中國自主AI的上半年：從算力替代到訓練閉環

2026年上半年的最后一天，美團發布龍貓LongCat-2.0，為中國本土AI生態的協同創新畫下了一個重要的逗號。真正的故事剛剛開始。

去年年底，我們展望，今年中國將在本土算力基礎設施上，訓練出自己的下一代前沿模型。LongCat-2.0正是這一判斷最具代表性的兌現。它是首個公開宣稱完整訓練流程與大規模部署均全部使用國產算力集群的萬億參數模型。

萬億參數，幾乎已是前沿模型標配；躋身OpenRouter全球調用量前三，也證實它在大量場景性價比顯著。前Meta與英偉達的AI研究員Chris Paxton評價它稱，夠得上前沿，但算不上頂尖。

外界對這款模型的注意力，幾乎全部集中在“國產算力集群”之上。本土芯片、本土集群、本土軟件棧，已經能夠支撐國產前沿模型的完整訓練閉環。這正是中國AI生態形成的最重要的標志。

“在中國的算力基礎設施上，訓練出中國的下一代前沿模型。2026年是中國走向自主算力的元年，海外AI芯片在中國市場上份額顯著下降，自主設計、制造和封裝的AI芯片將占據市場主流，國產萬卡乃至十萬卡集群出現。芯片算力系統與中國本土的前沿大模型協同設計，形成中國的AI生態，最重要的標志，是用中國的本土基礎設施訓練出前沿模型?！? 未盡研究，公眾號：未盡研究

LongCat-2.0并非孤立事件，用萬卡國產算力集群訓練萬億參數規模國產模型，是不斷逼近的現實，也是未來更大尺度的芯模協同的必然。

首先，今年，中國開源模型進入萬億參數規模，自然需要萬卡乃至十萬卡算力集群的出現。去年年初，螞蟻集團嘗試在幾款國產AI芯片分別預訓練了總參數規模2900億，激活參數288億，數據集約9萬億token的Ling-Plus；臨近年底，華為開源了基于昇騰NPU訓練的openPangu-Ultra-MoE-718B-V1.1，已經接近萬億參數規模。據國家能源局的報告，截至去年底，中國已建成42個萬卡級智算集群。

其次，海外AI芯片在中國市場份額的下降已成定局。不僅英偉達H20逐漸失勢，就連解禁后的原版H200也遲遲未能叩開中國市場的大門。國產芯片得以在實戰中接受嚴苛檢驗。國產AI芯片廠商寒武紀在2025年首次實現年度盈利，今年一季度營收與凈利潤分別同比大增160%與185%，一度突破萬億人民幣市值；國產DRAM廠商長鑫存儲預計，今年上半年營收與凈利潤，將分別高至1200億元與750億元，數倍乃至十余倍增長。

2026/05/18 完整閱讀 >

更重要的是，在智能體式AI時代，競爭已經越來越從追求單芯片的絕對算力，轉向適合不同場景與業務需求的比較優勢。華為的鯤鵬、昇騰超節點，開始在Agentic AI時代，在系統層面重構計算機，把更多NPU、CPU、內存、網絡和軟件棧，通過靈衢互聯組織成一個更大的邏輯機器；CANN加快全面開源開放，兼容主流開源生態，讓開發者盡量保持原有習慣。這為國產AI生態的進一步芯模協同創造了條件。

2026/05/28 完整閱讀 >

于是，推理階段的芯模協同率先落地。到了今年年初，國產芯片已經可以較好地實現模型的后訓練。4月，在DeepSeek-V4發布后，華為與寒武紀第一時間宣布實現了Day 0支持。在報告中，DeepSeek一共提及華為（Huawei）1次，英偉達（Nvidia）2次。最關鍵的一句話是“我們在英偉達GPU和華為昇騰NPU平臺上對細粒度EP方案進行了驗證。”這實際上指向它的MegaMoE核心算子，與華為的MXFP4低精度數據路徑的適配能力。隨著昇騰950DT芯片8月上線華為云，推理Decode/后訓練有望變得更為“好用”。

2026/04/26 完整閱讀 >

在這個背景下，美團LongCat團隊率先在國產算力集群上，全鏈路實現萬億參數模型的預訓練與大規模部署。LongCat-2.0的總參數規模達到了1.6萬億，激活參數480億，訓練數據超過30萬億tokens，原生支持1M超長上下文。而它的預訓練，在5萬余國產芯片上，耗時月余完成。

團隊承認，與成熟的英偉達GPU生態相比，國產算力當前配套軟件社區仍欠發達，因此，投入了大量精力來打造穩定、安全且可擴展的基礎設施。而且，由于國產算力芯片的單片顯存，顯著小于 H800 的 80GB，成為大規模訓練的主要瓶頸，因此，團隊從并行策略與顯存管理兩個維度做針對性優化。

按照團隊官方微信的介紹，他們對國產算力的探索，始于2023年，從千卡起步，逐步攻克算子適配、通信優化、分布式穩定性等基礎難題。事實上，在這次LongCat-2.0的技術博客中，相當多地提到減少顯存與通信等開銷的技術，包括計算精度對齊、ScMoE、N-gram Embedding等，都可以在此前的LongCat-Flash與LongCat-Flash-Lite的技術報告中找到原型。

國產算力與國產模型協同進化的勢頭不會停止。更大規模的部署應用，為芯片技術迭代創造了現金流；而穩定的更新節奏，意味著技術路線短期內具備了相當的延續性，前期芯片與模型的協同優化，進一步形成持續的正向循環。

繼去年9月華為宣布AI芯片一年一迭代的路線圖后，今年5月，阿里云發布了新一代訓推一體AI芯片真武M890，并計劃在后續兩年持續迭代真武V900與真武J900。阿里的平頭哥也在推動全自研的軟件棧T-head SAIL，先從兼容主流框架和算子做起。

2026/05/21 完整閱讀 >

在這個過程中，國產算力、國產模型，開始醞釀下一步的技術路線創新。Kimi開始探索跨數據中心PrfaaS，這能讓國內規模捉襟見肘的高性能AI芯片，未來可以集中部署于計算密集型PrfaaS集群中，為更多采用稍低性能的國產AI芯片的推理集群，提供遠程預填充能力，從而在系統層面實現算力結構的重新分配。而華為則開始探索邏輯折疊（Logic Folding）的芯片設計路徑，以期釋放成熟工藝的性能潛力，解決先進制程 “卡脖子” 難題。

如果說LongCat-2.0驗證了中國已經具備基于本土基礎設施訓練前沿模型的能力，那么“中國開源模型加速落地場景”的判斷，也在今年上半年加速兌現。

“中國開源模型加速落地場景，美國形成新的陣型。DeepSeek、 通義千問、Kimi等引領中國開源模型軍團繼續保持領先，陣容擴大; 更開放和更低門檻的基礎設施和工具，幫助降低微調和蒸餾門檻，成為落地場景加速器。美國開源模型也在形成新的陣型，英偉達Nemotron 將躋身一流，公開預訓練和后訓練數據；谷歌的Gemma，OpenAI的gpt-oss，以及明年Meta發布Avocado新模型后，其Llama開源模型家族的下一步，仍值得關注?！?未盡研究，公眾號：未盡研究

中國開源模型正在性能持續追趕美國前沿模型的同時，以更低成本、更高開放性和更強本地部署能力，加速進入全球開發者與企業市場。今年，在OpenRouter上，中國模型生成的Token規模已經超過美國模型。

中國開源模型加速落地的秘訣，在于追求極致的效率，也就創造了極致的性價比。

一方面，受限于算力資源，中國開源模型廠商不得不圍繞訓練和推理效率持續優化。在芯模協同不斷深化的過程中，開放創新生態又推動了經過驗證的技術快速復用。美團Longcat-2.0就在注意力機制方面，將DeepSeek稀疏注意力 (DSA) 進一步演進為LongCat稀疏注意力 (LSA)，在無損模型質量的前提下顯著加速長上下文處理。此外，中國開源模型廠商也相當注重“蒸餾”的創新，這次Longcat-2.0就大篇幅介紹了多教師在線蒸餾在后訓練中的重要性。

2026/05/15 完整閱讀 >

另一方面，也是因為全球存在規模龐大的價格敏感型的應用場景。中國模型未必需要在最前沿全面超越OpenAI或Anthropic，只要足夠便宜、足夠好、足夠開放、足夠容易本地部署，就能夠持續吸引全球開發者、企業乃至政府客戶。事實上，對效率與成本的競爭，已經從中國市場逐漸演變為全球市場的共同訴求。就連Uber這樣財力雄厚的美國公司，也開始對AI運行成本變得敏感；微軟同樣計劃嘗試將DeepSeek融入自己的產品體系。

正是在這一背景下，中國AI原生企業迎來了新一輪價值重估。年初至今，中國AI原生企業估值膨脹的速度，像極了2023年的美國。無論是對DeepSeek還是對智譜，市場越來越愿意給予慷慨的估值。智譜GLM-5.2便是繼DeepSeek-V3/R1之后，又一個在美國AI社區引發“moment效應”的中國開源模型。它好用，卻更便宜，打破了對中國開源模型縮小的是測評成績差距，而非實際使用差距的的刻板印象。

2026/06/19 完整閱讀 >

這一切也在反過來改變美國AI生態的發展方向。英偉達主動挑起開源模型的大旗，牽頭成立Nemotron Coalition。他曾談及“當開源模型達到技術前沿時，它們不僅僅會改變軟件，還會激活整個技術棧的需求?！爆F在這逐步正在成為現實，逼得英偉達自己下場，在中國之外培育起一個開源模型的生態，它們都將跑在英偉達GPU上和CUDA生態里。

2026/04/27 完整閱讀 >

新的半年的競爭格局，正在這樣的趨勢中形成。對于中國而言，圍繞自主算力基礎設施，模型、芯片與軟件棧將持續共同演進，不斷強化本土AI生態的自我迭代能力；隨著模型出海與算力出海，這套生態也將走向全球，與以英偉達CUDA生態為代表的美國AI體系展開長期競爭，爭奪開發者、企業和全球市場。