国产AI智能体与芯片📘 稍难

上一篇我们看到了国产大模型在语言、多模态、视频生成和音频四个赛道的全面突破。但模型再强，如果只会"说"不会"做"，价值终究有限。这一篇，我们聚焦两个更落地的维度：一是国产AI Agent如何从"会说"走向"会做"，真正替人干活；二是国产AI芯片如何从"能用"到"好用"，撑起自主供给链。

一、国产AI Agent：从"会说"到"会做"

如果说2023到2024年国产AI比的是"谁的模型考试分数高"，那么2025到2026年比的就是另一件事：谁的AI真能替你把活干完。这件事的主角，叫做AI Agent（人话：智能体，一个能听懂任务、自己拆步骤、自己动手用工具、干完再交差的AI程序）。

差别在哪儿？一个只会聊天的模型，你问它"帮我订下周去上海的高铁票"，它会热情地告诉你订票流程有哪几步；而一个Agent会直接打开购票网站、查车次、比价、填信息，最后把订单号发给你。前者是顾问，后者是助手。

1.1 Agent到底"多干"了哪三件事

把Agent拆开看，它比普通对话模型多出三个本事，缺一不可。

第一件，会拆任务。你说"帮我做一份上季度销售分析"，它不会一口气蒙一个答案，而是先在心里列提纲：找数据 → 清洗 → 算同比环比 → 画图 → 写结论。这一步在技术上叫任务规划。

第二件，会用工具。它可以调用搜索引擎、执行一段代码、读写文件、操作浏览器、连接数据库。模型自己不会精确计算1234×5678，但它会写一行代码让计算机去算——知道该找谁帮忙，比什么都自己会更重要。

第三件，会自我纠错。代码报错了、网页没打开、数据对不上，Agent能看见这个"失败"，然后换个方法重试。这是它和"一次性生成"最本质的区别：它在一个循环里工作，而不是一条直线。

1.2 国产Agent的三条主赛道

2025到2026年，国产Agent沿着三条路同时推进：通用型（什么活都试着接）、编程型（专门写代码）、端侧与办公型（长在手机和工位上）。

通用Agent：从一码难求到全民可用。2025年3月，中国团队蝴蝶效应（Monica）推出的Manus（人话：一款你说一句话、它自己开浏览器查资料并产出完整报告的通用智能体）意外破圈，内测邀请码一度被炒到高价，成为全球第一款引发大规模讨论的中国通用Agent产品。此后一年多，国内头部厂商的通用Agent密集落地：字节跳动的扣子（Coze）把"搭一个自己的智能体"变成拖拽积木一样的事，并在2025年7月开源了核心平台；阿里云的百炼为企业提供从模型到工具的一站式Agent编排；百度的文心智能体平台让不会写代码的人也能发布智能体；智谱的AutoGLM则走了另一条路——直接操控手机屏幕，像人一样点按钮、划页面，替你在App里完成点外卖、买车票这类操作；月之暗面的Kimi探索版与OK Computer把"深度搜索＋自动产出"做成了日常入口。

编程Agent：国产工具的第一个规模化战场。写代码是Agent最容易验证价值的场景——对错立刻能跑出来。阿里的通义灵码与Qoder、腾讯的CodeBuddy、字节的Trae、百度的文心快码（Comate），都在2025年前后进入企业的日常开发流程。到2026年夏，模型侧连续交出硬指标：7月31日上线的DeepSeek V4-Flash-0731在Terminal Bench 2.1（人话：一套考AI能不能在命令行黑框框里独立完成任务的题库）上拿到82.7分，DeepSWE（人话：考AI能不能自己修真实开源项目里的Bug）从7.3飙升到54.4——全靠后训练优化，模型架构和参数一个字没改。紧接着8月13日，V4-Pro-0813正式版更上一层：Terminal Bench 2.1打到87.9分，仅落后全球第一的Anthropic Fable 5零点1分；Cybergym（AI安全攻防基准）以83.3分反超Fable 5的83.1分；DeepSWE从12.8飙升至62.7，超越Opus 4.8的58.0分。同期，Qwen3.8-Max在Artificial Analysis Agentic Index上以55.4分登顶全球第一，在OSWorld-Verified上以86.1%同样拿下全球第一——国产模型在Agent能力维度上已从"追赶"走向"并跑"甚至"部分领跑"。

端侧与办公Agent：AI搬进手机和工位。手机厂商把Agent做成了系统级能力：华为小艺、荣耀YOYO、小米超级小爱、vivo蓝心小V，都能跨App执行"把这张图发给妈妈并配一句祝福"这类连续操作。办公侧，钉钉AI助理、飞书的智能伙伴、企业微信的智能机器人，把会议纪要、审批流转、知识问答交给了Agent。这条赛道的特点是用户无感——很多人每天都在用Agent，却从没听过这个词。

1.3 让Agent互通的"统一插座"：MCP

Agent要干活，就得连工具——连数据库、连日历、连浏览器、连公司内部系统。麻烦在于，早期每接一个工具都得单独写一套对接代码，一百个工具就是一百根"定制线"，谁也复用不了谁的。

MCP由Anthropic在2024年11月开源提出，但真正把它推成产业基础设施的，很大程度上是中国的云厂商。2025年起，阿里云百炼、腾讯云、火山引擎相继上线MCP服务市场——把地图、支付、办公、数据库等成百上千种工具做成标准插头，开发者点几下就能给自己的Agent装上"手"。这直接把搭建一个可用Agent的周期，从"数周"压缩到了"数小时"。

与MCP配套的还有两块拼图。一是A2A（Agent to Agent，智能体之间互相对话的协议），解决的是"多个Agent怎么组队干活"——就像一个项目组里，产品、设计、开发各司其职还能互通消息。二是接口层的兼容：DeepSeek V4系列（Flash-0731和Pro-0813）原生兼容OpenAI Responses API和Anthropic API双协议，Qwen3.8-Max同样支持OpenAI Chat Completions、Responses API及Anthropic API三种协议——这意味着原本为海外模型写的Agent应用（如Claude Code、Codex），几乎不用改代码、只需替换base_url就能切到国产模型上，迁移成本近乎为零。这一步看着不起眼，却是国产模型能大规模挤进全球开发者工具链的关键。

1.4 怎么判断一个Agent是不是"真能干"

Agent最容易注水的地方在演示：挑一个精心准备的任务录段视频，谁都很能干。所以业界很快建立起了一批专门考"动手能力"的基准——不看它说得多漂亮，只看它任务完没完成。

1.5 冷静看：Agent还没到"放手不管"的时候

成绩要认，问题也不能藏。2026年的Agent，离"完全托付"还有明显距离，主要卡在三个地方。

第一，长任务的成功率仍然不高。假设单步操作准确率有95%，但一个任务要连做20步，整体成功率就掉到约36%（0.95的20次方≈0.36）。步骤越长，翻车概率越高——这是Agent当前最硬的天花板，也正是"自我纠错"能力为什么如此关键的原因。

第二，成本还不便宜。一个Agent完成复杂任务动辄要几十上百次模型调用，费用可能是单次对话的百倍。国产模型的低价恰恰在这里成了关键优势：DeepSeek V4-Flash每百万tokens输入1元、输出2元，约为GPT-5.6的1/18；V4-Pro为输入3元、输出6元，约为GPT-5.6的1/5至1/7；Qwen3.8-Max定价$2/$6，与GPT-5.6 Sol持平但能力相当——Agent时代，谁的单价低，谁就跑得起更长的任务。

第三，安全边界还没划清。Agent一旦拿到你的账号、文件和支付权限，它做错一步的代价就不再是"回答错误"，而是真金白银的损失。目前主流做法是关键动作前必须人工确认——涉及付款、删除、对外发送时，必须由人点头。这不是技术不成熟的权宜之计，而是应当长期保留的设计原则。

三条放在一起看，结论其实很清楚：2026年的国产Agent，已经从"能演示"走到了"能上工"，但仍处在需要有人盯着的阶段。它更像一个刚入职、手脚麻利但还得师傅复核的实习生，而不是一个可以完全放手的老师傅。认清这一点，既不至于低估它，也不至于高估它。

二、国产AI芯片：全栈自主突破

大模型的背后是算力，算力的背后是芯片。长期以来，高端AI芯片被英伟达垄断，这既是中国AI最大的"卡脖子"环节，也是自主突破最有价值的战场。2026年，以华为昇腾为代表的国产AI芯片实现了从"能用"到"好用"的跨越，真正撑起了国产大模型的算力底座。

2.1 华为昇腾：国产算力的压舱石

2026年世界人工智能大会（WAIC）上，华为首次公开展示昇腾950超节点——这是国产AI算力的里程碑产品。超节点将1024张昇腾NPU通过高速互联网络组成一个统一的计算集群，提供1 EFLOPS（百亿亿次/秒）的FP8算力。在这个平台上，DeepSeek V4-Pro实现了20毫秒的TPOT（Time Per Output Token，每token生成延迟）和单卡Decode吞吐4700 TPS（tokens/second）——这一指标已达到国际一流水平，意味着国产芯片+国产模型的组合不仅能跑通，而且跑得快。

1 EFLOPS的算力是什么概念？它相当于每秒进行100亿亿次浮点运算，足以同时为数百万用户提供实时AI对话服务。更关键的是，昇腾950超节点不是简单的"芯片堆叠"，而是通过高速互联网络将1024张NPU融合为一个整体——节点间的通信延迟极低，使得大规模MoE模型的专家分布和调度效率大幅提升。这种"规模化互联"能力，是支撑万亿级参数模型高效推理的关键基础设施。

昇腾950超节点的性能飞跃来自三大底层架构升级：第一，原生精度加速，全面支持FP8、MXFP8、MXFP4等多种低精度计算格式，在保证精度的前提下大幅提升吞吐；第二，稀疏访存优化，针对MoE模型的稀疏激活特性专门设计，减少无效内存访问；第三，Vector与Cube共享Memory，让向量运算和矩阵运算共享存储资源，降低数据搬运开销。这些架构创新使得昇腾在运行MoE大模型时效率显著提升。

面向高性价比场景，华为还推出了昇腾A3超节点，在V4-Flash上实现单卡Decode吞吐2000+ TPS，为中小企业和开发者提供了低成本的国产算力选择。从950到A3，昇腾产品线覆盖了从旗舰到普惠的完整需求。

在软件生态方面，华为CANN（Compute Architecture for Neural Networks）框架在2026年全面开源，支持PyTorch、MindSpore等主流深度学习框架。CANN的开源意味着开发者可以深入到底层算子进行优化，也让更多国产芯片厂商能够参考统一的标准接口。CANN与昇腾NPU的深度耦合，使得模型从训练到部署的迁移成本大幅降低——开发者无需修改模型代码，即可在昇腾平台上获得接近理论峰值的性能。这种"硬件-框架-模型"的无缝衔接，正是全栈自主供给链的核心价值所在。

更关键的是，中国已经走通了"昇腾NPU → CANN开源框架 → DeepSeek大模型"的全栈自主供给链。这意味着从底层硬件、驱动框架到上层模型，每一个环节都不依赖外部供应商。除了华为，寒武纪、摩尔线程、海光信息等国产芯片厂商也先后完成了DeepSeek V4的适配工作，形成了"多芯片+一模型"的兼容生态。国产芯片不再是某一家的独角戏，而是一个产业集群。

全栈自主的意义远超技术层面。在地缘政治不确定性持续升高的背景下，拥有完整的AI算力供给链意味着中国AI发展不再受制于外部断供风险。更重要的是，当芯片设计和模型训练由同一生态体系协同推进时，软硬件协同优化的效率远超"通用芯片+通用模型"的组合——这正是昇腾运行DeepSeek V4能够达到20ms TPOT和4700 TPS的根本原因。这种"芯片-框架-模型"三位一体的协同优化能力，正在成为中国AI区别于美国"垂直分工"模式的独特竞争优势。

2.2 不只有华为：国产AI芯片全家福

一个国家的算力不可能由一家公司扛下来。在昇腾之外，中国还有一批各有专长的AI芯片企业，它们走的技术路线并不相同，凑在一起才拼出完整的版图。

先把路线分清楚，后面的名字就好记了。国产AI芯片大体走三条路：通用GPU路线（一颗芯片既能算AI，也能渲染画面、跑科学计算，通用性强、生态好迁移）、专用NPU/加速卡路线（只为AI计算而生，砍掉用不上的功能，换来更高的能效比）、端侧与车规路线（芯片装在汽车、摄像头、机器人里，讲究低功耗、高可靠、能扛住颠簸和高温）。

海光信息走的是通用路线。它的深算系列DCU（Deep Computing Unit，深度计算处理器，可以理解成海光版的通用计算加速卡）最大的特点是软件生态好迁移——它兼容主流GPU的编程模型，原本写给英伟达卡的代码，改动量相对较小就能跑起来。对于已经积累了大量代码资产的科研院所和大型企业，这一点比峰值算力数字更实际。海光与中科曙光在服务器整机上的深度整合，也让它在超算中心和政企市场有稳固的基本盘。

寒武纪是国内最早专注AI芯片的公司之一，走的是纯粹的专用路线。思元（MLU）系列从边缘端到云端全线覆盖，思元370、思元590等产品先后进入互联网大厂和运营商的采购清单。寒武纪的技术特色在于自研指令集与Neuware软件栈——不依附于任何海外生态，这在供应链安全上是长板，但也意味着它必须自己把开发者生态一点点建起来，这是一条更慢但更自主的路。

摩尔线程选择了最难的一条路：做全功能GPU。它的MTT S系列不只能算AI，还支持图形渲染、视频编解码和科学计算——这是国内少有的"四位一体"完整GPU能力。配套的MUSA软件栈和夸娥（KUAE）智算集群方案，让它能直接向客户交付"从芯片到集群"的整套算力，而不是只卖一张卡。做全功能GPU意味着要同时啃下四块硬骨头，但一旦跑通，天花板也最高。

阿里巴巴的芯片故事写在平头哥身上。2019年发布的含光800是国内最早规模落地的AI推理专用芯片之一，在阿里内部的图片识别等场景中大规模上线；2021年的倚天710则是面向云服务器的自研CPU。近年阿里进一步自研AI加速芯片，并与自家磐久AI服务器整合，形成"芯片—服务器—云平台—通义大模型"的垂直闭环。阿里的打法很清楚：先在自己的超大规模业务里练兵，跑顺了再对外供给——这也是全球云厂商自研芯片的通用剧本。

地平线把战场放在了汽车里。它的征程（Journey）系列是车规级AI芯片（人话：能在零下40度到零上100多度、天天颠簸的车上稳定跑十几年的芯片，可靠性要求远高于机房里的卡），基于自研BPU架构，从早期的征程2、征程3一路做到面向高阶智能驾驶的征程6，累计出货量在中国乘用车智驾芯片市场位居前列。它还向车企提供软硬一体的智驾解决方案。地平线证明了一件事：AI芯片的战场不只在数据中心，路上跑的每一辆车都是一台移动的AI计算机。

此外，百度昆仑芯依托飞桨框架与百度自身的搜索、自动驾驶业务，形成了"芯片＋框架＋应用"的闭环；壁仞科技、燧原科技、天数智芯等新锐企业也在云端训练与推理市场各自占位。国产AI芯片已经从"一枝独秀"变成了"一片森林"。

2.3 从单卡到万卡：国产算力集群

训练一个万亿参数的大模型，单靠几张卡是不可能完成的——必须把成千上万张卡连成一个整体。但集群的难点从来不在"买够卡"，而在让这么多张卡步调一致。

2026年，国产算力集群已经形成了几种成熟形态。华为的昇腾超节点把1024张NPU融合成一个逻辑整体，代表了"紧耦合"路线的最高水平；百度昆仑芯点亮了三万卡规模的集群，验证了国产芯片支撑超大规模训练的可行性；摩尔线程的夸娥（KUAE）提供从千卡到万卡的整柜交付方案，客户不用自己攒机器；阿里的磐久AI服务器与自研芯片、云平台打通，把集群能力直接变成云上可租用的算力；海光则借助中科曙光在超算领域的积累，在政企与科研市场提供整机柜方案。

与之配套的是国家层面的算力布局。"东数西算"工程把大量训练任务调度到西部——那里电价更低、气候更凉、绿电更充足，算完再把结果传回东部使用。全国一体化算力网络的建设，让算力像水电一样成为可以远程调用的公共资源。这是中国在算力基础设施上一个相当独特的制度优势：别的国家靠企业自己建机房，中国还额外多了一张国家级的算力调度网。

2.4 中国模型 ＋ 中国算力：适配版图

有了国产模型，也有了国产芯片，还差最后一步：让它们真正配合默契。这一步比外行想象的难得多。

让人意外的是，这件苦活在中国推进得相当快。2025年初DeepSeek-R1发布后，国产芯片厂商在极短时间内密集宣布完成适配，出现了业界所说的"Day 0适配"（人话：模型发布当天或次日就宣布自家芯片能跑）现象。到2026年，主流国产大模型与主流国产芯片之间，已经基本织成了一张"多对多"的网。

这张网的价值，要放到风险场景里才看得清。如果只有"一款模型＋一款芯片"能配合，那么任何一端出问题，整条链就断了；而当七八家芯片厂商都能跑DeepSeek和Qwen，任何单点故障都不再致命。冗余，就是安全。

更深一层的价值在于协同优化。当芯片团队和模型团队坐在一张桌子上，事情就不一样了：模型这边可以按芯片的强项调整架构（比如把MoE的专家数量设成芯片互联拓扑最舒服的数字），芯片那边可以为模型的高频算子专门做硬件加速。昇腾运行DeepSeek V4能达到20ms TPOT和4700 TPS，靠的正是这种"软硬一起改"的默契——这是"通用芯片＋通用模型"各干各的组合很难达到的效率。

当然，也要如实说清楚差距。在单卡峰值算力和制造工艺上，国产芯片与国际最先进产品仍有距离，很多时候是靠"更多卡＋更好的集群调度"把总算力补回来的——这在功耗和成本上要付出代价。在软件生态成熟度上，CUDA积累了近二十年的算子库、调试工具和开发者习惯，国产软件栈还在追赶的路上，开发者迁移时踩坑仍然不少。承认这些差距，不会削弱2026年这份成绩单的分量；相反，正因为是在这样的约束下跑出来的成绩，才更说明工程能力的含金量。

本篇小结

有了强大的模型和算力底座，中国AI的下一步是构建可持续的生态。下一篇，我们将看到中国开源生态如何历史性反超美国，产业应用如何全面开花，以及政策与中美竞争的新格局。