国内AI企业开始尝试铺设自己的轨道
今年开年，海外科技界的目光不约而同地聚焦在了中国的算力版图上。
一月份，马斯克在播客中直言，中国在AI算力上“将远超世界其他地区”。紧接着二月，OpenAI首席执行官奥特曼也感叹，中国人工智能领域的技术进步“快得惊人”。就连英伟达CEO黄仁勋也多次公开表达了他的观察：“限制中国的AI技术，反而会加速其自主研发。”
如果说2025年是供给端的集结之年——摩尔线程、沐曦股份等国产GPU企业接连登陆资本市场，夯实了产业基础——那么2026年的变化，则明显向产业链下游传导。四月底的这波新品发布潮，就是一个强烈的信号。
4月20日，月之暗面推出了擅长长程代码编写的Kimi K2.6模型；短短四天后，DeepSeek V4重磅发布；紧随其后，美团LongCat-2.0-Preview开放测试。后两者尤为引人注目：它们的总参数规模双双突破万亿大关，并且都支持高达1M的超长上下文处理能力。
更值得玩味的是技术路径的差异。DeepSeek V4完成了一项艰巨的迁移工程，从英伟达体系转向了华&为昇腾平台；而美团LongCat 2.0则更进一步，其训练与推理全程基于国产算力，动用了5万至6万张国产算力芯片。
这释放出一个清晰的信号：过去，国内AI从业者普遍的策略是搭乘已有的成熟快车；而现在，一批领先的企业已经开始动手，尝试铺设属于自己的轨道。
在荒野修路
面对一项看似不可能的任务，最好的办法是什么？
科幻大师阿瑟·克拉克给出了答案：“唯一的办法是让不可能本身，成为前进的起点。”这句话，恰好映照了当下国产大模型攻坚克难的状态。
DeepSeek V4从最初定档到最终发布，时间表调整了多次。外界普遍推测，核心原因之一，便是需要将模型的“心脏”——核心代码——从依赖已久的英伟达CUDA生态中迁移出来。
要知道，CUDA生态经过十余年的打磨，早已是一个功能强大、工具完备的“高速公路网”。相比之下，国产算力生态尚处于“荒野修路”的初期。迁移代码绝非简单的复制粘贴，它意味着开发团队需要深入底层，进行大量框架重构的“硬核”工作。
最终，DeepSeek做到了。V4发布仅两天后，摩根大通就在一份报告中指出，其成功适配华&为昇腾芯片，验证了国产算力支撑前沿AI推理的可行性。报告同时强调，DeepSeek通过混合注意力架构等底层创新，显著压低了推理成本。
可以说，DeepSeek选择了一条技术极客的路径，通过重写半个模型的工作量来实现硬核迁移与降本增效。而同一天亮相的美团LongCat-2.0-Preview，则展示了另一种实践：直接在全国产算力的新地基上起高楼。
那么，基于国产算力进行工程实践，究竟要攻克哪些难关？我们不妨以LongCat-2.0-Preview为例，一探究竟。
首当其冲的难点在于物理层面。国产硬件在单卡显存容量和带宽上与顶级国际产品存在差异。要训练部署万亿参数这样的庞然大物，工程团队必须在并行策略优化和显存管理上投入巨大精力，进行精细调试。
第二个挑战来自软件生态的成熟度。为了确保训练全过程精确可复现，并针对国产芯片的特性进行深度优化，团队需要重写和优化核心算子，甚至自研全确定性的算子，这无异于重造一批关键“工具”。
第三个难关是超大规模集群的稳定性。在动用5万至6万张国产算力卡的集群上，硬件故障几乎无法避免。为此，团队构建了一套完整的容错与自动恢复体系，相当于为整个训练过程配备了“自动驾驶”和“安全气囊”。
最后，团队还针对国产硬件的特性，在训练框架和模型结构上做了亲和性设计，打破了通用框架的适配局限，从而提升了整体计算性能。
两相对照，路径清晰：DeepSeek通过精妙的算法优化，降低了算力的使用门槛，把大模型的价格“打了下来”；而美团的工程实践，则证明了国产芯片集群“跑得通”万亿模型。两者的探索，共同为国产芯片生态沉淀下宝贵的工程能力和实战经验。
正如深度求索创始人梁文锋曾说：“我们不是有意成为一条鲶鱼，只是不小心成了一条鲶鱼。”如今，“鲶鱼效应”已然显现，DeepSeek在这条自主之路上，并不孤独。
从单点到系统
腾讯高级执行副总裁汤道生有过一个精妙的比喻：“大模型是发动机，使用者是驾驶员。”用户很容易被发动机的澎湃性能吸引，但优秀的驾驶员都明白，燃料的供给与底盘的调校同样至关重要。
中国算力未来的发展，绝非依靠单一节点的突破，而是依赖整条产业链的协同进化。可喜的是，各个环节的核心企业，都在持续补足短板。
在制造端，公开数据显示中国芯片产量节节攀升，但结构上呈现“哑铃型”：28纳米以上成熟制程占据绝对主力，而14纳米及以下的先进制程产能依然稀缺。
面对EUV光刻机缺位的现实，中芯国际、华虹半导体等企业正积极推进多重曝光等工艺攻关，试图在物理极限中寻找平衡点。多方信息显示，中芯国际的N+2工艺（等效7纳米）良率已突破80%大关，这意味着已经跨过了商业化量产的关键门槛。
在算力端，国产芯片在单卡算力上与国际旗舰产品仍有差距。但华&为昇腾910C等产品的实践表明，通过极致的集群线性加速比优化，同样能够跑通体量巨大的模型训练任务。
“得生态者得天下”。英伟达CUDA构建的护城河之所以深厚，关键在于它形成了一套普适性极强的软硬件兼容标准。
国内的行业参与者显然也意识到了这一点。例如，寒武纪推出了兼容主流框架的基础软件平台，旨在降低开发者的迁移门槛。由智源人工智能研究院牵头的开源系统，则致力于构建统一的底层接口，让上层模型能够灵活运行在多种不同的国产芯片之上。
互联网大厂的动作更是密集。百度的“双轨”战略，字节跳动的千亿级投入，都在为未来的算力底座寻找更优解。
根据公开数据梳理，仅在过去几年中，美团就至少布局了21家覆盖半导体、智能硬件和通用大模型领域的公司。其投资版图既包括芯片算力层的摩尔线程、沐曦股份，视觉芯片领域的爱芯元智，也涵盖了新材料等细分赛道的广州众山、东方算芯等企业。
这揭示了一个趋势：在技术层面长期跟进的同时，产业资本正扮演着算力“投资人”与“共建者”的双重角色，一个从研发到应用的正向循环正在逐渐成形。
从数字世界，到现实任务
“当下人工智能正处于第三次浪潮的重要拐点，大模型正推动其从弱人工智能迈向通用人工智能，更关键的是，推动机器人从1.0专用机器人时代进入2.0通用具身智能时代。”
北京智源人工智能研究院院长王仲远的这番话，精准点出了AI能力进化的下一个重要落点：物理世界。
当前，众多国产厂商正致力于两件事：一方面，让大模型在云端“读万卷书”，不断提升其智慧与逻辑推理的严密性；另一方面，也要让大模型“行万&里路”，真正解决实际问题。例如，文心大模型已被植入自动驾驶的决策系统；混元大模型的工业质检方案，也已出现在多条实际生产流水线上。
而美团所构建的外卖、到店、酒旅等业务网络，恰恰构成了日常生活中最复杂、最鲜活的任务执行场景。这里充斥着海量的真实挑战：从商家后厨的出餐效率，到骑手在暴雨中的最优配送路径，再到用户深夜突发奇想的一句“想吃火锅”。
美团创始人王兴曾明确提出，要将美团App率先升级成“AI-powered App”。这意味着，LongCat的训练目标远不止于回答“哪家的小炒肉好吃”，更要能完成“找到这家店，选出最佳的团购券，然后预定两个周五晚上7点的座位”这样的连贯复杂任务。
这也解释了为何美团要强调打造“物理世界的AI底座”——任务最终交付的效果与体验，才是关键所在。
从参数规模的攀升，到算力底座的跑通，国产大模型正在完成从“能用”到“好用”的关键进阶。
这条路没有捷径可言。但可以预见的是，当算法、算力、资金与真实场景持续发生化学反应，中国AI的故事篇章，必将从“单点突破”翻到“系统进化”的全新一页。
