海致科技首席科学家郑纬民院士：构建主权 AI 新范式，以产学研协同破解“卡脖子”

来源：市场资讯

（来源：海致科技）

当前，全球 AI 竞争已从模型算法的比拼，延伸至基础软件与自主生态的深层博弈。而这一博弈在国内最直观的投射，便是中国 AI 算力正在经历的看似矛盾的时刻。一边是大模型和智能体加速进入产业，Token 消耗快速增长，高端算力依然供不应求；另一边，部分已经建成的算力资源却因为软件适配、供需对接和调度能力不足，未能得到充分利用。

这点在中国信通院 2025 年发布的《人工智能算力基础设施赋能研究报告》中也被提到：目前国内人工智能算力基础设施的利用负载差异较大，尤其是部分由地方政府或国资平台主导建设的智算设施，实际赋能价值仍有待提升。

这背后暴露出的，不仅是芯片数量的问题，还需要考虑更多复杂的因素，比如软件生态是否成熟，国产芯片能否适配真实业务，模型、知识和工具能否被有效组织，以及每一单位算力能够生产多少高质量 Token（能够准确承载业务知识、形成可靠推理结果并产生实际业务价值的有效模型输入与输出，而非简单追求 Token 数量增长），都在重新决定中国 AI 基础设施的效率。

在中国工程院院士、海致科技首席科学家郑纬民看来，中国 AI 算力正处在关键转型期。高端算力短缺只是表层矛盾，更深层的挑战在于，如何依靠基础软件、图计算和全栈生态，盘活现有算力资源；又如何推动基础设施从提供模型，进一步走向提供可调度、可执行的智能生产能力。

在 2026 世界人工智能大会（WAIC）期间，围绕国产算力的结构性矛盾、主权 AI 生态、算力基础设施等话题，郑纬民院士与媒体进行了深入交流。

院士说

Q：您一直倡导“做有用的科研”，在当前国产基础软件面临“卡脖子”的背景下，这种产学研深度融合的科研平台，对于打通从“实验室”到“生产线”的最后一公里，具有怎样的战略意义？

郑纬民：产学研深度融合最重要的机制突破，是打破高校“发论文”与企业“做产品”之间的壁垒，建立长期、深度的协同机制。

在基础软件领域，高校具有前沿理论和技术研究能力，企业则具备真实应用场景和工程化经验，两者缺一不可。

拿海致科技的合作举例，高校和科研院所在理论研究上具有天然优势，技术实力很强。但不足之处在于，学术圈往往不太清楚市场到底需要什么，也不了解具体的应用场景在哪里。而海致科技作为企业，一直深耕知识图谱等领域，他们清楚客户需要什么样的技术服务。我们将二者深度结合，一方面让高校的理论培养更具针对性，另一方面也大幅提高了企业产品的技术价值。

2021 年，我们共同成立了“高性能图计算院士专家工作站”，将清华大学的科研力量与海致的产业实践深度结合。二者一结合，产品的技术水平提高了，也真正有用。

2023 年，这套机制不仅成功攻关了国产分布式图数据库 AtlasGraph ，还打破了世界纪录。这标志着我们真正实现了从底层基础软件到上层 AI 应用的自主可控，为国产算力的落地应用筑牢了根基。

Q：大模型在金融、医疗等严肃场景下的“概率性错误”一直是业界痛点。结合您与海致科技在“图模融合”领域的产学研合作，您认为应如何从底层架构上彻底解决这一难题，确保 AI 应用的安全与可信？

郑纬民：在海致推进产学研深度融合的过程中，我们一直保持着清醒的认知：必须正视大模型在应用层面的局限性。大模型本质是概率性输出，类似于“猜天气”，虽然大概率正确，但难免出错。在金融、医疗等对准确性要求极高的领域，这种错误是致命的，比如大模型可能无法精准处理具体的金额或医疗诊断，一旦出错后果不堪设想。

为此，在与海致的联合技术攻关中，我们提出了“图模融合”的解决方案：将大模型与传统确定性技术如知识图谱相结合。利用图结构确保数据的结构正确性和逻辑一致性，利用大模型处理模糊或非结构化内容。通过这种“左右脑协同”的架构，我们能够在推理过程中显著降低幻觉、在可控场景下接近 100% 事实一致性，从而避免单纯依赖大模型带来的风险，让 AI 真正成为千行百业可信赖的生产力工具。

Q：当前中国 AI 算力基础设施的整体水平处于什么阶段？您提到“高端算力供不应求，中低端算力供过于求”，这种结构性矛盾应该如何解决？

郑纬民：当前，中国AI算力基础设施正处于关键转型期，面临明显的结构性矛盾。

坦率地说，美国对我国高端 AI 芯片的出口管制，是国内高端智能算力供不应求的直接原因；而另一方面，国产中低端算力市场之所以“供过于求”，核心症结在于软件生态尚不成熟，导致大量硬件资源难以被高效调动。

在高端算力紧缺的当下，我们一方面要稳步推进国产替代和硬件扩容，另一方面必须依靠自主可控的“基础软件”来盘活现有的算力资源，把中低端的算力也高效利用起来。

这就涉及到一个关键的底层技术——高性能图计算。

当前，大模型在企业级场景落地时普遍面临“幻觉”和“不可控”问题，需要通过一套软件系统对模型、知识、工具和业务流程进行组织和约束，也就是 AI Harness，或者说“驾驭工程”。有了这套系统，我们就能用更少的算力，完成更精准的任务。

这也是为什么我一直倡导“做有用的科研”，比如我们团队与海致科技共同打造的院士专家工作站，就是在这个方向上深耕，要把实验室的技术变成国家真正用得上的产品。

Q：您提出“从 MaaS 走向 TaaS（ Token 即服务）”，Token 已成为 AI 时代“新石油”。中国 Token 消耗两年增长千倍，现有基础设施为何“产不出”足够 Token？ TaaS 对算力基础设施提出了哪些新要求？

郑纬民：从 MaaS（Model as a Service）走向 TaaS（Token as a Service），是人工智能基础设施发展的重要演进方向。

过去，MaaS 主要解决模型能力的供给问题，而随着大模型进入规模化应用阶段，未来竞争的核心将逐步转向高质量 Token 的高效生成、组织和利用能力。

我们需要认识到，Token 能力的提升并不只是依赖算力规模的扩张，更取决于计算体系、数据体系、知识体系与应用体系之间的协同优化，实现从计算资源到智能能力的有效转化。

从技术路径看，TaaS 的发展需要同步攻克两大核心难题：一方面，提升大模型推理与服务全链路的资源利用效率，搭建面向 Token 生成的新型计算基础设施；另一方面，需打通 Token 服务底座、垂直行业知识库与全链路业务流程，形成从基础 Token 算力单元到可落地、可调度智能执行能力的完整闭环。

在这一趋势下，海致科技与趋境科技携手探索 TaaS 时代人工智能基础设施的发展路径，围绕计算优化与知识融合两个关键方向展开实践：一方面，通过计算架构与推理系统的深度优化，提升大模型服务效率，推动算力资源向 Token 生成能力转化；另一方面，依托图数据库、图本体与知识治理技术，将企业数据转化为可计算、可推理的知识资产，并结合智能体驾驭平台实现模型、知识、工具与业务流程的深度融合。

从整体发展趋势来看，TaaS 需要构建计算基础设施、知识基础设施与智能执行基础设施协同演进的技术体系，推动人工智能由以模型能力供给为核心，逐步向面向行业场景的智能生产能力供给演进。

Q：您提出主权 AI 三大支柱——“算力自主、算法自强、生态自立”。当前这三者“木桶效应”最明显的短板是什么？国产芯片从“能跑”到“愿意用”，最关键的突破口在哪里？

郑纬民：当前最明显的短板是“生态自立”。

算力自主是物理底座，算法自强是核心引擎，但生态自立决定了这套体系能否真正落地生根。国产芯片要跨越从“能跑”到“愿意用”的鸿沟，急需成熟的“全栈国产化解决方案”。只有让国产芯片在真实的、复杂的产业场景中跑起来，生态才能真正自立。

因此，必须理清从技术方到最终用户（如公共服务和安全、银行等）的需求链条，合理配置技术人才，以底层技术为基础，追求极致的性价比和效率。这种“国产算力底座 + 顶尖产业 AI 落地能力”的生态组合，正是推动国产算力生态自立自强的关键突破口。

Q：当前国产芯片在推理能力上仍有欠缺。结合您提出的“主权 AI”概念，从中国 AI 产业的实际处境出发，图计算技术在重构国产 AI 算力生态中将扮演怎样的战略角色？

郑纬民：近年来国产 AI 芯片产业化进展显著，已实现全流程自主可控制造与规模化落地，综合性能持续提升。但对标国际先进水平，国产芯片在大模型推理能效、软件生态适配等方面仍存在客观短板，未来一至两年仍是重点攻坚周期。受制于先进芯片制程约束，国内算力产业必须从算法效率层面寻求突破，通过技术优化以更少 Token 支撑高质量业务推理，依托软件算法 “软实力” 弥补硬件算力 “硬差距”。

海致分布式图数据库以图计算引擎为核心，解决海量关联关系数据的内存高效存储、存取与复杂运算难题。在社交网络溯源、涉案人员关系追踪等复杂关系分析场景中，传统数据架构普遍存在内存容量不足、磁盘 IO 延迟过高的瓶颈。依托完全自主研发的分布式图数据库 AtlasGraph，海致搭建精细化内存调度机制与原生全内存高速计算引擎，大幅降低磁盘读写开销，显著提升多跳关联查询速度与高并发处理能力。

这套底层内存架构与图结构化数据治理的深度优化，正是 “算法补算力” 落地的典型实践。一方面可极速挖掘海量数据深层关联关系，解决大模型事实幻觉问题；另一方面在智能体（Agent）复杂推理场景中，通过精准子图检索压缩冗余上下文，有效削减大模型多轮迭代中的无效工具调用与多余 Token 消耗，以轻量化推理路径降低算力资源开销。