2026年1月，壁仞科技、天数智芯先后登陆港交所；往前一个月，摩尔线程、沐曦股份刚刚在科创板挂牌；再过半年，燧原科技IPO过会。国产GPU"四小龙"在半年多时间里齐聚资本市场。资本化完成之后，行业面前的下一个问题随之而来：拿什么证明产品站得住？
10月28日，天数智芯在上海举办"从模型到世界"2026媒体开放日，天垓300首次面向媒体开放实机演示，基于天垓300的AFD分离方案、IXL144超节点方案，与天数智算软件栈、彤央端侧算力终端同台亮相。
比演示本身更受关注的是一组第三方实测数据：第三方权威机构今年7月针对四大主流模型、三类场景开展测试，在大模型典型的 PD 分离部署下，天垓300折算单卡整体端到端吞吐达到 H200 的 1.05 倍。这是国内首个实测性能达到 H200 水平的通用 GPU。
H200 是英伟达当前主力的高端推理卡，也是大模型推理和复杂计算领域公认的高水平标杆。天垓300在第三方实测中端到端摸平这张标杆卡，标志着一个更深层的变化：国产通用 GPU 开始具备在复杂 AI 任务和高算力市场中快速发展的实力。行业考核国产芯片的维度，正在从"能不能用"转向比拼实际产出、运行效率和经济价值。
天数智芯将这一阶段的标准概括为高质量算力——"高效率、可预期、可持续"——相同投入能产出多少有效结果，长时间运行能否稳定，面对不同模型、业务和部署方式能否持续发挥作用。在天数智芯看来，云端生产智能，软件加速适配与优化，端侧让智能进入更多现场，形成让高质量算力持续生长的增强回路。
性能对标进入实测时代，比的是整条链路的产出
过去国产芯片发布，讲的是峰值算力，是纸面参数与国际旗舰的对比。这轮对标换了一个口径：在特定模型、特定部署条件下，整条推理链路实际能输出多少。
第三方权威机构的测试覆盖大模型典型的 PD 分离部署，天数智芯性能实验室的实测则进一步下探到具体业务场景：在 64K 长上下文下，天垓300的 Attention 性能为 H200 的 1.05 倍；GLM-5.3 模型 64K 规模下，保障同等用户体验的同时，MoE 吞吐为 H200 的 1.15 倍；8K 至 128K 长上下文场景下 Agent 首字延迟较 H200 降低约 10%—30%；多模态生成推理吞吐相较 H200 提升约 2%—5%；在搜广推等在线业务中，推荐推理吞吐提升 21%、轻量计算时延降低 26%。活动现场开放了天垓300实机演示，接受与 H200 在 GLM5.3 等大语言模型、文生图、文生视频场景的对比测试。
这些指标各自对应着用户能够感知的体验。长上下文处理关系到长文档分析和复杂 Agent 能否高效运行；MoE 吞吐影响同等服务要求下系统承接请求的能力；首字延迟则直接关系到用户发出请求后的等待时间。此次对标说明天垓300已在多类关键负载上进入与国际主流高水平 GPU 直接比较的区间。
训练方面，在基于 Qwen3-32B 模型的 8 卡整机 FP8 精度训练演示中，天垓300每卡有效吞吐达到 H100 的 1.33 倍。目前，强化学习已成为 OpenAI、Google、Meta、xAI 以及 DeepSeek、Qwen、Minimax、Kimi 等国内外主力模型公开采用的核心后训练路线。SemiAnalysis 在1月的报告中将 RL 规模化列为 AI 能力突破的核心路径，算力的消耗重心正从预训练转向后训练与测试时扩展。
天垓300同样胜任强化学习训练，据条件性工程估算，以 1024 张卡对已有预训练基座开展一次强化学习，在 40B 激活参数的中心情景下，约 26 天可完成约 1T 总参数 MoE 模型的 500 亿生成 Token 强化学习任务。
Token 工厂成为主战场，单位成本决定算力成色
实测指标的背后，是一个更宏观的产业变化：算力正在被当作工业品来经营。行业公开数据显示，国内日均 Token 调用量较 2024 年初已增长上千倍。中国工业互联网研究院发布的《Token 驱动智能经济研究报告（2026）》进一步提出，智算中心正由传统算力载体升级为全天候连续运行的 Token 工厂，核心竞争力从单纯追求总算力规模，转向单位能耗 Token 产出、硬件资源利用率、服务运行可靠性。Gartner 也提出，AI 工厂衡量生产力的基本度量衡不仅依靠传统的服务器利用率，还依靠 Token 经济性。
Token 工厂由此成为算力规模化落地的热门形态，也是高质量算力三要素的集中检验场。各项表现显示，天垓300高度满足 Token 工厂对算力的各项实际要求。
首先是高效率。 电力、机房和固定运维等支出难以随意压缩，单位 Token 成本很大程度上取决于设备投入和有效吞吐。在前述第三方测试条件下，天垓300折算单卡端到端吞吐达到 H200 的 1.05 倍，为单位时间内生产更多有效 Token 提供了性能基础。
其次是可预期。 Token 工厂不能只在短时测试中跑得快，还要在长时间满负荷运行时保持稳定。天垓300满负荷运行的步时波动为 0.43%，低于对比 Hopper 方案的 0.76%，长时间高负载不掉链子，直接保障利用率与可用率。
最后是可持续。 天垓300通用架构原生支持 CUDA 语义，主流框架均已适配，并提供从加速卡、服务器到超节点的不同部署形态，面向多种模型与业务需求。
对于已经采购了其他厂商加速卡的智算中心，天垓300同时提供开放、可组合的异构计算平台解决方案。 以通用 GPU 为底座，天垓300支持混合训练、PD 分离与 AFD 分离等多种部署形态，可与其他厂商的加速卡、专用芯片协同。在这个底座上，部署分工还在继续细化：从训练推理混跑，到 Prefill 与 Decode 分离成为高并发推理的主流形态，再到把 Attention、FFN、Decode 拆到更细的粒度上分别调度。
天垓300在 PD 分离之外，又往前走了一步——AFD 分离。整条推理链路上，承担 Prefill 全流程计算与解码阶段 Attention 的仍然是天垓300，通用 GPU 的底座没有变；变化在于分工的粒度，FFN 专家网络被单独切出，可以交给合作厂商的 XPU 执行，两类芯片在统一调度下异构协同。实测显示，该方案下 Decoding 推理延迟可降低 60%，且已实际跑通，是国内第一个基于 GPU+XPU 的异构部署 AFD 分离方案。
对客户而言，这个方案的价值在于资产利用，不必推倒重建，就能把既有 XPU 算力接入同一条推理链路，与天垓300分工协作。"未来的 AI 算力系统，不一定由一种芯片包打天下。"天数智芯 AI 与加速计算负责人单天逸表示，"关键是如何把它们高效组织起来，让整个系统发挥更大的价值。我们希望通过开放的异构计算能力，让客户充分利用已有算力资产，以更灵活的方式构建适合自身业务的计算系统。"
组织好高质量算力后，需要持续向千行百业的场景落地。天数智芯将通用算力延伸至科学智算与物理 AI 等前沿领域，加速科学发现和产业应用。天垓300全面支持 Boltz-2、OpenFold3、Protenix 等模型及 Newton、Warp、ALCHEMI 等框架，覆盖生命科学、物理 AI、化学与材料四大领域近百个典型场景，涵盖蛋白结构预测、药物筛选、机器人仿真、分子动力学、材料结构优化等关键任务。
物理 AI 尤其体现出通用计算的新价值。机器人要进入真实世界，往往需要先在遵循物理规律的仿真环境里反复试错，学习动作并验证策略。天垓300的云端仿真和计算能力，让这种学习和验证更充分。
在规模化交付侧，天垓300已形成从加速卡、一机 8 卡服务器到超节点的完整系统方案。天垓300 IXL144 超节点在单个标准机柜内集成 144 颗 GPU、聚合约 10.1TB 显存，是目前业界密度最高的单机柜 GPU 超节点，据测算，其每百万有效 Token 成本较国际主流方案可降低约 40%。其新一代 P2P 互联引擎面向 Scale-up 和 Scale-out，目标是将域内单次传输延迟由 3—5 微秒降至 1 微秒；支持统一内存语义编程；同时支持大 EP，将专家权重分散到更多核心。该方案已在工博会公开亮相，面向不同算力规模与机房条件的其他超节点方案也将陆续推出。
用 AI 开发 AI，补齐生态短板
硬件过了门槛，另一道门槛在软件。国产芯片长期以来最被客户诟病的问题，不在跑分，而在迁移：新模型不断出现，部署、适配和性能调优往往需要经验丰富的工程师投入大量时间。如果这些环节仍然复杂，硬件性能就很难及时转化为业务价值。
天数智芯此次展示的软件栈，让 AI 不仅作为计算任务被运行，也参与 AI 系统自身的开发与优化。在模型迭代以周为单位的今天，适配速度就是芯片的实际可用性。
天数智芯副总裁石加圣将 GPGPU 软件栈的升级方向概括为三个层次：易于使用、易于优化、易于开发。
易于使用，是把环境安装、配置检查与模型部署组织为智能体可调用的工具与技能，由 AI 协助执行并检查结果，减少开发者反复查阅文档、手动配置和排查问题的负担。在模型 PD 分离部署实测中，环境准备与服务部署整体用时由 1 小时缩短至 10 分钟，人工操作由数十步减少至 1 步，助力开发者更便捷地使用先进推理架构。
易于优化，是结合自研性能分析工具与调优经验，让 AI 依据真实运行数据定位瓶颈、提出优化方案，并通过测试验证效果。根据某大模型调优任务实测，工作周期由 7 天缩短至 2 小时内；在相同硬件、模型和精度要求下，相关任务运行性能较优化前接近翻倍。开发者能够更快开展优化、获得反馈，减少对厂商技术支持的依赖。
易于开发，天数智芯作为首家深度接入 FlyDSL 的国产 GPGPU 厂商，通过 Agent 与 FlyDSL 协同，让 AI 参与代码生成、编译、测试和性能优化，这与Agent 与 FlyDSL 协同，让 AI 参与代码生成、编译、测试和性能优化的实践路径高度契合。开发者明确目标与约束，AI 协助生成或修改候选实现，再根据正确性检查和性能测试结果持续调整，最终完成自主开发、验证与迭代，形成从目标提出到结果验收的工程闭环。在某主流模型适配与调优实测中，过去 10 人天完成的工作，现在 1 人在小时级内就能完成，编译速度提升 90% 以上，理想状态可用 1% 的编译时间实现 99% 的运行性能，为更快支持新模型、尝试更多实现方案创造条件。
"Agentic AI 让一位工程师的经验，能够持续服务千千万万开发者。"石加圣表示，天数智芯将 GPGPU 工程师在模型适配、性能调优中积累的方法沉淀为可调用的工具与技能，让模型和应用开发者能够在自身工作流中复用专家经验，更快获得反馈、自主完成优化。这一理念与当前Agentic AI赋能个体开发者的技术趋势不谋而合。GPGPU 工程师则能将更多精力投入复杂性能问题的解决，并持续将新的工程积累提供给开发者。
彤央 TY1200 实测超 Thor T5000：云端能力下沉端侧
云端之外，算力需求正在向现场下沉。物理世界的数据量持续增长，对感知、规划与执行提出毫秒级响应要求，合同、科研等涉及数据安全的任务要求算力必须"贴着数据跑"，业务需求让算力必须分层。与此同时，小参数量模型能力提升，让更多任务具备边端部署条件，技术演进使算力可以分层。客户对长期使用成本的关注，要求算力投入更精准：简单任务不必都上云，复杂任务也不宜一律下沉，分层部署成为理性选择。
业务上"必须"，技术上"可以"，经济上"值得"，算力分层由此成为现实选择：大规模训练与复杂复判留在云端，要求实时响应、涉及数据安全、需要现场闭环的任务，放在端侧。
"云端 GPU 厂商做端侧，不是把芯片做小，而是把能力下沉。"天数智芯彤央产品市场负责人宋远盈表示。天数智芯在云侧大规模训练与推理中积累的模型压缩、量化、蒸馏和软硬协同能力，连同通用 GPU 架构、编译器、算子库和性能工具，被一起带到边端。模型因此可以"生在云、长在边"：云端训练、边端部署，需要时再由云端复判，模型能力与精度保持衔接。在客户现场积累的高负载交付经验，也为工业应用、具身智能等高度要求稳定性的场景交付提供能力基础。
彤央以一套生态、两种形态、五款产品覆盖从客户自主集成到即用型部署的需求；端云接续的技术路线，"把云的能力折叠进方寸之间"，也让客户的边端投入具备长期延续性。其中，彤央 TY1200 端侧算力终端标称 300 TOPS 稠密算力，而非行业惯用的稀疏峰值；在 Qwen3.8-27B、Qwen3.6-35B-A3B 等 LLM 模型实测中，TY1200 性能达到 Thor T5000 的 1.2 倍。以实测稠密算力超越标称算力更高的芯片，端侧的有效产出同样不被标称算力定义。
在本地部署场景，TY1200 让原本必须上云的任务在数据端内闭环。 合同审核、投资 BP 分析等对数据安全高度敏感的工作，可基于本地部署的大模型离线处理，安全的同时，也可节省算力支出；视频生成这类高算力任务也在本地跑通——基于 MiniMax H3 开源视频模型，TY1200 平均 6 分钟生成 1056×608 分辨率、时长 5 秒的视频，1376×768 分辨率下平均用时 11 分钟，全程在本地进行，不产生任何云端调用费用。它还能流畅运行推理应用，并承担小模型的本地训练。
在物理 AI 场景，TY1200 成为具身智能设备的大脑。 这个大脑不仅可以内置，还可"外挂"。TY1200 首次在国产端侧产品上实现基于 MuJoCo-Warp 的 GPU 加速物理仿真，机器人动作学习所需的大规模并行仿真可在本地终端完成。活动现场，MicroDuck 动作演示呈现"本地仿真—策略训练—动作验证"的完整链路；搭载 TY1000 算力模组的机器狗在本地完成人脸识别与跟随主人，形成"感知—决策—行动"闭环。世界模型等物理 AI 负载同样在本地运行，在 Cosmos-R2-2B 和 Cosmos-R2-8B 测试中，TY1200 的实测性能分别达到 Thor T5000 的 158% 和 180%。
TY1200 此前已获 2026 工博会 CIIF 国芯展创新成果奖。活动现场，天数智芯还预告下一代端侧产品彤央 TY2000，标称算力将达 600T，把云端能力下沉的边界再向前推进一步。
云端高效生产智能，软件加速进化，端侧拓宽现实应用、连接物理世界，三端协同构成高质量算力的"增强回路"，让高效率、可预期、可持续在循环中复利式积累。
产品层面的复利，最终要回答产业层面的命题。算力是发展新质生产力的关键底座，中共中央、国务院《关于发展新质生产力的意见》提出，全面实施"人工智能+"行动、强化算力算法数据高效供给，加快人形机器人等新一代智能终端的场景应用。从云端天垓300、天数智算软件栈，到端侧彤央算力终端，天数智芯以贯通云边端的产品体系，把高质量算力落实为可实测、可复现、可交付的有效产出，为"人工智能+"在千行百业的规模落地，提供高质量算力支撑。
声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。
发表于 2 小时前
|
查看: 9|
回复: 0
/1 
