截至2026年3月，我国日均Token调用量已突破140万亿，两年增长超千倍。Token经济的指数级增长，背后是一个大趋势：各行各业对AI的应用已经从对话、内容生成，全面升级为智能体和复杂任务协同。
在此背景下，产业界对AI算力提出了全新的要求：不再只是够用，更要好用；不再只是中心集中，更要云边端协同。
在近日举行的光合组织2026智能计算应用大会上，海光信息首次呈现了基于CPU与DCU双芯底座，从数据中心到嵌入式算力、内生安全的“云边端”全景算力体系。依托光合组织生态势能，海光为国产AI算力从可用到好用，从中心到全景探索了领先实践。
DCU全栈软硬件协同，
将Token转化为智能生产力
过去，国产AI算力的落地瓶颈往往不在硬件峰值性能，而在软硬协同生态的最后一公里：模型迁移困难、框架适配迟缓、算子优化繁重、运维管理复杂，导致企业付出高昂的隐性成本。
海光信息总裁助理兼智能计算产品部总经理杜夏威指出，AI算力的竞争不应只盯着硬件设备规模和制程，软件栈与生态协同能力正在成为连接底层算力与上层应用的关键桥梁。
海光信息总裁助理兼智能计算产品部总经理 杜夏威
为此，海光以DCU软件栈为轴心，构建AI原生的基础软件平台，实现对Token生产全链路的可控、可管、可优化。DCU软件栈向下深度释放澎湃AI算力，向上支撑千行百业智能化转型，形成“硬件-算子-框架-模型-应用”的端到端闭环。
在硬件层，多元异构算力的高效管理与调度是行业共性难题。异构计算平台（DTK）构建开放兼容的异构算力底座，全面兼容CUDA、ROCm等生态，并提供完整的计算库覆盖训练、推理、AI4S等全场景。
在模型层，算力潜能释放的关键在于训练、推理与集群管理能力的提升。人工智能基础软件系统（DAS）集成超2000个算子，支持Pytorch等100+主流AI框架，并已完成对GLM、DeepSeek、MiniMax、Kimi等头部大模型的适配与深度优化。借助算子调优、编译优化、通算融合等多重技术手段，DAS能显著提升主流模型微调与推理性能，让算力真正转化为生产力。
在应用层，开发效率与落地周期直接决定商业价值转化速度。人工智能应用平台（DAP）内置知识库引擎、智能体编排引擎等高阶模块，配合DAPClaw一站式AI工具，加速AI应用落地效率。
这一技术路线的产业价值，已得到产业有力验证：大会期间，中国首个全国产十万卡AI超集群——曙光8000（登峰）正式落成，系统搭载海光等国产芯片算力底座，进一步验证了海光芯片支撑大规模Token生产和产业级AI应用的能力。
嵌入式AI算力，
加速实体经济AI落地
随着人工智能加速从数字世界渗入物理世界，一个清晰的产业趋势正在浮现：算力需求正发生结构性分化。中心侧集群依然是训练大模型的主战场，但边缘和端侧对算力“就近、实时、可靠”的要求，正推动嵌入式AI走向台前。嵌入式AI不仅是中心算力的延伸，也是全场景智能不可或缺的另一极。
过去，边缘侧和端侧长期存在算力供给碎片化、硬件平台散乱、实时响应迟滞等痛点。更具挑战的是，当AI进入能源、电力、交通等关键基础设施，没有全链路的安全保障体系，智能化就无从谈起。
这正是海光布局嵌入式AI的产业逻辑：打通从数据中心到产业现场的算力断点，让AI算力真正穿透到工业控制、能源管理、智能设备等毛细血管级的实体经济场景。
海光信息副总裁吴宗友指出，云边端协同一大关键优势在于底层架构的一致性。过去企业落地AI时，云端训练、边缘推理、终端执行往往使用不同厂商的算力与框架，导致系统整体效率层层衰减。而海光从芯片指令集到应用框架再到安全模块，在云边端全链路都做到了一致性，确保了云端训练性能在边端很好地落地。
沿着这条路径，海光正在从芯片供应商，向“云边端”一体化的算力体系构建者升级。本次大会展示了多项已落地的边缘计算与物理端侧解决方案：
在智慧交通与政务领域，海光端侧AI一体机可在本地运行最高120B量化大模型，目前已在多个政企客户完成部署。在工业自动化领域，基于海光C86-4G处理器的高实时性运动控制方案，实现了芯片到控制软件的自主可控。在智能运维领域，基于海光C86-4G的自动巡检机器人已在机房场景投入使用，可实现全天候移动巡检，设备异常自动报警，显著降低运维成本。
更关键的是，依托芯片级内生安全能力，海光从底层解决了可信计算、数据保护和稳定运行的问题，为工业、能源、交通、金融等关键行业提供了智能化改造的安全基座。这标志着，国产算力已经构建出云端、边缘、终端协同一体化的全栈自主算力体系，并加速产业实践。
结语
海光此次全景呈现“云边端”算力体系，本质上回应了国产算力产业最迫切的命题：在芯片突破之后，如何让AI算力从机房走出来，在真实的产业土壤里扎根生长。
当云端、边缘和终端算力真正形成一体化的自主闭环，AI在实体经济中大规模落地的底座才算真正筑牢。
END
本文为「智能进化论」原创作品，
欢迎关注。
