当 ChatGPT 点燃的全球 AI 训练竞赛逐渐开始白热化，一个更深层次的产业变革正在悄然发生。2025 年，被业界普遍视为 "AI 应用大爆发的元年 "，智能体（Agent）正从概念走向现实。而在应用爆发的背后，是百倍增长的推理算力需求与高昂成本之间的尖锐矛盾。在这场由 " 训练 " 转向 " 推理 " 的算力范式革命中，中国 AI 芯片产业能否抓住历史性机遇？

在日前举办的雪球嘉年华会议期间，云天励飞（SH688343）董事长兼 CEO 陈宁在接受《每日经济新闻》记者专访时表示，人工智能就像当年第一台蒸汽机、第一个灯泡、第一台计算机，可以说人工智能是未来五年科技突破的关键。他认为，中国在算法上已能够将跟世界先进水平之间的差距缩短至数月，甚至在应用、数据、能源、系统集成方面更有优势。

在陈宁看来，推理芯片赛道是中国实现 " 超车 " 的关键。这场关于重新定义算力的竞赛才刚刚吹响号角，中国第一次与全球站在相近的起跑线。" 我们有机会，也必须抓住这个机会。"

陈宁在雪球嘉年华上发表演讲 图片来源：受访者

从训练到推理—— AI 产业的分水岭与中国的 " 爱迪生 " 机会

在陈宁看来，人工智能产业的发展可以清晰地划分为三个阶段。

第一阶段是 2012 年至 2020 年的 " 智能感知 " 时代，以小模型驱动特定场景的解决方案为主，市场的特点就是碎片化，难以规模化复制。

第二阶段是 2020 年至 2025 年的 "AIGC" 时代，大模型展现出惊人的内容生成能力，但除了英伟达这家 " 卖铲人 "，整个行业仍在巨额投入中寻找盈利闭环。

" 但 2025 年，我们进入了第三个阶段——‘ Agentic AI ’时代。" 陈宁强调。无论是豆包手机、AI 眼镜还是人形机器人，其本质都是将大模型、操作系统与硬件载体深度融合的智能体。它们能独立完成复杂任务，替代部分工作岗位，这才是 AI 引发产业革命的真正形态。这个时代的核心特征是应用爆发，而应用背后所需的算力，从以训练为主正转向以推理为主。

" 这是一个根本性的转折。" 陈宁表示，训练追求极致性能和迭代速度，而推理要大规模商业化，必须讲求市场经济，追求极高的性价比。

他以 19 世纪初英国化学家戴维发明了世界上第一个实验性电灯为例，直到 70 多年后，爱迪生通过商业化改良、降低成本并建设了电网，才真正将电力革命推向千家万户。

陈宁笑言，黄仁勋可能成为 AI 领域的戴维，因为他定义了训练时代；而推理时代的‘爱迪生们’正在涌现，这也从另一个角度决定了谁才能真正主导一场产业革命。

正是这一转变，打破了英伟达凭借 CUDA（英伟达给自家 GPU 量身打造的专属工具）生态和 GPGPU（通用图形处理器）在训练时代建立的垄断格局。

陈宁表示，此前黄仁勋长期坚持 " 通用计算 " 理念，认为算法迭代极快，专用推理芯片容易过时，主张通过 GPU 的通用性来覆盖推理需求。但市场规律证明了推理赛道的不可替代性。谷歌在最新的 TPU（张量处理器）战略中明确了 " 训推分离 " 的趋势，加码推理专用的算力权重，博通为 Meta、OpenAI 定制推理芯片，都证明了独立推理赛道的崛起，并展现出巨大潜力。

对于中国而言，这意味着一场难得的 " 超车 " 机遇。陈宁坦言，在训练赛道上，由于先进制程受限、CUDA 生态壁垒高筑，中国追赶英伟达差距较大，风险也越来越大。但在推理赛道上，全球都刚刚起步，游戏规则不同。" 推理更接近应用场景，要为用户提供更高性价比的产品，这正是中国产业所擅长的。" 他判断，推理芯片的崛起将是中国科技复兴的巨大机遇。

需把 " 百万 token" 推理综合成本降到 " 一分钱 " 级别

面对推理时代的全新需求与挑战，陈宁认为，一味简单模仿英伟达的 GPGPU 架构并非出路。推理任务的计算范式发生了根本变化，尤其是 "Prefill"（预填充）和 "Decode"（解码）两个阶段对算力和带宽的需求截然不同，传统架构必然面临瓶颈。

为此，云天励飞提出了新的 "GPNPU" 架构，旨在融合三大核心能力：首先是顶层结合 GPGPU 的 SIMT 编程范式，具有通用灵活的调度架构，这样可以更便利兼容 CUDA 的生态；其次是结合指令集微架构设计能力，去优化 GPGPU 里面的矩阵类计算的硬件；与此同时，基于国产工艺和全国产产业链融合一系列先进封装技术，打破内存瓶颈，降低内存成本。

GPNPU 的目标是在计算算力、存储带宽、存储容量三者间实现更优配比，满足面向未来推理时代多元化异构推理算力的需求。无论是单位硅芯片面积的计算性能上，还是模型迭代的迁移成本上，包括算子优化提升的硬件利用率，尤其是通过高能效、低功耗等一系列的芯片技术降低运营过程中能源成本，能真正实现全方位降低用户的 TCO ( 总体拥有成本 ) 。

展望未来，陈宁描绘了推理算力需求的爆炸性场景。他以豆包大模型为例，其日均 Token（文本处理的最小单元）处理量已达 50 万亿且增速惊人。

他给出 " 粗算 " 的假设，即便以 50 万亿为基准不再增长，面向大规模在线推理的资本开支与运营开支也会非常可观。

与此同时，有媒体亦报道称字节跳动 2026 年 AI 基建相关资本开支预算约 1600 亿元，反映出头部厂商对推理基础设施的投入强度正在显著抬升。

陈宁进一步判断，若 token 规模短期继续上行，明年上半年可能触及 100 万亿，而在单位能效不发生显著改善的情况下，电力与散热等基础设施压力可能出现 " 千倍级 " 的数量级跃迁。

为支撑 AI 的规模化产业化，他提出需要在较短周期内把 " 百万 token" 的推理综合成本降低到 " 一分钱 " 级别。而这需要通过架构革命（如存算一体）和工艺创新才能实现，这也正是中国企业的机会所在。

每日经济新闻