对话天数智芯：从AI调优到机器人仿真，国产算力正在寻找新机会

近日，天数智芯在上海举行2026媒体开放日，展示了通用GPU、天数智算软件栈及彤央端侧算力产品的最新进展。其中，天垓300公布了在特定部署条件下对标英伟达H200的测试结果，软件栈和端侧产品也进行了多项实机演示。

相比单颗芯片的算力指标，此次活动还有一个值得关注的变化——AI开始参与GPU自身的软件开发与优化。天数智芯展示了Agent参与模型部署、性能调优和代码开发的方案。在现场公布的测试中，模型部署准备时间由1小时缩短至10分钟，部分调优任务的工作周期由7天缩短至2小时以内。

端侧方面，彤央TY1200展示了大模型本地运行、视频生成及GPU加速物理仿真等能力，下一代产品TY2000也首次公布了600T的标称算力规划。

随着国产算力向更多业务场景拓展，软件生态、客户迁移和规模化交付的重要性也在提高。据公司2026年半年报，天数智芯上半年实现营收9.46亿元，同比增长191.6%。

在随后的媒体群访中，天数智芯副总裁、软件开发负责人石加圣，以及副总裁宋煜、邹翾、郭为，围绕软件生态、推理技术、端侧应用及国产GPU的行业竞争等问题回答了提问。

左起第二位开始分别是郭为、宋煜、邹翾、石加圣

以下为群访内容整理，有删节。

01、AI能否降低GPU开发门槛？

Q：此次活动提到DSL与Agent的结合。它们会给GPU软件开发带来哪些变化？

石加圣：DSL是一种面向特定领域设计的编程语言，Triton就是AI算子开发领域比较有代表性的DSL。

随着GPU架构演进，硬件增加了更多专用计算单元，数据搬运和执行调度也越来越复杂。开发者如果要充分发挥硬件能力，往往需要处理大量底层细节。相比AI应用开发者，真正具备GPGPU底层优化能力的工程师数量仍然有限。

DSL的一个重要作用，就是让开发者在更高的抽象层次表达计算逻辑，把部分底层映射和优化交给编译器。同时，面对越来越多样化的硬件架构，它也有助于降低跨平台适配的成本。

Agent的出现进一步改变了开发方式。过去一些依靠工程师手动完成的代码生成、测试和调优工作，现在可以由Agent辅助完成。

目前业界有Triton、CuTe DSL、FlyDSL等不同技术路线。天数智芯正在推进FlyDSL与Agent协同，也围绕Triton、TileLang等生态开展支持。不同DSL各有特点，很难简单判断哪一种更好，但Agent能够帮助开发者更快开展测试和优化，缩短开发周期。

Q：很多国产GPU厂商仍在兼容CUDA。随着DSL和Agent的发展，CUDA的生态优势会不会被削弱？国产厂商是否有机会走出自己的路线？

石加圣：CUDA经过长期发展，已经形成非常成熟的软件生态，也提供了丰富的编程接口和开发工具。但部分核心实现，以及与硬件深度相关的能力，仍然与英伟达平台紧密绑定。

对国产GPGPU厂商来说，一方面要做好现有CUDA生态的兼容，让开发者已经积累的软件资产能够方便地迁移；另一方面，也要持续改善自己的软件基础设施和开发工具，降低适配和优化成本。

DSL和AI Agent确实提供了新的可能性，让更多代码生成、适配和优化工作逐步自动化。但这并不意味着CUDA长期积累的生态优势会立即消失。

包括DeepSeek在内，国内模型开发者与算力芯片厂商之间的协同越来越多。对于我们这样的基础设施厂商，重要的是把工具和软件能力做好，让客户有需求时能够快速使用。

Q：从客户测试到实际部署，国产GPU如何降低迁移门槛，并进一步争取客户复购？

宋煜：我们从最早做产品时，就明确了持续兼容主流生态的方向，经过四代产品一直没有改变。

目前根据已有客户的使用情况，应用迁移时间可以控制在小时级，后续优化一般在天级或者周级完成。

客户做POC时，会先测试应用能不能迁移过来，但真正进入生产环境以后，更关注新模型发布后能否及时适配，以及运行效率能否持续优化。这些都是影响客户后续采购的重要因素。

我们每半年会对百卡以上集群客户进行回访，目前客户对售后服务的满意率达到98%以上。

比如我们四五年前设计的第二代产品，现在面对不断更新的主流模型，仍然能够通过软件升级提供支持。有些新模型发布后，客户一两天内完成升级，就可以使用。

截至目前，天数智芯已服务超过380家客户，覆盖20多个行业。软件生态不仅关系到客户能不能开始使用国产GPU，也关系到后续能否持续使用和扩容。

02、从云端推理到端侧应用

Q：目前Groq LPU等专用推理芯片受到关注。在模型推理需求快速增长的背景下，通用GPU还有哪些优势？

邹翾：专用架构在固定模型、固定负载下，确实可以取得很好的测试成绩。但整个AI行业还处于算法快速迭代的阶段，并不是算法已经固定的时代。

无论国内还是海外，大模型都在持续演进。即使同一家公司的不同版本模型，计算特征和算子结构也可能发生变化。因此，我认为未来几年，通用性依然是非常重要的底层需求。

谷歌、亚马逊等企业能够开发定制芯片，一个重要前提是它们拥有足够大、相对稳定的内部业务。但放眼更广泛的市场，应用和模型需求仍然非常多样化。

我们的路线不是只做通用，也不是直接转向单一专用架构，而是在通用GPU底座上叠加专用加速单元。

两者可以在单颗芯片内部结合，也可以通过PD分离、AFD分离等方式进行异构协同。关键是根据不同计算任务的特点，选择合适的资源配置。

Q：推理市场未来会不会逐渐转向规模和价格竞争？如果推理增长快于训练，研发重点会发生变化吗？

邹翾：我认为推理市场还没有到单纯拼规模、拼价格的阶段。

现在模型能力仍然在提高，很多客户会使用规模更大的模型来提升服务质量，对算力和并发能力的要求也在增加。

过去一年多，推理系统的技术形态已经发生明显变化。今天大家看到的8卡、16卡推理方案只是一个阶段，后续随着模型体量和并发需求继续增长，还有很多技术问题需要解决。

什么时候推理市场可能进入比较充分的价格竞争？或许要等Token供给成本已经非常低的时候。

训练对我们依然非常重要。它是模型迭代的起点，涉及大量核心算子和计算结构。如果能在训练阶段和客户深入合作，也有助于后续推理部署与优化。

长期来看，训练和推理的业务目标不同，产品线和研发投入也会有所区分。训练更侧重核心技术能力及早期生态合作，推理则需要持续进行全栈系统优化，改善综合性价比。

活动中，彤央端侧产品展示了多种本地计算场景。其中，TY1200支持在本地运行大模型和视频生成任务，并通过MuJoCo-Warp开展GPU加速物理仿真，展示了端侧算力在机器人等场景中的应用潜力。

Q：具身智能是否会成为国产芯片厂商新的发展方向？现阶段的芯片能满足机器人的实际需求吗？

郭为：具身智能肯定是一个重要方向。过去一年多，我们已经围绕这个领域开展了很多探索，高校和商业客户都有一些实际应用。

但如果讨论什么样的芯片真正适合具身智能，我认为现在市场上的产品，包括国内各家厂商以及国际厂商的产品，都还没有完全适应这些需求。

具身智能不仅需要足够的算力，还要考虑能效和实时性。尤其是在真实环境中，机器人需要及时感知、决策和执行，这与很多传统计算场景不一样。

目前大家都在围绕这些方向定义下一代芯片，行业还处于探索阶段。

邹翾：我们在具身智能领域有明确布局，但不同企业有各自的技术积累和优势。现在需要充分利用已有能力，同时考虑未来应用的发展方向。这个领域的竞争更多还在未来。

03、国产GPU还要过哪些关？

Q：近期国内多家厂商推出超节点产品。相比增加GPU数量，大规模部署更难解决的是什么？

邹翾：对我们来说，超节点不是最近才开始做的事情。最早一批大规模集群已经稳定运行超过三年，两年前我们也推出了第一代超节点方案。

现在的新一代产品，是过去几年硬件、软件、调度和运维经验不断积累的结果。

集群规模上去后，很难保证完全没有故障。如何在故障出现时快速定位、隔离，并保障整个系统持续运行，是非常重要的问题。

包括卡的在线测试、扩容后的运行效率，以及软件调度和运维体系，都需要长期积累。

我们已经在万卡级别集群上开展实际业务运行。相比单纯增加卡的数量，我们更关注大规模运行的稳定性，以及最终的Token成本和系统效率。

Q：相比国际先进厂商，国内芯片在部分制程工艺上仍有差距。国产GPU还能通过哪些技术环节弥补这些限制？

宋煜：在部分制程条件受到限制的情况下，我们会更加重视设计和系统层面的优化。

产品定义需要从客户的业务出发。比如未来世界模型、物理AI的发展，对计算能力、存储带宽和通信有什么新要求，我们会围绕这些需求开展针对性优化。

另外，GPU只是整个系统的一个部件。实际运行效率还与主机内存、存储、网络、GPU互联以及软件调度密切相关。

所以我们不仅关注单颗芯片，也会在系统设计和软件层面做很多工作。客户最终关心的是相同投入、相同业务质量要求下，能够产出多少Token、生成多少秒视频。

邹翾：制程当然重要，但除了制程，封装、存储、互联和系统架构同样有创新空间。

海外头部企业拥有先进制程和长期规模化积累的优势。国内厂商在部分制程上受到限制，也会推动我们更加积极地探索其他技术路线。

短期来看，可以通过架构、封装、系统设计和软件优化的组合弥补差距。长期如果制程能力逐步提高，再叠加此前积累的技术储备，就有机会在更多应用场景形成竞争优势。

但这个过程需要持续投入，不是一两年就能够完成的。

Q：随着AI工具进入芯片设计、算子开发和编译等环节，软件开发门槛正在发生变化。未来3到5年，国产GPU行业的竞争会由什么决定？

邹翾：我认为这是多种因素共同决定的问题。资金投入、供应链保障和技术能力之间的联系越来越紧密，未来3到5年，可能是国产GPU行业发展的一个关键窗口期。

其中有两个非常重要的因素：供应链能力，以及商业化落地和服务能力。这两者也是相互关联的。

供应链能力决定了企业能不能持续、稳定地向客户交付产品。现在大规模AI集群的建设门槛很高，只有达到一定规模，才能充分发挥系统的效率优势。

反过来，规模化交付也会推动技术迭代。产品只有真正进入客户的生产环境，厂商才能获得更多实际使用反馈，并根据客户不断变化的需求持续改进。

未来几年的竞争，不会只取决于某一项技术指标。供应链能否保障、产品能否规模化交付，以及能不能在实际业务中持续积累和迭代，这些因素会越来越紧密地联系在一起。