算力、存力与工业应用协同演进，第二届工业算力“芯”引擎技术研讨会圆满落幕

在这一背景下，10月13日上午，由国芯展主办、半导体行业观察承办的第二届工业算力“芯”引擎技术研讨会正式在上海国家会展中心开幕。壁仞科技、沐曦股份、佰维存储、天数智芯、微纳核芯等企业的嘉宾，分别围绕GPU超节点与光互连、工业仿真、存储系统、生产闭环及存算一体架构展开了分享。

研讨会首先从产业大环境切入。半导体综研主理人关牮以《半导体行业景气度原理及分析》为题，梳理全球半导体市场的长期增长逻辑、周期波动规律及当前市场走势，为理解AI算力产业的发展提供了一个宏观视角。

从长期数据看，1977年至2024年，全球半导体器件市场规模增长约136.7倍，同期全球GDP增长约14.3倍。半导体市场的扩张速度远高于整体经济增长，反映出芯片在数字经济和现代产业体系中的重要性持续提升。移动互联网带来的数据增长，以及人工智能、电动汽车等新兴应用的出现，也在不断扩大半导体的需求边界。

但长期增长并不意味着市场会沿着一条平滑曲线前进。关牮指出，半导体产业既有长期增长的趋势，也存在明显的周期波动。下游需求的不确定性、产能调整的刚性、产业链信息传递的滞后，以及渠道囤货和去库存等行为，都可能放大市场波动。尤其是存储器市场，供需变化往往会对整体行业景气度产生显著影响。

回看2016年至2019年、2020年至2023年的两轮市场波动，存储器在其中扮演了重要角色；2023年第二季度以来的新一轮周期，则叠加了AI算力需求这一新的变量。高性能计算芯片带动先进制程需求，AI服务器拉动高端存储，相关设备和材料环节也随之受益。关牮的分析显示，当前市场不能简单套用过去由单一品类主导的周期经验，AI需求正在改变产业链的增长结构。

对于工业算力而言，这一判断同样重要。AI带来的增量需求，为GPU、存储及相关基础设施提供了新的市场空间，但产业景气上行并不能直接等同于工业应用成熟。如何区分周期性需求与长期结构性需求，如何在市场扩张中建立可持续的产品和商业模式，是国产算力企业需要持续面对的问题。

如果说产业周期决定了算力发展的外部环境，那么集群架构则直接影响算力能够发挥多大的价值。

壁仞科技AI框架架构副总裁丁云帆在《光互连GPU超节点，引领智算“芯”发展》的演讲中，将讨论重点放在大规模GPU协同上。他指出，随着大模型向更大参数规模、更长上下文和智能体应用演进，训练与推理对算力规模、通信带宽和系统效率提出了更高要求。单卡性能持续提升的同时，如何让大量GPU像一个整体一样协同工作，成为算力基础设施的重要课题。

超节点正是这一趋势下的关键架构。通过高速互连将多颗GPU组织在一个紧密协同的计算域内，可以减少通信开销，提高大规模并行计算效率。但超节点并非简单地把更多GPU装进机柜：GPU之间的互连拓扑、交换机端口数量、传输距离、供电散热和机柜结构，都直接影响系统的性能与扩展能力。

在传统电互连架构中，高速信号传输距离、线缆复杂度和信号衰减逐渐成为限制。随着互连速率继续提升，电互连在更大规模超节点中的扩展难度也随之增加。光互连因此开始向GPU计算系统内部延伸，从传统可插拔光模块、线性直驱，逐步走向近封装光学（NPO）和共封装光学（CPO），让光器件进一步靠近计算芯片，改善高速传输能力。

围绕这一方向，壁仞科技展示了从标准服务器多GPU节点、高密整机柜超节点到NPO光互连分布式解耦架构的演进路线。其中，面向BR2xx系列的方案支持将单个超节点扩展至1024卡Scale-up规模，并通过BLink 2.0互连协议探索统一编址、内存语义和在网计算等能力。丁云帆介绍，壁仞科技还将链路纠错、数据重传、故障隔离和软件容错纳入系统设计，以降低大规模集群运行中的中断风险。

从丁云帆的分享来看，超节点的竞争已经超出GPU芯片本身，延伸至互连架构、系统可靠性和软件协同。随着集群规模扩大，理论算力与有效算力之间的差距，越来越取决于通信效率、任务调度和故障恢复能力。光互连的意义，也不仅在于提升带宽，更在于为下一阶段大规模算力系统提供新的扩展空间。

集群规模和互连能力不断提升之后，算力最终要回答的仍是一个实际问题：这些计算资源能够为工业生产带来什么？

沐曦股份副总裁孙国梁以《国产算力赋能下一代工业创新升级》为题，介绍了沐曦在工业仿真、科学计算和具身智能等方向的布局。孙国梁谈到，与主要围绕模型训练和推理展开的通用智算应用不同，工业场景涉及大量专业软件、复杂算法和既有业务系统，GPU既要具备足够的计算能力，也要能够融入原有的工程流程。

工业仿真是其中一个具有代表性的方向。流体力学、结构动力学和电磁仿真等任务，往往需要处理大规模网格、复杂物理方程和长时间迭代计算。相关应用长期依赖成熟的专业软件和计算环境，国产GPU要进入这一领域，不仅需要硬件性能，还需要编译器、数学库、并行计算框架及专业软件的适配。

围绕这一需求，沐曦正通过GPU产品、软件栈和行业解决方案协同推进工业计算落地。其工业仿真方案整合国产GPU与CPU、操作系统、中间件及仿真软件，并与产业伙伴共同推进软硬件适配。根据现场分享材料，在部分测试场景中，900万网格压铸仿真的计算时间由33小时缩短至6小时，机械臂刚柔耦合仿真性能较对比方案提升27倍。

孙国梁也提到了具身智能的发展。机器人研发涉及基础模型、机器人学习、GPU并行仿真、控制系统与实体应用等多个环节，其中大规模仿真和强化学习需要持续的计算资源支撑。沐曦围绕不同研发规模布局仿真训练平台和算力产品，希望打通从仿真数据生成、模型训练到实体机器人验证的技术链路。

从工业仿真到具身智能，沐曦的实践呈现出国产GPU应用范围的进一步拓展。不过，工业算力的落地并非单纯追求更高的计算指标。专业软件能否稳定运行、模型能否适应现场工况、软硬件系统能否长期维护，以及整体投入产出是否合理，都需要在具体项目中逐步验证。只有这些环节形成闭环，算力才真正有机会转化为生产效率。

当计算规模不断扩大，数据供给能力也成为影响系统效率的重要因素。GPU的计算能力越强，对数据带宽、访问延迟和存储可靠性的要求就越高。如果数据无法及时送达计算单元，再高的峰值算力也可能因为等待数据而无法充分发挥。

佰维存储产品副总裁刘杰在《破除存力瓶颈，释放工业AI澎湃算力》的演讲中，围绕AI时代工业存储面临的挑战展开分析。他指出，随着AI从感知识别、生成式应用向智能体和物理世界延伸，数据的规模、类型和访问方式都在发生变化。工业现场的传感器数据、机器视觉图像、生产日志、设备协同信息以及模型推理结果，共同构成了日益复杂的数据体系。

不同业务对存储的要求也存在明显差异。模型训练需要高吞吐的数据读取，推理则需要频繁访问模型参数、业务数据和KV Cache；工业现场还需要处理高并发请求、实时数据写入和长时间连续运行。刘杰表示，存储系统的评价标准因此不再局限于容量，而是进一步扩展至带宽、时延、耐久性、数据完整性和环境适应能力。

尤其在工业环境中，纸面性能并不能完全代表实际表现。宽温运行、振动、电磁干扰、突然掉电以及长期持续写入，都可能影响存储设备的性能和可靠性。佰维存储在演讲中介绍了面向工车规场景的产品研发与验证体系，包括自研主控与固件、先进封装、颗粒筛选以及可靠性测试等环节，强调通过真实工况测试，将存储器件的性能指标转化为长期稳定运行的能力。

针对AI与工业场景，佰维进一步提出从存储介质、主控架构和系统连接三个层面优化存力供给。一方面，存储介质需要兼顾速度、容量和耐久性；另一方面，主控与固件要适应GPU高并发访问，接口和系统架构也需要匹配更高的IOPS需求。其工车规存储产品则面向工业自动化、电力能源、轨道交通和数据通信等领域，提供不同温度等级、容量和可靠性要求的产品方案。

从佰维的分享看，存储并非GPU系统中的附属部件，而是决定算力利用率的重要组成部分。尤其当AI逐步进入需要实时响应、长期运行和严格数据管理的工业环境时，存力能否跟上算力，将直接影响系统的实际表现。

如果GPU、互连和存储共同构成算力基础设施，那么真正决定它能否进入工业现场的，还有软件生态与业务适配能力。

天数智芯副总裁宋煜在《从算力适配到生产闭环：国产通用GPU的工业落地实践》中，将重点放在国产通用GPU如何承接真实工业负载。宋煜指出，工业企业通常已经拥有自研计算引擎、专业算法和既有软件系统，算力平台替换或升级时，不可能轻易推倒重来。因此，国产GPU不仅要运行主流大模型，还需要兼容客户已有的工业算法和业务流程。

围绕这一需求，天数智芯已形成覆盖训练、推理和边端计算的通用GPU产品体系，并围绕软件栈持续推进生态适配。其IXUCA软件生态涵盖主流深度学习框架、推理工具、函数库、编译器和运维组件，目标是降低模型迁移和系统集成的难度，让不同类型的计算任务能够在统一平台上运行。

在具体实践中，天数智芯分享了流程工业与智慧矿山等场景的落地案例。在炼油常减压装置工况分析项目中，GPU算力平台承接工业时序模型，验证从数据接入、特征处理、模型训练和推理预测，到工艺优化建议输出的完整链路。另一项工业AI计算项目，则需要在同一GPU平台上运行客户自研工业引擎、时序模型和通用大模型，并完成相关性能验证。

智慧矿山则体现了另一类需求。在视频监控场景中，GPU需要同时承担视频解码、AI识别、异常标注和视频编码等任务。天数智芯介绍，其相关方案在一期项目中实现单卡处理50路视频流的验收结果。相比仅对模型推理进行加速，这种端到端处理方式更接近真实业务链路，也有助于减少额外硬件部署的复杂度。实际处理能力仍会随视频规格、模型复杂度和业务策略而变化。

宋煜的分享强调了工业算力的价值，仍需要放在具体业务流程中衡量。能否保护企业既有软件资产，能否适应现场工况变化，能否满足7×24小时运行要求，以及能否在性能、能耗和整体成本之间取得平衡，都是国产GPU进入工业生产必须解决的问题。只有从完成适配走向形成生产闭环，算力才算真正完成从技术能力到业务价值的转化。

在GPU体系持续演进的同时，另一类计算架构也在尝试从底层缓解AI推理的效率瓶颈。

微纳核芯CEO焉逢运围绕《首创三维存算一体3D-CIM™芯片，开启大模型推理万亿新赛道》展开分享，将重点放在传统计算架构面临的数据搬运问题上。焉逢运指出，随着大模型推理需求不断增长，计算单元的运算速度持续提升，但模型权重和中间数据仍需要在存储与计算单元之间频繁传输。对于大量依赖访存的推理任务而言，数据搬运带来的时延、功耗和带宽限制，正成为影响系统效率的重要因素。

这一问题在Prefill与Decode两个阶段表现得尤为明显。Prefill阶段需要并行处理输入Token，对计算能力的要求较高；Decode阶段则逐个生成Token，需要反复读取模型权重，并持续访问KV Cache，对存储带宽更加敏感。尤其在工业长文本处理和边缘推理场景中，系统不仅需要足够的计算能力，还必须控制功耗、成本和设备运行环境带来的限制。

针对这一问题，微纳核芯提出3D-CIM三维存算一体架构，尝试通过SRAM存内计算、RISC-V存算异构和3D近存堆叠，从不同层面应对这些问题。焉逢运介绍，存内计算希望将部分运算直接放到存储单元附近完成，减少数据搬运；基于RISC-V的扩展指令集与软件栈，则尝试降低新型计算架构的开发和适配门槛；三维堆叠进一步缩短存储与计算之间的距离，提高数据访问效率。

根据公开资料，其存内计算方案在相同工艺条件下，算力密度较传统架构提升4倍以上，计算能效提升5至10倍；公司还提出通过成熟国产制程与三维堆叠，在性能、功耗和成本之间寻找新的平衡。相关产品面向智算中心、工业AI盒子和具身智能等场景，试图为对功耗和成本敏感的推理任务提供不同于传统GPU的选择。

当然，新型计算架构能否走向规模化应用，还需要接受软件生态、产品可靠性、量产能力和真实负载的持续检验。存算一体并不意味着GPU路线将被替代，而是为特定计算任务提供更多架构选择。当推理需求不断增长，计算效率的提升也不再只有增加晶体管、扩大芯片面积或堆叠更多加速卡这一条路径。

从半导体市场周期，到GPU超节点与光互连，再到工业仿真、存储系统、生产闭环和存算一体，本届研讨会覆盖了国产工业算力走向应用的多个关键环节。

不同嘉宾的分享表明，国产算力产业正在从单点突破，走向更复杂的系统协同。GPU需要解决计算与扩展问题，互连决定大规模协同效率，存储影响数据供给，软件生态关系到迁移和部署成本，而工业应用最终检验整套系统能否稳定运行并创造价值。

这也意味着，国产算力的下一阶段不能只看芯片发布了什么、峰值性能提升了多少。进入工业现场后，真正重要的是系统能否长期可靠运行，能否适配不同工艺和业务流程，能否在可控成本下持续迭代。技术指标只有进入实际生产链条，才能转化为产业竞争力。

工业算力的深水区，考验的正是这种系统能力。从芯片到集群，从数据到软件，再到真实生产流程，任何一个环节的短板，都可能影响最终的应用效果。国产算力要进一步打开工业市场，需要产业链上下游共同补齐这些环节，让技术能力与生产需求形成更紧密的连接。

这也是第二届工业算力“芯”引擎技术研讨会希望达成的目标，将国产算力带入到“能否稳定运行并创造价值”的现实考题面前。对国产算力而言，真正的落地，不是抵达终点，而是更深一轮竞争的开始。

点这里👆加关注，锁定更多原创内容

*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。