具身智能：万亿赛道的“价值兑现”之考（下）
编者按
2026世界人工智能大会刚刚落下帷幕，“智能伙伴，共创未来”的主题，清晰昭示着AI正从数字工具迈向物理世界的深度协同。其中，具身智能展区不再满足于“能走能跳”的演示，而是将“量产、适配、场景交付”作为关键词，这恰恰折射出产业正在叩响“价值兑现”的真正大门。
然而，从技术突破到商业闭环、从实验室到千行百业，具身智能要成长为万亿级新质生产力，仍需跨越可靠性、场景适配与成本效益等多重鸿沟。这对产业链每一环都是考验，更是重塑格局的机遇。
本期《新质策源导刊》继续汇集专家的前瞻洞察、智库的理性研判与企业一线的实战回响，力求在分歧中辨明突破路径、在共识中凝聚协同动能。我们诚邀您共同跟踪、见证这场从“能动”到“能用”的产业跃迁，看具身智能如何真正走进生产生活，赋能未来。
1
中国工程院院士、清华大学计算机科学与技术系教授、互联网体系结构全国重点实验室上海智算分室专家委员会主任郑纬民
1
我国人工智能产业并不存在全局性算力总量不足的问题，核心痛点集中于算力结构性供需错配。行业不能单纯等待硬件突破，更要立足当下存量资源，依靠系统创新、生态培育、运营模式革新走出差异化发展道路。
■中国经济时报记者张一鸣 王彩娜
当前，人工智能产业迈入智能体规模化发展新阶段，大模型、多模态应用持续普及，带动算力需求迎来快速增长周期。中国工程院院士、清华大学计算机科学与技术系教授、互联网体系结构全国重点实验室上海智算分室专家委员会主任郑纬民在2026世界人工智能大会上表示，我国人工智能产业并不存在全局性算力总量不足的问题，核心痛点集中于算力结构性供需错配。
郑纬民围绕当前我国人工智能产业发展现状，剖析算力市场结构性供需失衡带来的多重挑战，并从系统创新、生态建设、算力运营模式革新等维度，提出对策建议。
他指出，从需求侧看，随着智能体技术快速落地，算力需求呈现指数级上涨趋势。相较于传统对话式大模型，智能体完成复杂任务产生的Token消耗量大幅提升，Token已经成为人工智能产业全新的核心生产要素。但是，市场中的相关各方存在认知误区，简单将硬件卡数量、峰值算力等同于AI生产力，忽视了更为重要的问题，即衡量算力价值不能只看硬件纸面参数，稳定、低成本、可持续输出高品质Token的整套系统能力，才是当前产业最为稀缺的资源。
供给端格局与市场需求形成鲜明反差。受海外高端AI芯片出口管制影响，能够支撑超大模型训练的高端算力长期紧缺。同时，全国各地持续推进智算中心建设，国产AI芯片产能不断释放，大量中低端算力硬件陆续投入部署。郑纬民强调，国产算力发展瓶颈不在于芯片硬件性能，而是软件生态短板突出，算子库、编译工具链、分布式集群调度系统发展滞后，大量算力硬件无法充分调度利用，集群整体资源利用率长期处于低位，最终形成“高端算力一卡难求，国产中低端算力大量闲置过剩”的行业现状。
郑纬民认为，算力结构性供需失衡衍生出一系列连锁问题，制约着我国人工智能产业长期健康发展。算力资源不均衡大幅抬高行业创新门槛。高端算力供给紧张催生市场抢卡、囤卡现象，直接推高算力租赁成本。头部科技企业优先抢占有限高端算力资源，垂直领域中小企业、初创研发团队难以获取稳定、性价比合适的训练与推理算力，中小创新主体的研发空间被持续挤压，不利于产业创新生态多元化发展。
各地算力基础设施建设存在盲目投资倾向，造成大量资源浪费。当前不少地区建设智算中心，简单以部署芯片数量、峰值浮点算力作为核心考核指标，重硬件采购、轻软件配套投入。大量国产算力硬件长期低负载运行，持续消耗资金、机房空间与电力能源，陷入“硬件规模持续扩张，有效可用算力增长缓慢”的发展困局。
同时，大量资本扎堆硬件采购赛道，基础软件、异构算力调度、推理系统优化等方向投入严重不足。众多企业单纯对标芯片硬件性能指标，忽视上层系统工程优化，国产芯片的硬件潜力难以充分释放。这使得产业高度依赖海外CUDA生态，企业出于业务稳定考量优先选用成熟的海外算力方案，国内自主软件栈缺少大规模真实业务场景打磨机会，生态建设陷入“使用主体少、优化迭代慢、落地推广难”的循环。
算力成本居高不下，还阻碍人工智能与实体经济深度融合。高昂的推理成本持续压缩AI应用服务商利润空间，大量面向制造业、现代服务业的垂类人工智能项目难以实现商业盈亏平衡，许多技术成果停留在测试与试点阶段，无法完成规模化商业落地，延缓产业数字化、智能化转型进程。
郑纬民认为，我国要走出符合国情的AI算力发展道路。
第一，重构算力价值评价体系，推动行业从MaaS（模型即服务）向TaaS（Token即服务）转型。摒弃依靠芯片数量、峰值算力评判算力平台能力的传统标准，建立以有效Token产能、单位Token生产成本、服务时延、并发稳定性为核心的全新评估体系，大力推进规模化Token工厂建设，构建标准化Token生产、供给体系，重塑整个算力市场价值逻辑。
第二，推行PD分离异构算力协同部署方案，充分盘活存量算力资源。将大模型推理任务拆分为Prefill（P阶段）与持续生成Token（D阶段），实施分池差异化部署，探索国产NPU承载P阶段任务、高端加速卡承接D阶段任务的混合异构模式，实现高低算力优势互补，最大化发挥国产硬件价值，有效缓解高端芯片供给缺口压力。
第三，攻坚自主基础软件，打造AI统一调度系统AI Harness。算力突围的重心需要逐步由硬件制造转向软件体系建设。加快研发自主可控万卡级分布式集群调度平台，实现跨机房、多品牌、不同架构芯片统一纳管调度；持续优化KV Cache缓存技术，降低大模型运行显存占用。依靠软件系统优化提升现有硬件资源利用率，以软件能力弥补短期硬件差距。郑纬民在现场明确提出，只要配套软件生态趋于完善，即便国产芯片性能达到国际同类产品60%的水平，也能够获得行业大规模应用。
第四，锚定新一代推理系统四大发展方向：分布式跨集群调度、KV Cache缓存优化、异构算力融合调度、Token服务化运营。搭建一体化算力网络，实现各类异构算力弹性调度，探索Token分层分级定价机制，推动算力资源像水电资源一样实现按需调配、高效流通。
第五，理性统筹算力基础设施规划，规避同质化无序竞争。地方在布局智算中心时，必须坚持软硬件同步规划、同步建设，不再片面追求硬件规模扩张。引导社会资本均衡布局芯片、编译器、算子库、推理框架等全产业链环节，避免大量资源集中涌入单一硬件赛道造成内卷。
郑纬民强调，人工智能算力结构性矛盾短期内难以彻底消除，行业不能单纯等待硬件突破，更要立足当下存量资源，依靠系统创新、生态培育、运营模式革新走出差异化发展道路。唯有平衡好短期应用落地与长期自主产业链建设，打通软硬件协同堵点，盘活全域算力资源，才能持续夯实我国人工智能产业发展根基，推动人工智能技术更好赋能千行百业。
总 监 制丨杨玉洋车海刚
监 制丨陈 波刘卫民
审 核丨王小霞发 布丨申双艳