Token时代，海光DCU如何重构AI算力竞争逻辑

生成式人工智能进入Agent时代之后，AI算力产业正在发生一个容易被忽视的变化：衡量计算系统价值的标准，正从芯片能够提供多少峰值算力，转向一套系统能够以多高效率、多少成本，持续生产和交付可用的Token。
 
在这一过程中，GPU或者AI加速芯片依然是大模型训练和推理的核心，但芯片精度、CPU协同、软件栈成熟度以及对行业应用的适配能力，正在成为新的竞争变量。尤其是在AI for Science、AI for Engineering以及企业级Agent等场景中，客户需要的往往不是单一低精度算力，而是传统科学计算、工程计算与AI计算之间的融合。
 
在光合组织2026智能计算应用大会期间，海光信息总裁助理兼智能计算产品部总经理杜夏威接受了包括半导体行业观察在内的媒体采访，围绕DCU产品路线、CPU与DCU协同、全精度计算、产能保障和软件生态等问题，系统阐述了海光对AI算力市场的判断。
 
从其释放的信息来看，海光试图建立的差异化能力，并不只是某一代DCU芯片的性能，而是一套覆盖芯片架构、精度体系、CPU协同和三层软件栈的完整计算平台。
 
国产AI芯片的竞争，首先是产业链和应用场景的竞争
 
谈及国产AI芯片与国际主流厂商的竞争时，市场往往习惯直接比较制程、算力、显存带宽和互联性能。但杜夏威认为，国产芯片真正的竞争优势不能只从单一企业或单一产品出发，而要放到整个产业链和应用市场中观察。
 
中国拥有规模庞大、类型丰富的AI应用需求。从互联网、金融、运营商到科研、制造、能源和教育，不同行业都在形成自己的模型、数据和算力需求。对于芯片厂商而言，这些场景不仅构成市场，也是产品迭代的“试验田”。只有进入真实业务，芯片企业才能知道用户究竟需要怎样的精度、算力、访存能力、通信特性和软件工具，并据此调整下一代产品。
 
这也是国内AI芯片产业相较于海外厂商的重要条件：庞大的本土应用需求，可以为芯片架构、软件栈和行业解决方案提供持续反馈，缩短产品与市场之间的迭代链条。
 
但在国内市场内部，应用场景并不能自动转化为竞争优势。面对越来越多的AI芯片企业，厂商仍然需要回答一个问题：自身长期坚持的技术路线是什么？
 
海光给出的答案，是GPGPU架构、全精度计算以及CPU与DCU双芯协同。
 
“全精度”不是参数堆叠，而是保留业务迁移的连续性
 
在大模型快速发展的背景下，AI芯片不断向FP16、FP8乃至更低精度演进。更低的数据精度能够减少存储和计算开销，提高模型训练与推理效率，因此成为当前AI加速器的重要发展方向。
 
但海光并未放弃双精度、高精度计算，而是继续强调全精度路线。
 
杜夏威认为，全精度的核心价值，不只是为芯片增加更多计算单元，而是为未来市场需求保留更多可能性。尤其是在AI for Science和AI for Engineering场景中，大量用户原有的业务流程并不是围绕AI构建的，而是长期依赖数值模拟、工程计算和科学计算。
 
例如，气象模拟、材料计算、流体力学、结构仿真、药物研发等任务，往往需要较高的数值精度。即使AI开始进入这些领域，也不意味着原有计算方法会被立即替代。
 
在实际迁移过程中，传统计算和AI计算更可能长期共存。
 
在AI应用初期，一项科研或工程业务可能仍有80%的工作依赖传统数值方法，只有20%采用AI；随着模型能力提升，这一比例可能逐渐转变为60%对40%、40%对60%，甚至最终由AI承担大部分工作。
 
但即使AI承担了80%的流程，剩余20%的高精度计算、校验和传统算法仍然可能不可缺少。
 
因此，全精度路线所解决的，不只是某一个阶段的算力需求，而是如何让用户在不推翻原有业务体系的前提下，逐步完成AI转型。
 
从这一角度看，AI对行业的赋能不应等同于对原有生产模式的彻底颠覆。芯片厂商需要尊重行业已经形成的工具链、计算流程和精度要求，并在此基础上增加AI能力。
 
这也是全精度DCU与部分专门面向低精度大模型计算的AI加速器之间最明显的路线差异。
 
从科学计算转向AI计算，芯片资源必须重新平衡
 
坚持全精度并不意味着产品资源配置保持不变。芯片面积、功耗和晶体管数量始终有限。当更多资源投入低精度AI计算、高带宽存储或者新的指令单元时，其他计算单元所占用的资源就可能减少。如何在双精度科学计算和低精度AI计算之间取得平衡，是通用AI加速芯片必须面对的问题。
 
杜夏威坦言，海光过往产品在双精度算力上具有较强配置，相应的AI算力占比可能没有那么突出。这与海光此前重点覆盖高端计算和高精度计算用户有关。
 
但随着AI用户和市场需求快速增长，DCU内部的计算资源也会向AI侧倾斜。海光希望在增强AI训练和推理能力的同时，继续保留对原有高精度计算用户的支持，使这些客户能够在同一技术路线下完成业务迁移。
 
这种平衡并不是简单确定某种精度单元的比例，而需要从具体工作负载反向推导芯片设计。
 
在芯片设计前期，海光会分析当前主流大模型和科学计算应用，拆解其中的算子类型、通信特征、访存模式、数学库、指令集和计算单元需求，并将其转化为芯片仿真与验证指标。
 
只有当芯片在流片前达到预设的工作负载指标，最终产品才有可能同时覆盖AI模型、科学计算以及两类负载混合运行的场景。
 
这意味着，AI芯片设计正在从追求理论峰值，转向围绕真实模型和应用进行软硬件协同定义。
 
Agent时代，CPU不只是GPU的“配套处理器”
 
随着Agent应用兴起，CPU在AI系统中的角色也正在发生变化。
 
传统大模型训练主要依赖GPU完成大规模并行计算，CPU更多负责数据准备、任务调度和系统管理。但Agent不仅需要模型生成答案，还需要进行任务拆解、工具调用、代码执行、数据库查询、记忆管理和外部系统交互。这些工作中，大量负载具有复杂分支、通用计算和系统调用特征，并不适合全部交给GPU处理。
 
杜夏威认为，进入Token时代并不意味着CPU会突然发生根本变化，但CPU的架构、指令集、资源配置和访存比例需要围绕新的AI负载持续调整。海光长期坚持CPU与DCU“双芯战略”，其目标并不是让CPU替代DCU，也不是让DCU承载全部AI任务，而是在不同计算负载之间进行更合理的分工。
 
面对高强度模型训练和推理，数据中心DCU仍然承担核心并行计算；在Agent编排、通用任务、数据处理和应用执行等环节，CPU则可以发挥更强的普适性和泛化能力。
 
更重要的是，开发者和企业用户对CPU的使用方式已经高度熟悉。如果能够在CPU上增加更多AI支撑能力，并通过CPU与DCU协同完成复杂任务，就可以降低用户使用AI算力的门槛。
 
未来，这套双芯协同路线还可能从数据中心延伸到工作站、私有化AI设备、PC乃至更广泛的个人终端。不同设备并不需要采用完全相同的AI芯片，而可以根据功耗、模型规模和业务需求，在CPU与专用加速单元之间进行配置。
 
算力要进入业务，不能只和用户谈FLOPS
 
芯片具备全精度算力，并不意味着用户能够直接使用这些能力。
 
在科研院所、制造企业和工程单位中，真正使用系统的往往不是芯片工程师，而是科研人员、工程师和业务专家。他们关注的是模型是否准确、仿真能否完成、数据能否输出，并不关心底层芯片提供了多少FLOPS。
 
杜夏威认为，当计算技术进入具体业务时，芯片厂商不能继续使用纯粹的计算机语言与业务人员沟通。业务专家讨论的是工程实现和科研问题，芯片企业如果只讨论峰值算力，两者始终无法同频。
 
软件栈的作用，就是把底层计算能力封装成业务可以调用的基础能力。
 
围绕这一目标，海光构建了DTK、DAS和DAP三层软件体系。其中，DTK是基础软件栈，负责适配芯片架构、指令集和底层计算能力，将硬件算力转化为上层软件可以调用的资源。DAS是AI软件层，主要面向AI开发者、大模型和算法框架，通过算子、工具和运行环境提高模型在DCU上的训练和推理效率。DAP则是平台层，进一步封装底层芯片和软件栈能力，将算力以平台化、业务化的方式交付给最终用户。
 
三层软件栈分别对应硬件适配、AI开发和业务应用，最终目标是让用户调用算力，而不必了解算力具体来自哪一种精度、哪一种计算单元或者哪一层硬件。
 
软件栈的迭代节奏，必须跟上AI模型变化
 
与传统服务器软件相比，AI软件生态变化更快。模型架构、推理引擎、量化方法、算子和框架版本都在快速演进，这要求AI芯片厂商缩短软件更新周期。
 
海光针对三层软件栈采取了不同的迭代方式：DTK需要与芯片产品保持一致，随着新架构、新指令集和新硬件特性的推出同步升级。DAS则采取“小步快跑”的迭代方式，快速跟进模型、算子和推理框架变化，使开发者能够尽快使用新的AI技术特性。DAP的迭代更多由业务场景推动。此前，DAP重点支持基于自然语言对话和RAG的知识库应用，帮助企业把自有数据接入大模型。随着市场转向Agent，DAP也开始增加面向智能体的能力，将底层算力通过Token形式向外输出。
 
其应用范围不再局限于文本问答，还扩展到代码生成、内容设计和文生视频等任务。用户即使没有直接部署独立AI算力，也可以通过平台调用企业内部、集团内部或者云端的算力资源。
 
在底层软件优化方面，海光表示，其软件栈正在加强对新一代DCU低精度算力的支持，并持续适配vLLM、SGLang等主流推理引擎。
 
与此同时，海光还在围绕模型和算法需求优化算子，并将优化结果集成到高性能算子库LightOP中。开发者可以直接调用经过芯片适配和性能优化的算子，减少重复开发，提高模型在DCU上的运行效率。
 
对于AI芯片而言，算子库、推理引擎和框架适配并不是辅助能力，而是决定芯片理论算力能否转化为实际Token吞吐的重要环节。
 
产能保障，本质上考验产业链协同能力
 
在AI数据中心需求快速增长的背景下，芯片性能之外，能否稳定交付也成为客户关注的重点。
 
杜夏威表示，海光的产能保障主要来自两个方面。
 
一方面，是企业长期在产业链中的积累。芯片交付涉及设计、制造、封装、测试、板卡和整机等多个环节，需要企业与上下游合作伙伴保持长期协同。海光的技术路线和产品迭代方向长期保持稳定，有利于企业与供应链伙伴围绕相对清晰的产品规划提前进行产能准备和技术磨合。
 
另一方面，是针对紧缺物料和新技术的提前布局。包括对关键物料进行储备，以及提前推动国内产业链开展新工艺、新技术和新产品验证，以降低未来供应侧风险。在全球AI芯片供应依然紧张的环境下，产能并不是芯片流片之后才开始解决的问题，而需要在产品定义和技术开发阶段就与供应链共同规划。
 
写在最后
 
从FLOPS到Token，并不只是计量单位的变化，而是AI基础设施价值判断方式的变化。
 
只有当芯片、CPU、软件栈、模型和应用真正形成闭环，理论算力才可能转化为能够被行业持续使用的生产力。对于国产AI芯片厂商而言，真正的竞争已经从“做出芯片”，进入到“兑现系统能力”的阶段。