序
TrueView
大模型的竞赛,正切换为成本与能源的贴身肉搏。
当服务器内存价格一年翻倍、新建数据中心并网要排队,算力便不再是无上限的弹药,而是一张不断膨胀、终将摊到每一个Token上的账单。
能源格局改写了国产替代的性价比逻辑,模型能力能否兑现为生产力,最终取决于组织的流程改造。
科大讯飞给出的破局路径是一套环环相扣的完整传导链条,向内挖掘工程效率,向外扎根真实产业,在算力通胀的约束之下寻找可落地、可算账、可规模化的发展道路。
本文将重点分析
1算力通胀如何把自主可控逼成了一笔能效账?
2从语音到多模再到具身,AI凭什么走进真实世界?
3组织提效的卡点究竟在哪?
4算力、交互、组织如何形成相互咬合的完整链条?
内容/谨欢
编辑/咏鹅
校对/莽夫
犹记得两年前人们围绕大模型争论的焦点还是谁的参数更大、谁的智商更高,如今整个行业直面的现实重心已切换为AI的能力边界扩张得有多快,算力与能源的约束就来得有多猛烈。
今年一季度全球DRAM合约价单季度涨幅超90%,服务器级内存价格一年翻倍,背后是AI数据中心吞噬了全球七成以上的高端存储产能;比芯片更刚性的约束是电力,美国新建数据中心从申请到并网平均要等四年,电网的扩建速度远远追不上算力的膨胀速度。
需求端的增长更为惊人,中国大模型日均Token调用量从2024年初的1000亿,到2026年6月已突破500万亿,两年时间增长了5000倍。指数级膨胀的推理需求,一头撞上了受物理定律约束的能源墙。
模型之争,正在变成能源之争、成本之争;过去比拼的是谁能把云端模型做得更大,接下来比拼的是谁能让每一个Token耗更少的电、走更短的路、落在更合适的终端。
AI规模化落地的真正卡点,不是某一项技术的单点突破,而是一套从底层算力到终端交互、再到组织流程的完整传导链条。
刚刚落幕的2026科大讯飞全球1024开发者节,恰好为观察这一产业进程提供了完整样本,从全栈自主可控的算力底座,到软硬一体的端侧交互,再到深入业务的组织级提效,国产AI正在走出一条不同于海外巨头的落地路径。

Part.1自主可控的下半场从安全命题到能效命题
很长一段时间里,行业默认自主可控与性价比是一组天然矛盾。
普遍的认知是要供应链安全,就要接受国产芯片性能弱、迭代慢、部署成本高;要极致性价比,就得依赖成熟的海外供应链。自主可控更多被视为一道安全题、合规题,而非经济题。
但产业底层逻辑正在发生变化。当大模型从训练为主进入推理为主的阶段,数据中心的角色就从技术研发基地变成了Token生产工厂,电能输入、Token输出,单位电能的Token产出效率,直接决定了企业的成本结构与商业可行性。
在这个逻辑下,自主可控就不再只是安全兜底,更是一笔实打实的能效账。
国产算力的进步速度正在改写这道选择题的答案。IDC数据显示,2026年上半年英伟达在中国数据中心AI芯片市场的份额已降至34%,华为份额提升至28%,叠加寒武纪、阿里平头哥等厂商,本土芯片合计占比已达约66%。
搭载昇腾950PR的Atlas 350加速卡,单卡算力达到英伟达对华特供版H20的2.87倍,同样的机柜空间、同样的电力消耗,能产出接近三倍的算力,摊到每一个Token上的成本自然大幅下降。
当国产芯片从能用走向好用,安全与性价比就不再是二选一的单选题。科大讯飞发布的星火X2.6大模型,正是这一产业趋势下的典型工程验证。

作为国内首个基于全国产算力实现代码与智能体能力突破的大模型,星火X2.6在飞星二号国产万卡集群上完成训练升级,针对国产芯片显存与带宽受限的痛点,研发了长程任务动态并行训练技术,将2000B参数、256K长度数据的超长上下文训练时间从4.5个月压缩至1.2个月,训练效率提升4倍。
推理侧的优化更为关键。针对国产异构算力集群,讯飞落地了自适应存算协同推理、异构分布式推理以及适配全国产硬件的四层KVCache架构三项原创技术,将国产芯片推理效率提升至优化前的4.5倍,KVCache命中率从63%提升至95.7%。
训练时间砍掉四分之三、推理效率提升4.5倍,意味着同一套国产算力集群,一年能承载数倍于此前的迭代与推理需求,省下来的是真金白银的算力与电力成本。
更值得关注的是首次亮相的端云一体协同架构。这套架构的核心逻辑是让合适的模型做合适的事,信息检索、文档处理、日程管理等本地任务,直接由端侧4B模型在本地完成,数据不出设备;复杂的深度分析、长文本生成等任务,再交由云端大模型处理。通过基于评语模型的端云路由协同训练,任务分配准确率从81.2%提升至96.1%,几乎不会出现错配。
这意味着全栈自主可控正在从成本项变成竞争力项。当海外芯片、存储价格持续上涨,供应链波动频繁,拥有完整国产技术栈的厂商,可以摆脱外部通胀的绑架,在成本结构上获得长期优势。
安全不再是需要额外付费的溢价,而是AI规模化落地的基础竞争力。
Part.2交互的三级跃迁把AI从数据中心塞进真实世界
如果说算力底座解决的是AI能不能用得起的问题,那么人机交互则决定了AI能不能走进真实场景。
过去的AI大多活在屏幕里,APP、网页、聊天框,用户需要主动打开、输入指令、等待结果。
但真实世界的需求是分布式的、即时的、多模态的,开车时需要导航、开会时需要记录、逛街时需要翻译、工厂里需要机器人协作,这些场景不可能都依赖云端API的往返传输。
端侧大模型与软硬一体的交互能力,才是AI从数字世界走进物理世界的核心载体。
科大讯飞给出的路径是人机交互的三级火箭,从语音交互,到多模交互,再到具身多模交互,一步步把AI的能力从云端延伸到用户身边。

第一级是语音基座的全面升级。作为语音交互的根技术,本次发布的星火语音基座大模型SparkAudio 1.0,基于全国产算力完成训练,在语音识别、同传、交互的基础能力之上,新增了实时说话人分离、环境声理解、情绪识别等能力。

背后是三项技术创新直接决定了商业价值,半监督音频编码器带来20%的效果提升,动态分段端到端建模让响应时间降低15%,双范式协同解码则把计算成本砍掉了60%。效果更好、响应更快、成本更低,语音交互才有可能从尝鲜功能变成基础能力,渗透到每一台终端里。
第二级是多模交互的场景落地。AI不再只是能听会说,而是能看、能感知、能把语音与视觉、环境信息对应起来。

现场演示的星火智慧座舱3.0就是典型样本,它不再是逐条执行指令的语音助手,而是全车的Master Agent大脑,用户一口气说出先去酒店办入住,顺路找个能接待客户的餐厅,下午三点前赶到会场,找个方便停车的路线,系统能综合时间、预算、路况、停车条件,一次性完成路线规划、餐厅推荐与预约。这种复杂语义的连续理解,正是多模交互从功能走向体验的标志。

还有仅40克的讯飞AI眼镜,被称为眼前的超级AI助理,开会时同步转写语音、识别画面,生成图文并茂的会议纪要;跨语言交流时实时显示翻译字幕;甚至能远程联动电脑端,用语音指挥办公。
当AI的交互入口从手机屏幕移到眼前,就真正变成了随时可用的能力,而不是需要打开的应用。
第三级则是具身多模交互,这是AI走进物理世界的最后一公里。
现场的7×24小时AI无人超市场景里,机器人店员能在嘈杂环境中识别不同顾客的语音需求,应对多人插话、中途改需求,边交流边完成取货、递送、结账,实现边说边做的自然交互。

更重要的是,这些能力被打包成了机器人超脑平台V3.0向开发者开放,支持前后台协同、端云协同与模块化定制,目前已在500余家机器人企业、10万余台设备上落地。
中国AI的差异化突围路径,未必是更大的云端模型,而是更近的模型,离用户更近、离场景更近、离真实需求更近。
当美国巨头在数据中心里卷吉瓦级电力与万亿参数,把AI能力塞进耳机、眼镜、汽车与机器人,走软硬一体的场景化路线,恰恰是更贴近中国产业优势的选择。人机交互的每一次跃迁,都是在把AI从遥远的数据中心,拉到用户触手可及的地方。
Part.3组织提效的门槛AI不能只活在员工的电脑里
AI落地最容易被忽略、也最核心的一道坎,是从个人提效到组织提效的跨越。
麦肯锡的调研数据很扎心,超过80%的受访者认为AI提升了个人工作效率,但只有6%的企业实现了5%以上的利润提升。也就是说,每个人都在用AI省时间,但整个组织的效率并没有发生本质变化。
原因并不复杂,大多数企业的AI应用,都是员工自发的点状使用,写文案、做PPT、整理数据,都是个人工具层面的提效。
但企业的业务流程、知识沉淀、协作方式,不是为AI设计的,大量经验藏在老员工的脑子里,流程散落在各个系统里,数据格式不统一,规则没有标准化,AI根本接不上业务的全链路。
所以组织级提效的核心不是部署更多的AI助手,而是先把业务本身变成AI可理解、可执行、可追溯的结构。科大讯飞发布的星帆WinWork数字员工平台,瞄准的正是这个痛点。

WinWork的逻辑分两步,第一步是构建企业业务本体,把企业的业务规程、历史数据、专家经验沉淀成结构化的知识体系,先让数字员工读懂业务,而不是只会通用问答;第二步是把数字员工深度嵌入业务流程,从自主识别任务、拆解规划、智能分发,到联动各个业务系统执行,形成完整的工作闭环。
这不是给每个员工配一个AI工具,而是给每个岗位配一支懂业务的数字员工团队,直接参与业务流转。
这种思路在垂直行业已经得到了验证。比如面向法律行业的讯飞晓法,基于1.6亿件案件的辅助办理经验,能处理5000页超长卷宗,覆盖案情梳理、证据审查、诉讼策略推演到文书起草的全流程,能够帮助一线律师整体办案效率提升45%以上。
面向教育行业的讯飞星光也是同理,通过嵌入教师从备课、教研、课堂资源制作到家校沟通的完整工作流,能生成可交互的三维教学资源,能组织多角色模拟教研,能自动汇总学生学情生成沟通方案,还能打通学校内部系统与外部办公平台。目前平台已有30万注册教师,近一个月共创精品教学资源超10万份。
开始重构岗位的工作方式,恰恰是AI进入产业深水区的标志。个人提效的红利正在见顶,下半场的竞争,比拼的是对行业流程的理解深度,是能不能把AI能力写进组织的工作流里,让数字员工真正成为业务的一部分,而不是游离在流程之外的辅助工具。
所以AI落地到底缺失的不是某一块拼图,而是一条完整的传导链。
能源与算力的刚性约束,倒逼AI能力从集中的云端向分布式的端侧扩散;端侧落地的性价比与安全性,需要全栈自主可控的算力底座来托底,让安全不再等于昂贵;而AI创造的价值能不能真正沉淀为商业成果,又取决于企业的流程与知识有没有完成结构化改造,能不能接住这些分散的智能能力。三者环环相扣,任何一环断裂,另外两环的价值都会大打折扣。

在开发者节的结尾,刘庆峰说人工智能是一场凝心聚力的长跑。放在算力通胀、能源约束的当下,这句话格外有分量。
过去几年,行业见证了大模型从0到1的技术突破,见证了参数与能力的指数级飞跃;而接下来的赛程,比拼的将是从1到N的工程化能力,是能不能把AI技术拆解、适配、落地到千行百业的具体场景里,能不能在能源与成本的约束下,让AI真正创造可衡量的价值。
这注定是一场更慢、更重、也更有价值的长跑。而全栈自主的技术底座、软硬一体的交互路径、深入业务的组织级落地,正是国产AI在这场长跑中,跑出自己节奏的底气。