9月20日至21日，以“下一代物理智能前沿”为主题的 PAIR Conference 2026 在上海举行。本次会议由上海物理智能与机器人研究院主办，汇聚高校、科研机构及产业界专家，围绕智算系统、智能载体、科学发现及计算范式等核心议题展开深入探讨。
在“下一代智算系统：从芯片到软件的协同重构”专题论坛上，与会嘉宾聚焦具身智能、新型芯片架构、国产算力及推理系统等技术演进方向。圆桌环节重点讨论了在大模型迭代速度远超芯片研发周期的背景下，算法与硬件如何实现高效协同，以应对动态变化的计算需求。
圆桌讨论由复旦大学集成电路与微纳电子创新学院青年研究员朱可人主持，对话嘉宾包括上海东方算芯科技有限公司副总裁郭炜、清华大学深圳国际研究生院助理教授于超、复旦大学芯片与系统前沿技术研究院助理教授朱浩哲、光本位联合创始人兼首席科学家程增光，以及清华大学计算机系助理研究员闪英迪。
图 | （左起）朱可人、程增光、郭炜、闪英迪与于超、朱浩哲进行圆桌讨论（来源：PAIR）
模型迭代与芯片研发的节奏错位
大模型的计算方式与应用需求变化迅速，而芯片从架构设计到量产通常需耗时三年。面对这种迭代周期的显著差异，业界关注焦点在于：究竟是算法决定硬件，还是硬件制约算法？
上海东方算芯副总裁郭炜指出，短期内模型落地受限于现有芯片的算力、存储、带宽及互联条件。即便某模型在理论层面表现优异，实际部署效率仍是关键考量。“目前落地的模型未必是算力最优的，但一定是软硬适配最优的。”长期来看，芯片设计将受算法需求驱动，形成相互迭代的闭环。
清华大学助理研究员闪英迪从历史维度分析了这一关系。他以 RNN、LSTM 到 Transformer 的演进为例，指出模型能否充分利用现有计算资源是其成为主流的重要因素。Transformer 因更易于并行计算，能更高效利用大规模算力，从而确立了主导地位。同时，硬件也在不断调整以适应算法，如 GPU 引入 Tensor Core 及支持低精度计算。闪英迪认为，短期内算法需向硬件靠拢，长期则二者将协同演进。
清华大学助理教授于超强调算法的先行作用，认为研究人员能在现有硬件上快速探索新架构，随后硬件再针对性优化。复旦大学助理教授朱浩哲则以具身智能为例，指出机器人部署必须选择满足实时性要求的硬件（如 Jetson Orin），模型规模与算子受芯片功耗及算力约束。但他同样认可，长期看硬件终将向具备明显优势的算法靠拢。
技术路径：CMOS 延续与新型计算的协同
面对日益增长的性能、带宽及能效需求，芯片行业面临技术路线选择：是继续优化主流 CMOS 技术，还是借助新材料与新架构寻求突破？
光本位首席科学家程增光认为，光计算等新型技术旨在解决传统冯·诺依曼架构在存储带宽和功耗上的瓶颈。但他不认为这会彻底抛弃硅基技术，而是提供新的解决思路。
郭炜持相似观点，指出 CMOS 在工艺成熟度、成本及良率上优势明显。光计算虽在部分矩阵运算和互联场景有潜力，但现阶段难以独立完成大规模模型推理。未来，光计算及新型材料更可能以协处理器形式，通过 2.5D 封装或三维集成与传统算力芯片协同工作。“目前来看不是替代，是增量。”
朱浩哲进一步提醒，评价新型计算技术需考量系统级实际收益。诸如光计算的光电转换、存算一体的模数转换等环节均存在额外开销，可能抵消器件层面的性能提升。因此，新技术更可能在存储或互联等局部环节率先突破，而非一次性替换整套 CMOS 体系。
产业边界模糊：双向渗透与定义权争夺
随着产业演变，模型公司与芯片厂商的业务边界逐渐模糊。OpenAI、Google 等探索定制芯片，而芯片厂商则深入模型研究以优化软硬件适配。
程增光指出，通用 GPU 存在功能冗余，模型公司开发专用集成电路（ASIC）可提升效率并降低成本。郭炜补充道，自研芯片有助于模型厂商掌控算力成本并满足特定需求；而芯片厂商若仅提供硬件，将面临边缘化风险，必须通过研究模型来提供完整的系统解决方案。
然而，跨界并非易事。朱浩哲以 OpenAI 与博通的合作为例，强调算力芯片研发涉及封装、互联、超节点设计等复杂系统工程。于超也指出，模型厂商进入芯片领域仍需面对制造工艺及先进封装等传统半导体挑战。虽然模型厂商短期内难以独立完成全流程，但其对架构设计的参与度提升，正在影响传统芯片公司的产品定义权。
算力格局：云端与端侧的协同共生
AI 应用场景从数据中心向具身智能、自动驾驶等端侧扩展，对性能、延迟、功耗及隐私提出了差异化要求。
程增光认为，短期服务器仍是主要部署场景，但长期看，机器人、自动驾驶及家庭本地计算等端侧需求将快速增长。这些场景对实时性、可靠性及隐私保护有特殊要求，与数据中心形成互补。
郭炜与闪英迪均认同云端与端侧将协同增长。大型智算集群支撑超大基础模型及复杂智能体，而端侧设备则承担数据采集、前端处理及部分私有化部署任务。朱浩哲指出，若以收入衡量，云端更具优势；若以用户规模及应用场景计，端侧扩展空间更大。二者并非零和博弈，具身智能的发展可能同时带动两端算力需求。
生态模式：开源与闭源的长期并存
关于模型开源与闭源的争论，嘉宾们普遍认为二者将长期共存，但角色定位不同。
郭炜指出，中国模型企业在资源受限下走出了独特的开源路径，缩小了与闭源模型的性能差距。未来，闭源模型可能更多承担前沿能力突破，开源模型则在广泛应用中普及。闪英迪将其比作苹果与安卓：闭源生态利润更高，开源生态覆盖更广。
于超从开发者生态角度强调开源软件对技术普及及硬件销售的间接带动作用。朱浩哲则提出新视角：万亿参数大模型的“开源”不同于传统软件，高昂的运行门槛使得普通机构难以复现。此外，AI 代码生成能力的提升可能改变传统开源协作模式。
价值归属：谁掌握最终定价权？
在产业链各环节中，商业价值的分布成为最终焦点。
程增光观察到，虽然目前硬件厂商定价权较强，但随着推理市场扩大，模型、云服务及应用企业机会增多。郭炜认为，长期看贴近用户需求的应用终端可能拥有定价权，各环节将根据创造价值获取相应利润。
闪英迪看好硬件与基础模型两端，认为芯片利润率取决于供需关系，而模型层因能力增强可收取更高费用。处于中间的基础软件因开源普及，利润空间可能受限。于超将芯片厂商比作“卖铲子”的人，无论上层应用如何变化，底层算力支持不可或缺。
朱浩哲指出，AI 降低了应用开发门槛，普通软件技术壁垒下降，反而使提供底层算力和基础模型的企业保持较强商业优势。
综上所述，下一代智算系统的核心挑战在于多层级技术的协同适配。模型公司介入芯片设计，芯片厂商延伸软硬件服务，产业边界日益模糊。谁能最终掌握定义权与定价权，仍取决于技术演进与市场需求的动态平衡。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成