WAIC观察｜模型越大算力越紧，国产AI集体死磕“利用率”

7月17日至20日的2026世界人工智能大会（WAIC）期间，国产模型在参数规模、性能表现、落地应用等方面的表现引发行业关注。

月之暗面Kimi K3 2.8T（万亿）参数规模引发海内外热议，多家模型厂商在WAIC期间向第一财经记者披露下一代基座模型扩大参数量的计划。

另据行业消息，智谱在面向机构的会议上表示，如果下一代模型参数能够达到K3级别，有信心在性能层面表现更好。但预估接下来的产品发布主要是GLM-5系列的迭代，大参数版本更新还需等待一段时间。

更大规模参数与更强性能表现，带来更大的算力需求。大会期间，多家芯片厂商披露超节点集群建设，以及模型带动算力行业发展的观点。国产AI正从单一的模型规模竞赛，转入关乎未来格局的算力基建与工程效率深水区博弈。

头部模型加大算力部署

7月19日，月之暗面 Kimi 发文称，用户请求量大幅超出预估，逼近现有集群承载极限。为了保障已有订阅用户体验，暂停C端新用户订阅，将已有算力全部投入服务已订阅用户。同时已在全速推进算力扩容。

K3上线当日便有用户反馈，页面显示“ Kimi遇到了一些问题，暂停了这个任务，相应的Agent权益已经退还到账户。”接近人士对记者表示，（调用规模）涨得太猛，算力吃紧。

此前Kimi创始人杨植麟在披露百亿现金储备的内部信中表示，K3目标将等效FLOPs（浮点运算量）提升至少10倍，在预训练水平上追平国际顶尖模型，突破现有算力瓶颈。公司超半数融资资金用于激进扩增显卡，对标Anthropic、OpenAI的算力储备规模。2026年计划将K3模型参数规模推向新量级，需数万张高端GPU持续训练。

华泰证券研报分析称：Kimi K3建议采用64张以上加速卡组成的超节点部署，表明高带宽互联、推理集群、上下文缓存及Agent基础软件的重要性进一步提升。K3智能的提高直接带来了Token定价的提高，进一步强化了国产模型的商业化能力。

同时，Kimi K3通过训练和数据配方优化，实现相较Kimi K2约2.5倍的整体缩放效率提升。模型底层技术架构设计对跨卡通信、专家路由和推理软件提出的新要求，或构成更具持续性的国产软硬件适配变化。

另据记者获悉，智谱也在加大对算力领域的建设投入。此前，智谱通过ARR（年度经常性收入）增长、推理效率、利润率以及持续研发投入之间形成稳定循环。目前，智谱ARR最新数据已增至10亿美元（API和Coding Plan收入，不含任何C端社交产品收入），较今年初增长约15倍，其中一个重要影响因素是智谱从模型能力到规模化推理之间的工程链条优化。

在推理效率完善方面，智谱今年上半年完成对AI Infra公司中科加禾的整合，进一步补齐编译器、运行时、推理引擎及异构算力软件底座能力。中科加禾长期参与龙芯、神威、寒武纪等国产芯片的软件栈研发，核心能力是通过统一编译器和中间层软件，降低不同国产芯片之间重复适配和迁移成本。

另在模型底层工程能力方面，智谱基于国产算力构建对标CUDA的中间层生态，开始覆盖完整推理软件栈。

超节点集群建设趋势

据第一财经记者获悉，智谱在建多个万卡集群。相关人士对记者表示，对于企业级AI而言，“卡够不够”只是第一步，更大的挑战在于“卡能不能稳定、高效地跑起来”。国产芯片品牌、架构和软件栈各不相同，模型部署往往需要重复完成编译、算子优化和推理适配，大量工程资源消耗在跨平台的迁移和维护上。这正是大规模国产算力集群长期面临的底层掣肘。

这一限制在市场需求的快速切换中被进一步放大。

蓝芯算力生态负责人许庆伟对记者分析称，2026年国内算力市场正经历结构性重塑——推理算力已取代训练算力成为主流增量，有效算力利用率与算力性价比替代理论峰值算力，成为行业核心评价标准。与此同时，垂直行业定制化算力与国产化算力需求持续攀升，粗放式算力堆叠的时代正在落幕。

需求端的变化倒逼供给端升级。在此背景下，超节点国产算力集群建设成为今年WAIC参展企业披露的焦点。

芯片厂商清微智能在大会期间发布自研RAISA软件栈，支持200多款大模型和十余类应用开箱即用，并展示了4096芯片超节点——无需交换机即可实现高效直连，以低延迟、低能耗应对复杂多变的AI计算需求。

清微智能副总裁陈逸伦向记者解释，超节点成为展示重点，反映的是底层逻辑的转变：大模型训练和推理的基本单位已从单颗芯片转向集群。万亿参数模型需要千卡到万卡级集群才能高效训练，单芯片算力再强也无济于事。“各家都在做超节点，这是行业共识，区别只在方案。”

在陈逸伦看来，行业合作建设超节点正形成两种新趋势：一是单家企业很难独自构建万卡集群，需要芯片、互联、软件等不同能力的产业互补；二是国产算力正从“单打独斗”走向生态协同。但他也强调，不同架构芯片的编程模型、通信协议、内存语义各不相同，协同过程中仍需攻克大量工程难题。

许庆伟进一步指出，算力产业的核心矛盾已从“算力不足”转向“算力利用效率低下”。长期主导数据中心的CPU与AI加速卡分离架构，暴露出难以根治的底层短板，成为制约国产智算升级的关键瓶颈。

在他看来，近期密集落地的超节点，核心正是为了适配万亿参数大模型与AI Agent规模化应用——通过资源集中整合、统一调度，解决算力碎片化、能耗高、利用率低等痛点，是当前算力基建抢占产业制高点的核心布局。

接下来，许庆伟判断，模型大型化将倒逼产业全面升级：算力行业从规模扩张转向软硬件协同优化；芯片设计摒弃单卡算力堆砌，重点升级高速互联、大显存、高带宽能力；产业竞争也将从硬件参数比拼，升级为全栈生态与系统级算力服务的综合较量。