撰文|藍洞商業 于瑋琳

今年伊始，海外科技圈都在關注中國的算力問題。

1月，馬斯克在播客中稱，中國在AI算力上「將遠超世界其他地區」。2月份，OpenAI首席執行官奧特曼說，中國在人工智能領域的技術進步 「快得驚人」。

2025年可以說是供給端的集結之年。摩爾線程、沐曦股份等國產 GPU 接連登陸資本市場，國產大模型的產業基礎進一步加深。2026年，變化向產業鏈下游傳導，4月下旬，多款國產大模型發布新版本。

4 月 20 日，月之暗面推出擅長長程代碼編寫的Kimi K2.6模型。4月 24 日，DeepSeek V4發布，隨后美團 LongCat-2.0-Preview開放測試，兩者總參數規模均突破萬億，且均支持 1M超長上下文 。

值得一提的是，DeepSeek V4 完成了從英偉達體系向華為昇騰平臺的遷移與適配；而美團LongCat2.0則是訓練推理全程基于國產算力的萬億參數大模型，使用了 5 萬至6 萬張國產算力芯片。

長久以來，中國AI從業者，普遍策略是搭上已有的成熟方案。現在，國內AI企業開始嘗試鋪設自己的軌道。

01.在荒野修路

你該如何完成一次艱難的任務呢？

科幻作家阿瑟·克拉克的答案是：「唯一的辦法是讓不可能本身，成為前進的起點。」

DeepSeek V4從最初定檔到最終發布，發布時間調整了多次。外部普遍推測，原因之一，就是需要將核心代碼從英偉達的CUDA遷移出來。

CUDA生態經過十幾年的打磨，已是一個功能強大、工具完備的開發平臺。遷移代碼的過程，意味著開發團隊需要做大量底層框架的重構工作。

最終DeepSeek做到了，V4發布兩日后，摩根大通在報告中指出，V4成功適配華為昇騰芯片，驗證了國產算力在前沿AI推理上的可行性；且DeepSeek通過混合注意力架構等底層技術創新，顯著降低了推理成本。

DeepSeek 用技術極客的方式降本增效，通過重寫半個大模型的工作量完成硬核遷移。同日開放測試的美團 LongCat-2.0-Preview，則是直接跑在國產算力之上。

國產算力在工程層面，有哪些難點？不妨以LongCat-2.0-Preview為例看看。

第一個難點，是物理層面的。國產硬件底座的顯存容量和帶寬與英偉達芯片有差異，訓練部署萬億參數模型時，美團團隊在工程方面有不小的挑戰，需要用更多精力去調試并行策略、優化顯存 。

第二難點是軟件生態的成熟度，針對國產芯片的特性，確保訓練全程的精確可復現，團隊需要重寫和優化核心算子，以及自研全確定性的算子。

第三個難點，是萬卡集群的穩定性，在動用5萬-6萬張國產算力卡的超大規模集群上，硬件故障難以避免。為此，團隊構建了一套完整的容錯與自動恢復體系。

最后，針對國產硬件的特點，團隊在訓練框架和模型結構進行針對性的親和設計，打破了通用框架的適配局限，提升了計算性能。

DeepSeek的算法優化降低了算力的門檻，把模型的價格打了下來；美團的工程實踐則證明國產芯片的可行性。這些探索，也給國產芯片生態沉淀出工程能力和經驗。

梁文鋒曾說：「我們不是有意成為一條鯰魚，只是不小心成了一條鯰魚」，而今「鯰魚效應」已經顯現，DeepSeek并不獨行。

02.從單點到系統

騰訊云的湯道生曾有這樣一個比喻：「大模型是發動機，使用者是駕駛員」。使用者很容易注意到發動機的性能，但優秀的駕駛員，會意識到燃料與底盤同樣重要。

中國算力的發展，依賴的是整條產業鏈的協同進步。各個環節的核心企業，都在持續發力。

在制造端，公開數據表明，中國芯片產量節節攀升。中芯國際、華虹半導體等企業正推進多重曝光等工藝攻關，試圖在物理極限中尋找平衡點。

在算力端，華為昇騰910C等產品的實踐表明，通過極致的集群線性加速比，也能跑通體量巨大的模型訓練。

「得生態者得天下」。英偉達CUDA構建的護城河之所以深厚，一個重要原因是形成了普適性的軟硬件兼容標準。

行業從業者也意識到這一點。比如寒武紀推出基礎軟件平臺，兼容主流框架，降低開發者的遷移門檻。智源人工智能研究院牽頭的開源系統，構建了統一的底層接口，讓上層模型可以運行在多種不同的國產芯片上。

國內互聯網大廠也有很多動作，百度的雙軌戰略，字節跳動的千億投入，都在為算力底座尋找更優解。

據公開數據梳理，在過去幾年中，美團至少布局了21家覆蓋半導體/智能硬件和通用大模型領域的相關公司。其中，既包括芯片算力層的摩爾線程、沐曦股份，以及視覺芯片領域的愛芯元智；也包括新材料等細分賽道的廣州眾山等多家企業。

在技術長期保持跟進的同時，產業資本也在做算力的投資人和共建者，逐漸形成正向循環。

03.從數字世界，到現實任務

「當下人工智能正處于第三次浪潮的重要拐點，大模型正推動其從弱人工智能邁向通用人工智能，更關鍵的是，推動機器人從1.0專用機器人時代進入2.0通用具身智能時代。」

北京智源人工智能研究院院長王仲遠的話，點出AI能力的重要落點，是物理世界。

一方面，眾多國產廠商正致力于讓大模型在云端「讀萬卷書」，提升模型的智慧、邏輯推理的嚴密性。另一方面，也要讓大模型「行萬里路」，比如文心大模型被植入到自動駕駛的決策系統中；混元大模型的工業質檢方案，已出現在多個流水線場景。

美團的外賣、到店、酒旅等業務，構成了日常生活中最復雜的任務執行網絡。這里有海量的的真實場景：從商家后廚的出餐速度，到騎手在暴雨中的配送路徑，再到用戶深夜的一句「想吃火鍋」。

王興曾明確提出，要將美團App率先升級成「AI-powered App」。這意味著，LongCat的訓練目標不僅是回答「哪家的小炒肉好吃」，更要「找到這家店，選出最佳的團購券，然后預定2個周五晚上7點鐘的座位」。

這意味著任務交付的效果尤為重要，也解釋了美團為何強調要打造物理世界的AI底座。

從參數提升到算力跑通，國產大模型正在完成從「能用」 到 「好用」 的進階。

這條路沒有捷徑。未來，當算法、算力、資金與場景持續產生化學反應，中國AI的故事，也將從「單點突破」翻到「系統進化」這一頁。