打破垄断! 万亿参数大模型用上国产芯，AI算力“去英伟达化”迈出关键一步

在AI算力圈，英伟达GPU一直是国内大模型训练的“香饽饽”，但“卡脖子”的隐忧，也让行业里的人始终揪着心。不过最近，国产算力终于迎来了让人眼前一亮的突破：国内的大模型企业们，正悄悄掀起一场“换芯”潮，把万亿参数大模型的预训练核心，从海外芯片换成了国产AI芯片，国产算力也正式从“能跑起来”向“跑得出彩”迈进。

从美团开源全球首个用国产算力训出来的万亿级大模型，到粤港澳大湾区万卡智算集群正式上线，再到科大讯飞、百度等企业加速布局国产算力生态，一场以“国芯训国模”为核心的产业突围战，已经全面打响。这可不只是技术上的突破，更关系到咱们国家AI产业能不能真正实现自主可控，走得更稳、更远。

01 里程碑突破：国产算力完成万亿参数模型训练“从0到1”

7月6日，美团干了件让整个行业都沸腾的事——正式开源了1.6万亿参数的LongCat-2.0大模型，这款模型采用了MoE架构，实力不容小觑。但很多人不知道的是，它全程是在5万多张国产算力芯片上训练的，前后只花了一个多月，就成了业内首个用国产算力完成训练的万亿级超大规模参数模型，直接打破了海外芯片在大模型预训练领域的垄断。

几乎就在同一时间，7月9日，粤港澳大湾区首个“国芯训国模”万卡智算集群，在广东韶关正式亮相。这个集群由中国电信负责运营，总投资大概55亿元，一共部署了30个华为昇腾384超节点，里面装着11520张昇腾910C芯片。官方明确说，它完全能承担万亿参数大模型的全流程训练任务，也成了国产算力规模化落地的一个重要标杆。

除此之外，摩尔线程2025年量产的S5000GPU搭建的万卡集群，也已经投入商用，正在帮客户训练万亿参数模型。市场调研机构Omdia的高级首席分析师詹墨磊说，万卡集群能成功训练大模型，意味着国产AI芯片在训练环节完成了“从0到1”的跨越——万亿参数MoE模型的全流程预训练，在工程层面已经被证明是可行的。

这个突破的意义，远不止技术层面那么简单。在此之前，国产AI芯片大多只用在模型微调、后训练，或者中小参数模型的预训练上，而大规模参数模型的预训练，一直被英伟达等国际厂商牢牢把控，这也是国产AI芯片实现自主可控必须啃下的“硬骨头”。现在，多个实际案例落地，也证明了国产算力已经具备支撑超大规模模型训练的能力。

02 两种布局姿态：重仓突围与谨慎试水并行

看着国产算力慢慢崛起，国内的大模型企业们也做出了不同的选择，主要分成两派：一派是以美团、科大讯飞为代表的“重仓派”，果断押注国产算力；另一派是百度、智谱这样的“试水派”，态度相对谨慎。不过不管是哪种选择，都在推着这场“换芯”工程稳步向前。

先说说“重仓派”的代表——美团和科大讯飞，其实早在2023年，它们就开始布局国产AI训练算力了。美团和国产算力厂商一起搞“模芯协同”研发，从最开始的小规模测试，一步步做到了现在的超大规模训练。这次的LongCat-2.0模型，全程用AIASIC芯片完成训练，还借助华为的集合通信库（HCCL）提升训练稳定性。虽说用到的芯片单卡显存比英伟达H800小，但靠着优化策略，还是成功突破了显存瓶颈。

科大讯飞算是国产算力的坚定支持者。2023年10月，它就上线了国内首个万卡国产智算平台“飞星一号”，这个集群的训练性能，能达到同规模英伟达A800集群的90%以上。到了2025年9月，科大讯飞更是计划拿出24亿元租赁国产算力，进一步扩大算力规模。现在，它旗下的多款星火系列模型，都是用国产AI芯片集群训练的，还成功适配了寒武纪MLU590、中科海光“深算三号”BW1000等多款国产芯片。

科大讯飞说，之所以选择走自主可控的国产化路线，核心就是不想让核心的训练、推理和迭代能力，长期依赖海外这一条路，这样能减少外部算力供给、成本波动和生态限制带来的影响。这种“押注式”的布局，也让它成了完善国产算力生态的重要力量。

和“重仓派”不同，百度、智谱等企业就谨慎多了，走的是“试水”路线。百度用控股子公司昆仑芯的算力集群，完成了文心5.1重要版本的训练，还在昆仑芯集群上训练了视频生成模型“百度蒸汽机”等三款多模态模型，但都没涉及旗舰级大模型的核心版本。智谱则是和华为昇腾合作，完成了图像生成模型GLM-Image的全流程预训练，算是验证了国产算力做预训练的可行性。

这种不一样的布局方式，既能看出企业对国产算力技术成熟度的考量，也能反映出行业现状——国产算力正从“试点应用”向“规模化落地”过渡。不管是重仓还是试水，其实都在为国产算力生态的完善，积累实实在在的实践经验。

03 瓶颈与代价：国产算力仍需跨越多重门槛

虽说国产算力已经取得了突破性进展，但和国际顶尖水平比起来，还是有不小的差距。“换芯”的过程中，也面临着不少难题和代价，想要全面“摆脱英伟达”，还有很长的路要走。

算力是第一道门槛。拿华为昇腾最新款的950DT芯片来说，它在FP8精度下的算力是1034TFLOPS，而英伟达H100芯片在相同精度下，算力能达到1979TFLOPS，单卡算力的差距一目了然。为了补上这个短板，国内芯片厂商都在推超节点方案，通过高速互连技术，把几千张芯片组合成一个超级计算节点，华为的384超节点、即将上市的950超节点，就是最典型的例子。

显存容量和带宽的限制，也是个绕不开的问题。2026年之前上市的主流国产AI芯片，大多只有64GB或96GB的显存，而英伟达H200芯片，光显存就有141GB，显存带宽更是达到了4.8TB/s。美团训练LongCat-2.0的时候，就因为显存不够，遇到了不少麻烦，最后只能专门做显存优化。不过好在这个问题正在慢慢改善，昇腾950DT、阿里平头哥真武M890、沐曦曦云C600等新一代产品，都配备了144GB显存，带宽也提升了不少。

除了硬件上的差距，软件生态和工程优化的短板，其实更突出。科大讯飞就说过，英伟达的优势不只是芯片本身，更重要的是它有成熟的软件生态、训练框架和工具链。而用国产算力训练大模型，考验的是整套系统能不能长期、稳定、高效地运行，涉及芯片、服务器、网络、通信、算子、训练框架、集群调度、故障恢复等好几个环节，哪一环都不能掉链子。

尤其是在万卡级的集群上，任何一个环节效率不高，或者出现稳定性问题，都会影响整体的训练效果。像MoE、长上下文、智能体强化学习这些场景，跨卡、跨节点的通信特别频繁，要是通信效率跟不上，就会浪费大量算力。另外，国产芯片的质量控制能力，暂时还比不上英伟达，故障率相对高一些，这也给大规模训练增加了不少难度。

这些技术瓶颈，最后都变成了企业的“成本”。科大讯飞董事长刘庆峰就曾透露，为了在国产算力平台上训练星火X1模型，公司额外多花了两个月的适配时间。而且国产芯片的使用成本更高，训练耗时也更长，很可能会拖慢模型发布的进度。詹墨磊也表示，现在国产方案能成功，主要是靠主动适配MoE架构，还有大量的定制化工程投入，并不是能直接替代英伟达的CUDA生态，想要全面替代，目前还不现实。

04 抱团突围：“模芯协同”成行业发展基调

面对这么多难题，“国芯国模”抱团突围，已经成了行业里的共识。最近几年，国产模型公司和芯片厂商的互动越来越频繁，从以前的被动适配，慢慢变成了主动协同、同步进步，甚至能做到模型发布当天，就完成国产芯片的适配，也就是业内说的“Day0原生适配”。

中国信息通信研究院副院长魏亮说，这也能看出来，前沿模型的创新突破和基础软硬件之间，联系越来越紧密了。不过现在的协同，大多还停留在推理环节，也就是让训练好的模型能在国产芯片上正常运行，而预训练阶段的深度协同，成果还比较有限。科大讯飞也提到，用国产算力做推理，技术已经比较成熟了，但要在国产算力上完成大模型预训练，尤其是那些前沿技术的训练，工程上的难度还是很大的。

真正的“模芯协同”，可不是简单地把模型适配到硬件上就行，而是全链条的深度融合。科大讯飞举了个例子，在模型结构上，要根据芯片的架构特点，设计更适配的MoE架构、注意力机制；在算子层面，要围绕关键环节优化，提升计算和访存效率；在通信机制上，要针对集群通信的瓶颈，优化通信和计算的衔接，减少性能损耗。这种深度协同，也成了企业选择国产算力平台的重要参考。

现在行业里，已经出现了不少深度协同的好例子。科大讯飞和华为昇腾就绑定得很深，在昇腾950平台上一起攻关高效模型结构、混合注意力机制等关键技术，还计划在2026年10月，发布一款对标业界最先进主流模型的旗舰大模型。燧原科技则是和客户合作，基于第四代产品L600，完成了多个千问系列模型、中小参数腾讯混元模型的预训练，目前正在推进大参数模型的预训练工作。

更重要的是，这种协同是双向赋能的。科大讯飞表示，大模型训练的过程，能把芯片和系统的真实问题暴露出来，反过来推动AI芯片和软件生态的升级。比如长上下文、智能体这些新趋势，对显存、带宽的要求更高，就会倒逼芯片在存储、互联等方面不断迭代；训练中发现的算子性能、软件工具链问题，也能推动芯片厂商完善配套；万卡级训练场景下的故障问题，更是能加速集群管理和稳定性能力的提升。

05 产业前景：自主可控成为核心发展方向

从技术突破到生态完善，国产AI芯片和大模型的协同发展，正慢慢勾勒出我国AI产业自主可控的清晰蓝图。虽说现在还有不少挑战，但行业的发展势头，已经挡不住了。

从政策层面来看，地方政府和通信运营商的加入，给国产算力的发展添了不少力。韶关万卡智算集群的落地，不仅补上了广东超大参数大模型训练的算力短板，还成了支撑全省通用人工智能原始创新、产业数字化转型的核心基础设施，也给全国其他地区提供了可复制、可推广的经验。未来，随着各地算力基础设施不断完善，国产算力的应用场景也会越来越广。

从技术层面来看，国产芯片的性能正在快速提升，软件生态也在不断完善。新一代国产AI芯片，在显存、带宽、算力等方面，和国际顶尖产品的差距正在慢慢缩小，华为、寒武纪、昆仑芯等厂商的技术实力也在持续增强。同时，模型厂商和芯片厂商的深度协同，也在加速解决工程优化、生态适配等难题，推动国产算力从“能训”向“训好”“训快”转变。

从产业层面来看，一旦形成“国芯训国模”的闭环，就能彻底改变我国AI产业依赖海外算力的局面，降低产业发展的外部风险。随着越来越多的企业加入“换芯”行列，国产算力的市场规模会持续扩大，慢慢形成“芯片研发-模型训练-场景应用”的完整产业生态，推动我国AI产业向更高水平发展。

当然，我们也要清醒地认识到，国产算力的崛起不是一蹴而就的，想要全面实现自主可控，还需要长期的努力。但不可否认的是，万亿参数大模型的成功训练、万卡智算集群的落地，已经给行业注入了强大的信心。未来，在“模芯协同”的推动下，国产AI芯片一定能在全球算力竞争中站稳脚跟，为我国人工智能产业的高质量发展，筑牢根基。

这场“换芯”工程，不只是一次技术上的突围，更是整个产业的觉醒。当国产算力的“引擎声”越来越响，咱们国家AI产业的自主可控之路，也一定会越走越宽。