系統穩定性、運維和后續升級的風險也要一并承擔。

采購價格只是顯性成本，藏在軟件適配、人員投入和遷移周期里的隱性成本，往往更高。

這也解釋了清微智能在WAIC 2026現場的展陳邏輯：可重構芯片、4K超節點、軟件棧與行業應用被放在一起呈現，強調的不是單點參數，而是從底層架構到集群部署、再到實際應用的完整鏈路——

用可重構架構提高計算資源利用率，用三維集成緩解數據搬運瓶頸，用4K超節點擴展集群規模，再通過RAISA和FlagOS降低模型遷移與系統部署的門檻。

而智慧政務、AIGC短劇工廠、職業教育實訓平臺這些落地案例，則試圖證明國產算力不只能跑通模型，還能進入具體的業務流程。

當然，這條路線能否最終成立，仍要接受量產能力、實際性能、集群穩定性、算力利用率和商業回報的長期驗證。

但它至少指向了一個正在發生的變化：國產算力的評價體系變了。

這也是WAIC 2026釋放出的一個信號——國產算力的競爭重點，正在從“有沒有芯片”，轉向“能否形成穩定、易用、可規模部署的系統能力”。

展臺上的參數只是起點，真正決定產業位置的，是模型能否快速適配、集群能否穩定運行、算力能否進入真實業務。

過去，人們習慣追問國產芯片與國際產品之間還差多少參數。

往后，更關鍵的問題或許是：當客戶準備建設下一座智算中心、上線下一套大模型應用時，國產算力能不能給出一個足夠完整、足夠穩定、也足夠經濟的遷移理由。

*本文系量子位獲授權刊載自“數聚勢能”，觀點僅為原作者所有。