CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片
率先打通RSI算力全链路落地,CosmosMind开启软芯协同自进...
回看过去十年,AI算力的提升基本压在两条腿上:一是制程工艺往前走,二是把卡成批地堆起来。
可算力越往深水区走,这套路数就越吃“人”。软件这头,推理框架和底层算子得靠工程师一层一层手工去调,底层一旦换成另一款国产芯片,整套软件系统常常要从下往上推倒重来;硬件那头,设计一颗高速互连芯片,光、电、热和晶圆厂制造工艺几重因素紧紧咬在一起,流片试错的周期动辄按月算,而能同时扛住这几重复杂度的资深工程师,整个产业里也数不出几个。
那就换一种解法试试:把“找瓶颈、想改法、上真机验证”这个原本靠顶尖工程师手工试错的循环,交给AI自己7×24小时不停跑?
AI for R&D方向的早期创业公司寰宇元心(CosmosMind),正把这件事搬进真实产线。它依托一套名为“自进化工程智能(Self-Evolving Engineering-AI,SEE-AI)”的产品和系统,试着把上层软件栈Run time到下层芯片设计Design time的算力全链路协同Co-Evolve打通。
眼下,这套系统自己设计的第一版硅光测试芯片,已经流片回来。在SEM下,芯片表面的CosmosMind标识看得清清楚楚。

图1(a):第一版流片的实物,载具内分位摆放多枚芯片

图1(b):第一版测试芯片SEM总览,芯片上的CosmosMind标识清晰可见
芯片回片,只是这条闭环上的一环。寰宇元心要做的,是一套软硬协同、能持续自我进化的下一代国产算力系统(Co-Evolve):先让AI在软件侧把现有硬件的潜能榨干;等软件优化触到硬件物理极限,再拿同一套自进化内核往下设计下一代芯片,反过来撑起更高效的软件栈。
软件、芯片和商业交付这三条线,按团队公布的进展,都已在同一套体系内跑通。软件方面,昇腾910B跑330亿参数音视频大模型,推理速度是官方实现的450%,生成质量没有下降;在PyPTO基础上做出四个开源库,PyPTO-Lib已经拿到官方Ack。芯片方面,AI设计的光栅耦合器带宽比2026年《Optica》报道的同类方案宽40%,三条1.6T光互连链路设计在不到一周内独立跑通。商业方面,封装成通用研发引擎Ester的自进化服务已规模化落地,并有了营收回款,核心优化和设计全程在官网7×24小时直播,随时可以核验。推理优化部署上线、硅光芯片流片回片、核心代码开源、商业化回款,这几件事同时成立——公开报道的同类探索里,寰宇元心是最早跑通算力全链路自进化闭环的一家。
1.首次推动软芯协同算力系统全链路自我进化
“除了Coding,AI还没有更大的场景在创造增量。只靠Coding这个存量,已经撑不起市场对AI的期待。”寰宇元心创始人万冠呈谈创业初衷时这样说。在他看来,AI真正更大的增量考场,是进入重资产、高门槛的实体产业研发。
公开信息显示,该公司核心成员出自前DeepSeek、Kimi、GLM、Meta、腾讯混元、字节跳动、微软等一线大模型团队的核心算法部门,顶级基座模型的训练、推理、发版和技术报告都深度参与过;研发团队里则有清华、北大等高校的CS PhD,以及产业界领军人物和资深工程研发专家。
基座模型与硬核工程背景兼有的团队,对行业给出了一个明确判断:算力正在进入自进化时代,而算力本身,正是RSI第一个能够完整落地的产业。
2026年9月,寰宇元心推出面向工程落地的RSI算法框架MetaRSI-v1,同时给出一个核心判断:验证决定自进化的前沿——一个领域能不能形成自我进化的闭环,取决于其中的任务能否被严格、客观地检验。
可能被验证,只是拿到入场资格。真正的工程难点,是把“验证本身”做成工业级流水线:每次改写和检验都要在真实硬件、真实生产负载上跑通,而不是在理想化沙盒里刷跑分。创始人观察到,眼下行业里多数自进化研究还停在论文、静态Benchmark或纯软件层面;寰宇元心团队守的原则是不追demo数字,只做有真实PMF、兼具科学家判断力和工程师动手能力、达到硬件级安全可靠的产业落地。
沿着这条思路,先把算力系统的底座拆开来看:最上面一层是集群调度,往下依次是分布式系统、推理引擎、算子与编译器,再往下是封装与互连,最底下是硅片。
图2:算力底座的分层:越往下走,受益面越大但越难优化
「甲子光年」注意到,这套分层结构里有一对天然的工程矛盾:
-
一方面,改动越靠下,受益面越宽——把某个底层算子改快,所有调用它的模型都能跟着提速;把一颗底层芯片改好,跑在这块硬件上的所有软件栈都将直接受益。
-
不过,往下走也有代价:改动到底好不好,验证起来越来越慢。软件算子几秒钟就能在卡上跑一轮实测,芯片设计却常常得等版图冻结好几个月、流片回来才拿得到第一份实测数据;而且底层一动,上层原先调好的收益说不定直接归零。
面对反馈快慢悬殊的软硬件栈,寰宇元心没有平均用力,而是让MetaRSI-v1内核自上而下分三步逐层下沉:
-
第一步落在 Run time:硬件已经定死,算力成本高低就看软件。系统把算子、推理引擎和分布式系统一层层改写,一直优化到把现有硬件的潜力用尽、撞上硬件自身的物理天花板为止;
-
第二步落在 Design time:软件碰到顶之后,瓶颈就回到硅片那头。同一套自进化内核沿着软件层摸到的硬件卡点继续往下走,接过去管下一代芯片的设计和改进;
-
第三步在产品化交付:跑通软硬两端的实战验证后,把这套自进化引擎封装成产品Ester交到客户现场,直接按优化结果付费。
2.把软件做到极致
硬件不变,训练与推理算力却能往上跳一截
寰宇元心选了大模型推理作为突破口——这是反馈来得最快的一层软件。验证数据分三层给出:标准考题、真实生产负载、开源底层生态。
跑分:同一套系统在各类Infra场景下的表现
先看行业公开的标准考题,这是第一组证据。三套测试集各有侧重,团队拿同一套MetaRSI-v1闭环逐一检验:Φ-Bench盯的是真实训推仓库级端到端优化;TritonBench-G用GitHub上的真实算子来考接口调用和加速;KernelBenchX则覆盖15类算子生成任务,只考正确率和硬件效率。
结果是这样的:还是那套自进化闭环,正确kernel的生成占比从60%升到70%,生产算子的加权加速比提升明显;搜索预算放到9倍时,Φ-Bench拿到29.18分,涨了11.06分,KernelBenchX正确率70.45%,加速比2.62。
表1:Φ-Bench、TritonBench-G、KernelBenchX三种Benchmark上的效果
真实生产链路:MiniMax H3推理速度冲到官方实现的450%,质量不输SGLang方案
刷榜之外,第二组证据来自真实生产负载的端到端硬仗,这更有说服力。基线是SGLang官方标准部署,自进化内核一轮轮实测,在这条本来就快过官方原版的线上继续往上顶,最后把MiniMax H3的推理速度做到官方实现的450%。
国内大模型团队往国产算力迁移时,麻烦的通常不是“跑不起来”,而是迁完性能掉得厉害。330亿参数的音视频联合扩散模型MiniMax H3就是个例子:服务部署到昇腾910B上,不少按英伟达显卡调好的参数直接水土不服。残差复用的阈值原样搬过去,速度没涨,反而劣化71%;条件注入合并算子的启用条件,原代码里写死在英伟达卡上,换了卡根本触发不了。
参数和算子的组合空间太大,工程师一般只能靠经验挑几个点试,方案阶段压根顾不上大量潜在的最优配置。寰宇元心的自进化内核换了打法:把整个H3部署当作搜索空间,自动批量出候选、上卡部署、实测速度、客观判定,一轮接一轮推下去。调优全程在官网直播,每轮改了哪行代码、快了多少毫秒,外部开发者随时能回看。
图3展示的是H3部署加速的实时直播画面。上半部分为SGLang标准部署,下半部分是自进化系统给出的最优部署方案,两者在推理过程中逐步对照。[[保留1]]
前面提到的残差复用阈值跨卡劣化陷阱之外,这套自进化闭环在昇腾算子融合上还拿到两项实打实的收益。拿它与SGLang最优方案部署相比:归一化换成华为原生合并算子,仅此一项耗时减少7.1%(−7.1%),单条请求的底层指令下发次数从约8000次被压到1次;条件注入(AdaLN)融合也被解锁并重新调优,耗时又降4.1%(−4.1%)。[[保留2]]
五套不同视频生成Benchmark数据集的输入Prompt实测下来,逐条配对测试中没有一条变慢;VBench 2.0评测显示生成画质与SGLang基线持平,人眼盲测终裁同样通过。这类自进化优化,正让国产算力的商业竞争力一步步变强。[[保留3]]
多个开源库:从重算子到整条推理链[[保留4]]
其三,进化成果要沉淀回国产算力的开源主干生态。[[保留5]]
自进化产出的算子想真正服务端到端业务,寰宇元心的选择是在华为昇腾开源的新一代原生高性能编程框架PyPTO上深耕。PyPTO在昇腾生态里起承上启下的作用:往上对接大模型与推理服务,往下直接操控昇腾硬件的指令与存储层级。开发者因此能用更高层的方式写高性能算子,不必逐行手写底层硬件代码。[[保留6]]
代码持续产出的同时,闭环内部还自适应训练了一个35B参数的模型。它先学昇腾910的硬件指令与存储层级,再把PyPTO基于Tile的多级IR、编程模型与CodeGen机制内化进生成逻辑。每轮提案无论成败,都会变成模型对框架更深一层的理解;跑得越久,高质量算子的命中率就越高。[[保留7]]
按“前沿模型重算子→推理服务栈碎算子→完整端到端推理链”这条线走下来,闭环基于PyPTO产出四个开源库,均已在GitHub CosmosMind-ai开源:[[保留8]]
-
两个专用Kernel。PyPTO-FlashDSA面向DeepSeek从V3.2引入、V4.1定型的稀疏注意力机制DSA——先用小索引器挑出相关token再按需计算,拆为索引打分、top-k、稀疏decode三段——做出了昇腾910上第一个完整跑通的V4.1实现,decode速度已快过现有参考路径。PyPTO-FlashKDA覆盖Kimi Linear的核心递归算子KDA,每来一个token仅做增量更新,前向与反向一并补齐,是昇腾PyPTO生态里第一个完整的KDA实现。[[保留9]]
-
通用算子库PyPTO-Ops由闭环在推理服务栈的接缝处自主发掘融合改写机会,公开27个算子,铺满vLLM类推理服务的关键路径,涵盖归一化、激活与GLU、量化、MoE路由、KV cache、采样与loss。[[保留10]]
-
端到端推理服务PyPTO-Lib在Qwen大模型、8张昇腾910C的集群配置下,逐token延迟下降4.43%、吞吐提升2.8%,生成结果与基线逐比特严格一致。目前该库已被PyPTO官方团队正式合入主干。[[保留11]]
算子与推理栈被一层层榨干、软件性能逼近现有芯片的物理极限之后,算力的瓶颈终究回到了硬件本身。寰宇元心的自进化内核由此往下穿透了一步。[[保留12]]
软件性能被压到极限之后,寰宇元心的自进化内核把目光转向了硬件层面。
寰宇元心选择硅光芯片作为切入Design time的首个试点方向,思路是用光信号取代电信号,让芯片之间的数据传输跑得更快。
产业界早有共识:大规模AI算力集群要跨过带宽和功耗这两道坎,硅光互连是绕不开的路。真正的难题落在商业化上——设计要经得起上产线后良率的考验。硅光芯片设计长期存在三处难点。
-
第一处是设计与制造对不上。刻蚀或线宽只要出现纳米级偏差,器件性能就会明显偏离预期。仿真里跑得通的好设计,进了Fab常常失效;行业只好反复流片试错,或在芯片上铺预补偿阵列赌运气,一轮试错就要耗掉好几个月。
-
第二处是光、电、热三者强耦合。调制器、电驱动、接收端和热控通常分属不同团队,各模块为求稳妥都留足余量,凑到一起后整条链路离全局最优总差一截。
-
第三处是人才稀缺。光、电、热和半导体制造工艺都能拿得下的资深工程师数量极少,这类设计能力很难成规模复制。
寰宇元心认为,这三道靠人工极难兼顾的多变量耦合题,正是自进化系统的主场:先把Fab的工艺扰动写进检验标准,让良率从设计第一天就被纳入考量;再把光、电、热装进同一个物理仿真闭环里同步寻优,拆掉部门之间的分工墙;最后让多智能体7×24小时自主迭代,把稀缺专家的经验变成可复用的软件能力。
团队介绍,在器件与互连链路两个层级上,这套系统已经能由AI独立完成从底层器件版图到1.6T光互连链路的全栈光电联合设计,核心器件也走完了真实流片回片。
直播中三个值得留意的瞬间
硅光互连的自主设计过程和软件调优一样,在官网7×24小时公开直播,累计完成1469轮自主迭代,每轮决策轨迹都能回看。翻直播记录,三个细节比较有代表性:每条链路的起点都是眼图完全闭合、根本无法通信的初始状态,AI自行推演到全工况达标,误码率改善超过三个数量级,新任务上线最快49分钟就交出首个全达标方案;7天里人类专家43次手动加严验收标准(Human-in-the-Loop),门槛每抬高一次AI都能重新追平,目前三条路线在最新标准下全部达标;迭代撞上局部瓶颈时,系统还会主动质疑既有的进化方向,完成自我纠偏,避免陷进思维定式。
图4展示的是光互连自主设计的实时直播界面。
先看最底层的器件这关——AI不只顶住了制造公差,还给出了人类专家此前没想过的拓扑结构。
光信号进出芯片的“大门”就是光栅耦合器,而0°垂直出射光栅耦合器是硅光领域公认的硬骨头,传统参数扫描方法到这儿基本失灵。寰宇元心联手北京大学光子传输与通信全国重点实验室攻关,让自进化闭环在严苛的可量产约束下跑出两条路线:高效率路线做到−0.66 dB 的亚分贝级耦合损耗;宽带鲁棒路线的带宽比2026年《Optica》报道的同类设计宽 40%,线宽制造偏差下的波长漂移缩小了一个数量级——前沿文献此前得在芯片上铺15组预补偿阵列来挑可用器件,这套设计一组都不用铺。同一套闭环还产出了分偏振二维光栅,单个14 µm的器件就能把两个偏振态干净分开,端口隔离度超过20dB。
更值得关注的是,系统搜出了“人类顶级专家”想不出的拓扑结构。光栅的“超原胞”(多个基本单元拼成的重复微结构)设计上,人类专家受经验习惯牵制,一般只沿着“尺寸渐变”这条思路找解;自进化系统却自主拿出一套“三种原胞拓扑共存”的非直觉方案。
为验证含金量,团队把对照基线拉到当前最高水平:由R&D领域人类专家直接搭配主流Coding Agents(Claude Code、Codex等,且不限token预算)同台比拼。实测对比显示,MetaRSI驱动的系统仍找到了更优器件结构,在效果、效率与成本三项指标上依次占优,核心性能效果始终排第一。团队的看法是,只比人工便宜一点,那还只是在旧路径上做改良;能产出人类专家做不出的物理结构,才算自进化引擎真正的壁垒。
落到真实产业:首个面向量产、具备工艺鲁棒性的纯RSI流片。
版图画得再精细,终究要送到Fab上产线验证。流片最怕变成“开盲盒”,寰宇元心为此设了五道良率关卡,从头盯到尾。投片之前先闯三关:版图环节就把刻蚀、线宽、套刻、膜厚波动以及可量产规则的硬性限制叠进去;所有候选方案都得跑遍全部工艺角(制造偏差的各种极端组合)做完整物理仿真,标称值不算数,只看最差值;闯过前两关的方案,还要再接受一轮智能体看不到的隐藏测试,用随机工艺组合出题,免得AI只会背固定考题。流片之后还有两关:剩下的物理偏差,交由片上闭环控制器吸收,它只依赖片上实测的物理量;最后的晶圆量测数据再回传系统,用来持续校准扰动模型本身。
第一版硅光测试芯片目前已经从Fab回片。31张SEM照片里,系统把每一条刻蚀边缘都自动找了出来,量化出真实加工误差,在仿真器里还原芯片真实的三维形状并预测性能,再拿这个结果回头修正下一版版图。
图5:光栅区SEM特写,实测线宽273–328 nm。
电镜实测数据表明,芯片单特征随机线宽离散标准差σ在5nm以内;系统在设计阶段却是按σ=10 nm的严苛标准评估的,相当于在真实产线上留了约2倍安全余量。至此,“设计—流片—量测—再设计”的实物飞轮正式转了起来。团队方面称,这还是业内首个面向工业级量产、具备工艺鲁棒性的纯RSI自进化流片。软件侧内化昇腾框架的路子,在回片闭环里也一样:研发引擎Ester借助真实工业流片和电镜量测数据,自适应训练出一个35B模型,专门琢磨刻蚀、线宽与套刻偏差在真实工艺中如何累积,让仿真环境一步步贴近真实产线。
系统级这块,难度更高:一周边跑通了1.6T光互连三大主流路线。单点器件站住脚以后,这套闭环就往更复杂的系统级互连上走。[[保留1]] [[保留2]]
三条主流技术路线,光电互连产业内部至今还在争——硅微环(MRM)、硅耗尽型行波调制器(MZM)、薄膜铌酸锂(TFLN),谁更配下一代算力集群,没有定论。寰宇元心正式发布的Ester-Photonics自主光电设计平台没往单一材料上押注。多智能体在全物理仿真环境里7×24小时并行跑,不到一周,三条主流路线的8×200G(单向1.6 Tb/s)光互连链路“电口到电口”联合设计各自独立做完,全工况达标。[[保留3]] [[保留4]]
图6:Ester-Photonics自主联合设计闭环
到了链路层级,光、电、热仿真放在同一个框里跑。电域的Driver、TIA、SerDes和光域器件一起被当作可调设计变量,每一道加工刻槽在设计之初就带上了工艺良率约束。专业分工的边界一破,AI在三条路线上各自长出了一项传统模块化流程很难触及的跨界设计。
-
硅微环(MRM)路线:微环响应慢,会带来前后符号串扰,AI的办法是让发射端电芯片提前用LUT做预失真补偿,每个微环只需一路低压驱动,8路驱动总功耗仅0.93W;温度漂移则靠闭环热锁定在2.7 ms内快速追回,热调功耗最高不超过12 mW。[[保留7]] [[保留8]]
图7:硅微环MRM 8×200G光互连系统架构,单结微环加LUT预失真
-
硅耗尽型MZM路线:信号均衡FFE原本由复杂电路承担,AI把它搬到了光路上——调制器拆成反相的两段,中间插一段2 ps的光延时,均衡直接在光域完成。图8:硅耗尽型行波MZM 8×200G架构,两段反相加光延时在光域做FFE[[保留10]] [[保留11]] [[保留12]]
-
薄膜铌酸锂(TFLN)这条路线走的是低压低功耗。驱动电压2.6 Vpp,8路加在一起功耗1.6 W。调制器不再需要高功耗加热器,偏置漂移改由直流电极实时跟踪,12个工况×8通道测试中偏置控制成功率100%。
图9:薄膜铌酸锂MZM 8×200G架构,直流电极跟踪偏置
验收的尺子其实更严。行业论文和常规汇报里常见的1.3–3.7 pJ/bit能效指标,往往只算发射端局部功耗。寰宇元心的口径是从发射芯片电口一路算到接收芯片电口,算的是整链路插墙功耗,而且全工况、全通道只取最差值。按这套严苛口径,三条1.6T链路误码率全部低于1e-4,信号质量指标TDECQ落在2.96–3.03 dB之间,均满足IEEE标准门限;整条链路能耗最低压到1.46 pJ/bit。这个数字意味着,包含收发全链路的整体能耗已经摸到业界“仅算发射端”能效区间的下限。
据「甲子光年」了解,首版芯片回片、系统级方案跑通之后,产业界已经有了实质动作:多家Fab主动找上寰宇元心,谈联合设计与工艺模型合作,相关产业推进正在铺开。
4.进化能力产品化,不进化成功不收费
软件层Run time省下来的是推理时间和算力卡成本,芯片层Design time压短的是按月计的硬件试错周期。两端都跑通之后,寰宇元心得出一个商业判断:单次交付的一份静态优化配置,迟早会随模型和硬件换代而衰减;不会衰减的是那套能不断重新推导出最优配置的自进化循环。
顺着这个逻辑,团队把背后的自进化循环打包成了企业级产品——通用工程智能自进化R&D研发引擎Ester。前面提到的昇腾算子融合、大模型推理加速,再到硅光器件与1.6T链路设计,这些案例说到底都是同一个Ester引擎在不同工程场景里的实战切片。
图10:Ester,通用工程智能自进化R&D研发引擎,交付即起点,之后每一轮都比上一轮更强
Ester这位“底座选手”的内核,靠的是MetaRSI算法撑起来的一套七步标准闭环:观察、诊断、提案、校验、执行、选择、导出。探索的创造力要留住,工程的确定性也不能丢,所以整套流程里只有“诊断”和“提案”两步放开给大模型去发挥,剩下五步一律交由确定性的代码严格执行。
至于自进化改的是什么,MetaRSI把改动范围牢牢框在三个彼此不重叠的平面上:Data-RSI只管改写数据,Harness-RSI只管改写脚手架,Model-RSI只负责更新模型权重。这三个面之上还有一层调度器,动态拍板下一步该动哪一面。再往上是最顶层的Meta层,它每个周期要改的是调度规则本身。这样一来,系统不光能改进工程任务,还能不断进化“改进自己的策略”这件事。
图11:D/H/M三个改进面与五条迁移路径
架构够硬核,可真到客户面前,团队算账算得相当实在。“中国的企业客户不关心东西是AI做的、RSI做的,还是人工做的,只关心安全,关心降本增效有没有用。”寰宇元心创始人坦言。
企业最真实的那些顾虑摆在眼前,Ester在商业交付上定了三条规矩:
-
第一条,客户拿到全部安全控制权。所有 Agent 的评测标准与发布规则都设为只读,AI 没法“自己改考卷”;代码或参数每动一次都留下完整版本记录,随时能一键回滚;操作权限按角色严格隔离,不可逆动作必须客户确认后才执行。新方案一律先在隔离沙箱里验证通过再上线,运行期间急停按钮一直可用,关键节点有人兜底,高敏客户还能按机型启用机密计算。
-
第二条,把人工介入降到最低。开工前,客户工程师讲清想要的结果、确认一次任务边界,之后设计、验证和多轮迭代都由系统自己跑完;只有遇上真正需要业务判断的分岔口,系统才会主动提问,并说明为什么问,其余时间静默自运行。
-
第三条,彻底看结果——按结果付费,没进化成功就不收钱。开工前双方把验收标准定死,达不达标全由客观判据说了算,没跑出约定的性能增量就不收费;另外,进化过程里产生的数据、工程经验、专有模型和工具链资产都归客户,不会回流去训练 CosmosMind 的通用模型。
图12:结果即服务,不进化成功,不收费
眼下,Ester内核已经长出三条标准化的产品线。Ester-Infer管的是大模型推理加速和国产卡适配;Ester-Trainer盯的是垂类模型训练优化;Ester-Photonics则对准硅光芯片与互连设计。研发这件事,也由此从一锤子外包,变成一条“交付即起点”、越跑越强的复利曲线。据了解,已有数家IDC服务商主动找上门,谈Ester-Infer的合作。
5.软芯协同,头一回把算力的进化方式讲清楚
从一行底层算子代码,到330亿参数多模态模型的在线推理,再到Fab回片的纳米级硅光光栅与1.6T光电互连链路,寰宇元心想说明的其实是同一件事:算力基础设施不必再是“靠精英工程师人肉调优的消耗品”,它完全可以成为一套软芯协同、自己找瓶颈并持续进化的活系统。
还有一点更关键:这家早期公司选了一种极度透明的方式,把自己摊开给行业看。推理调优与芯片设计的每一轮成败,都挂在官网7×24小时公开直播;核心算子库推上GitHub开源;被篇幅精简掉的底层推导,写成完整技术报告公开挂网,欢迎同行随时复现、随时挑刺。
「甲子光年」的判断是,大模型行业正从“卷参数、卷榜单”全面转向“算成本账、找真实产业增量”,此时能直接兑现为推理吞吐提升与流片良率余量的工程智能,商业穿透力相当强。
对寰宇元心来说,第一版硅光测试芯片回片、推理端回款跑通,已经立下了扎实的第一块里程碑。接下来的考题同样具体:首轮回片带回来的电镜量测数据,能让下一版芯片性能再往前推进多少?推理优化上跑通的“按结果付费”模式,又能不能顺畅复制到周期更长的模型训练与芯片设计客户身上?
国产算力产线能不能真正检验出结果,是AI从“写代码”这个存量舒适区里跨出去、自己把现有硬件用到极限并自行设计硅片之后,价值边界能否真正外扩的一道看得见的关卡。