云天励飞董事长陈宁：AI推理时代已至　推理芯片崛起将是中国科技复兴巨大机遇

来源：市场资讯

（来源：每日经济新闻）

每经记者：涂颖浩 陈 旭

当对话式人工智能工具——ChatGPT点燃的全球AI（人工智能）训练竞赛逐渐开始白热化，一个更深层次的产业变革悄然发生。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？

视觉中国图

在日前举办的雪球嘉年华会议期间，云天励飞董事长兼CEO（首席执行官）陈宁在接受《每日经济新闻》记者专访时表示，人工智能就像当年的第一台蒸汽机、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。

陈宁认为，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。”

推理芯片展现巨大潜力

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（人工智能生成内容）时代，大模型展现出惊人的内容生成能力，除了英伟达这个“卖铲人”，整个行业都在寻找盈利闭环。

“2025年，我们进入了第三个阶段——Agentic AI（代理式人工智能）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，正从以训练为主转向以推理为主。

“这是根本性转折。”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。

陈宁以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，指出直到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。

陈宁笑称，黄仁勋可能成为AI领域的戴维，因为前者定义了训练时代，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（图形处理器）的通用性来覆盖推理需求。但市场规律证明了推理芯片赛道的不可替代性。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，都证明了独立的推理芯片赛道崛起，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，中国企业追赶英伟达差距较大，风险也越来越大。但在推理芯片赛道上，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。”陈宁判断，推理芯片的崛起，将是中国科技复兴的巨大机遇。

推理需求现爆炸性场景

面对AI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不同，传统架构面临瓶颈。

为此，云天励飞（云天励飞U，SH688343，股价77.10元，市值276.66亿元）提出了新的芯片架构——GPNPU，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，这样可以更便利地兼容CUDA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，满足面向未来推理芯片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。陈宁给出“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。

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规模化、产业化，陈宁提出在较短周期内把“百万Token”的推理综合成本降低到“一分钱”级别。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。