上海围绕算力、芯片与应用构建全栈 AI 战略

上海正将一则 Google News 标题所揭示的议题，转化为一场更宏大的考验：在日益严格的芯片限制下，中国能否构建完整的 AI 技术栈。这座城市并未押注某一款备受瞩目的产品，而是在连接算力、国产处理器、模型与产业应用。

这一战略在 2026 世界人工智能大会上成为焦点。大会于 7 月 17 日至 7 月 20 日在上海举行，超过 1,100 家企业展示了逾 3,000 件展品，议程也将关注点从模型演示转向基础设施与部署。

其中的矛盾很直接。上海希望让 AI 服务于制造业、科学研究、交通运输、公共服务和机器人领域。但与此同时，这座城市必须在无法稳定获得美国超大规模云厂商所使用的全部先进处理器、制造工艺和软件工具的情况下，支撑这些工作负载。

这使得该故事不止是又一项地方科技倡议。上海正试图证明，协调需求、公共算力平台、替代性芯片架构和应用补贴，能够弥补其在半导体前沿领域的劣势。

Google News 标题背后是一项全栈 AI 战略

上海正将算力、芯片、模型和应用视为一个相互连接的产业体系。

眼前的事件并非单一产品发布，而是多个项目、政策措施和商业承诺在这座城市 AI 产业周围的集中呈现。

在 WAIC 2026 上，上海联通发布了 UniAI 计划，并表示拟投资超过 250 亿元建设智能算力基础设施。该计划覆盖产业升级、公共服务、城市治理及其他数字化应用。

大会还将技术供应商与潜在客户联系起来。其 WAIC Connect 项目在开幕前组织了 172 个采购商团，并展示了 63 个应用场景。

这些数字之所以重要，是因为它们展现了上海创造需求的方式。这座城市并未等待企业自行发现有利可图的应用场景，而是在识别采购方、补贴试验，并将基础设施部署在预期使用者附近。

展览也体现了相同方向。主办方表示，活动汇集了超过 300 台机器人，执行与制造、消费服务和娱乐相关的任务。算力展示则从单个加速器扩展至超节点和大型集群。

超节点通过高速连接将多个处理器整合起来，使其能够作为一个系统处理大型 AI 工作负载。当单个国产加速器无法匹敌最先进外国芯片的性能时，这种方式尤为重要。

上海既有的产业基础让这一战略更具分量。根据该市的 AI 产业概况，上海 AI 产业规模在 2024 年超过 4,500 亿元，拥有超过 380 家规模较大的 AI 企业，以及超过 60 EFLOPS 的公共智能算力。

EFLOPS 表示每秒百亿亿次浮点运算。该指标能够粗略反映理论算力，但无法揭示利用率、网络效率、内存性能，或交付实用答案的成本。

据报道，上海 AI 产业在 2025 年规模超过 5,500 亿元，较上年增长逾 30%。地方主管部门将这一增长部分归因于降低算力、模型和训练数据成本的政策。

这正是 Google News 搜索结果背后的重要变化。上海已经不再将 AI 企业作为彼此孤立的成功案例来展示，而是在构建一个可将项目从研究阶段推进至算力获取、模型开发、客户测试和商业部署的体系。

该体系还延伸至上海市中心以外。算力工作负载可以在能源充足的西部地区运行，而开发者、芯片企业、实验室和产业采购方仍集中在沿海地区。

中国的全国一体化算力网络旨在连接这些环节。它将数据中心、超级计算设施和边缘基础设施连接起来，使工作负载能够根据时延、能源和容量需求进行调度。

这种安排更像电网，而非传统上由彼此独立的数据中心构成的集合。这个类比并不完全准确，但目标很明确：让算力更容易被申请、计量、调度和购买。

上海的优势在于协调能力。其挑战则在于证明，这一协调体系能够提供可靠服务，而非仅仅发布令人印象深刻的算力公告。

为什么上海开始以 Token 衡量需求

该市的基础设施政策正从理论算力表现，转向衡量客户实际消耗的 AI 工作量。

上海在 2026 年 1 月 27 日举行的智能计算上海高峰会上强调了这一变化。与会者谈到，基础设施衡量方式正从主要依赖浮点运算次数，转向追踪 Token 使用量。

Token 是语言模型处理的一小段文本或数据单位。客户通常会在发送提示词、检索信息、运行智能体或生成回答时消耗 Token。

Token 消耗并非衡量经济价值的完整指标。一个模型可能处理大量 Token，却产出很少有用的工作。不过，与处理器的最高基准得分相比，这一指标能将基础设施与应用需求更直接地联系起来。

中国信息通信研究院联合三大电信运营商和本地算力供应商，启动了一套全市协同体系。该倡议旨在协调算力供应商、模型开发者和应用企业。

这反映出 AI 经济模式更广泛的变化。训练基础模型依然成本高昂，但重复进行的推理如今决定了一款 AI 产品能否支撑数百万次日常交互。

推理是指运行已训练模型以生成输出的过程。它涵盖了从回答简短问题，到让软件智能体通过数百个中间步骤执行任务的一切活动。

据国家数据局称，中国每日 AI Token 消耗量据报已从 2024 年初的 1,000 亿增长至 2026 年 3 月的 140 万亿。字节跳动的 Doubao 据报也从 2024 年 5 月每日约 1,000 亿 Token，增长至 2026 年 3 月超过 120 万亿。

这些数字应被视为报道中的测量结果，而非经过独立审计的使用数据。不过，其增长方向解释了上海为何强调基础设施、网络容量和运营成本。

智能体比简单的聊天界面消耗更多 Token，因为它们需要规划任务、审查中间结果、调用工具并纠正错误。一款在用户看来很简单的产品，可能会在后台产生大量计算。

这给数据中心和芯片供应商带来压力。训练需求通常以规模庞大、可预先规划的方式到来，而推理需求则可能在一天中持续波动，并分散在数千家客户之间。

上海的公共平台可帮助小型开发者避免自建集群。本地算力补贴也能在企业尚未获得稳定收入前，降低早期试验的成本。

浦东和徐汇已向符合条件的初创企业提供算力、模型和语料券。根据上海有关部门 1 月发布的信息，每一类别最高可获得 100 万元支持。

语料库是用于训练、适配或评估 AI 系统的文本或其他数据的有组织集合。对于专业化工业应用而言，获得有用的语料库可能与原始算力同样重要。

补贴券模式的作用不只是降低开支。它还能引导初创企业使用本地基础设施供应商，并鼓励它们围绕获得支持的芯片、模型服务和数据集开展建设。

这会形成战略性反馈循环。获得补贴的应用会为国产算力创造需求。更高的需求则让芯片和平台公司拥有更多机会改善兼容性、性能和开发者支持。

风险在于，补贴也可能掩盖疲弱的经济性。一个项目在补贴抵扣其推理账单时可能看似可行，但在必须支付全部运营成本后便会面临困难。

基于 Token 的衡量方式使这一问题更容易显现。主管部门和投资者可以将已安装的算力与实际消耗量、客户留存率、响应质量和能够创造收入的任务进行比较。

对企业采购方而言，这比又一项头条基准测试更有用。核心问题并非一个集群包含多少处理器，而是该系统能否以可接受的成本可靠地完成工作。

这也是为什么上海的 AI 算力政策如今已超出数据中心本身。它将基础设施投入与工业智能体、专用模型、机器人和工厂内部使用的软件联系起来。

国产芯片必须在系统层面弥补差距

上海最棘手的问题，是将多样化的国产处理器转变为开发者无需持续重新工程即可使用的可靠算力系统。

美国出口管制限制了中国获取部分先进 AI 加速器和半导体技术的能力。这些限制加大了中国企业开发处理器、封装技术、网络系统和软件替代方案的压力。

与 Nvidia 的比较仍然不可避免。Nvidia 的优势并不局限于原始芯片性能。其 CUDA 软件环境、库、开发者社区和成熟的服务器设计，降低了部署大型模型所需的工作量。

上海无法通过发布一款加速器来替代这一生态环境。它需要一批芯片企业、系统建设者、云服务商、模型开发者和客户共同进步。

该市已聚集多家相关企业。Biren Technology 和 MetaX 开发面向 AI 工作负载的通用图形处理器，Iluvatar CoreX 则一直在推进用于数据中心的国产 GPU 设计。

上海的其他团队正探索避免与最先进传统 GPU 正面竞争的架构。Lightelligence 开发光计算系统，利用光来完成特定的数据处理和通信任务。

该公司正在上海联合部署一个 10,000-GPU 超节点集群。创始人沈亦晨曾表示，系统集成以及光子—电子封装仍是持续存在的瓶颈。

这一限定很重要。光学组件在实验室中可能表现出色，但在商业服务器内部实现封装、散热、制造、编程和连接仍然困难。

东方法算芯则选择了另一条路径，其在 WAIC 2026 展示了 DF1000 近存 3D AI 芯片。近存计算将处理单元置于靠近内存的位置，以减少移动数据所耗费的时间和能源。

传统处理器经常需要在独立的内存和计算组件之间传输信息。这种移动会造成被称为“内存墙”的瓶颈，尤其是在数据密集型 AI 推理过程中。

DF1000 采用三维结构堆叠组件。该公司表示，这一设计可以改善数据传输，并降低对最先进制造工艺的依赖。

这一说法尚未获得广泛的独立基准测试验证。买方仍需要看到涵盖应用性能、软件兼容性、生产良率、可靠性和整体系统成本的证据。

同济大学还为自动驾驶汽车、机器人和无人机推出了一种专用的 Moving Horizon Unit。该芯片旨在反复观察环境状况、计算响应方案，并更新机器的动作。

这类专用处理器体现了上海更广泛的思路。开发者无需将所有工作负载都交给一种通用加速器，而是可以让特定架构匹配边缘 AI、机器人、科学计算或工业控制等场景。

边缘 AI 是指让模型在产生数据的设备附近运行，而不是将每一项输入都发送至远端云端。它可以降低延迟和网络使用量，但较小的设备通常会受到内存和功耗的严格限制。

这座城市的优势在于，应用场景与芯片设计者距离较近。机器人公司可以反馈延迟问题，工厂可以发现可靠性缺口，车辆开发商则可以暴露功耗或散热限制。

这种反馈可能比孤立的基准测试竞赛更快地改进产品。它也让本地供应商能够围绕现有制造技术优化完整系统。

不过，整合更多芯片并不会自动弥合性能差距。大型集群需要高速互连、高效调度、可靠内存、散热能力，以及能够在不浪费容量的前提下分配任务的软件。

由效率较低的处理器构建的集群，可能需要更多电力和物理空间。它还可能增加故障点，并带来更高的维护成本。

近期报道援引的行业估计显示，Huawei 与 Nvidia 在中国 2025 年 AI 芯片市场中的份额接近，各自约占 40%。分析师预计，随着 Nvidia 在供应限制下的地位减弱，Huawei 将扩大市场份额。

这些估计显示出国产替代的进展，但并不能证明已实现完全独立。半导体生产依赖设备、材料、封装、知识产权和制造工艺，而这些要素分布在多个国家。

因此，上海推动芯片发展的押注属于系统级押注。该市并不需要每一种国产组件都单独领跑全球市场，而是需要足够多的组件以能够支撑实际应用的成本和可靠性水平协同工作。

应用才是检验，而非展示

只有当受补贴的基础设施在工厂、实验室、车辆和公共服务中产出可重复的成果，上海才能巩固其 AI 地位。

上海 7 月发布的制造业政策包，为工业模型、AI 编程系统、具身 AI、智能体、工业软件和专用数据集提供支持。

符合条件的核心技术项目最高可获得 2000 万元支持。工业模型和智能体的安全项目最高可获得 1000 万元支持，而部分数据集平台最高可获得 2000 万元支持。

这些措施还鼓励工业计算平台提供低代码智能体工具、token 额度和算力支持的试用访问。

这些项目针对的是一个实际落地难题。制造商往往拥有宝贵的运营数据，但这些信息分散在机器、工程文档、维护记录和内部系统之中。

工业模型所需的不只是公开互联网文本。它还必须理解领域术语、设备状态、安全限制、访问控制以及员工使用的具体工作流程。

一个实用的工厂智能体，可能需要将传感器警报与维护历史、技术手册和近期生产变更进行比对。随后，它还需要展示证据，并将建议转交给获得授权的工程师。

这一工作流程对数据质量、检索、延迟和问责提出要求。当错误可能导致停产或设备损坏时，仅有流畅的回答远远不够。

考虑采用此类系统的组织，首先需要一个可搜索的信息层。维护良好的工程知识库可以帮助团队在引入自动化决策之前整理技术文档。

上海拥有多个可以测试这种方法的行业，包括汽车制造、半导体、制药、金融、航运和高端装备。

机器人是另一个醒目的应用场景。WAIC 上有超过 300 台机器人在制造业和日常服务场景中演示活动，但展览表现与长期运行仍是两回事。

工厂机器人必须在不断变化的光照、物体摆放、设备磨损和人员活动条件下重复完成任务。它还需要可预测的维护，以及明确的安全故障处置流程。

科学应用提出了不同要求。研究人员可能更重视数据访问、可复现性、专用数值方法，以及检查中间结果的能力。

公共服务则带来隐私和治理问题。全市范围的 AI 系统可能影响那些并未选择该技术、且在发生错误后难以更换服务提供商的居民。

这些差异解释了为何一个通用模型无法解决上海的应用挑战。每个行业都需要与自身风险和预期成果相匹配的评估方法。

最可信的指标将来自持续使用。买方应关注设备停机时间是否减少、设计周期是否加快、能源消耗是否降低、检测准确率是否提高，或研究工作流程是否缩短。

对于已公布的应用数量应保持谨慎。注册模型、获资助试点或会议演示，并不一定代表正在进行的商业部署。

同样的担忧也适用于算力利用率。一座城市可以宣布拥有大量算力，但工作负载可能仍集中在少数大型公司手中。

上海据报拥有 60 EFLOPS 的公共智能算力，这表明基础设施可用，但并未披露算力使用是否均衡、客户支付的价格，或开发者遇到兼容性问题的频率。

能源构成另一项限制。国际能源署在其数据中心展望中表示，全球数据中心用电量预计将从 2025 年约 485 太瓦时增至 2030 年约 945 太瓦时。

中国正将部分计算中心部署在西部地区的可再生能源资源附近，再通过高速网络连接将这些设施与沿海科技中心相连。

这可以减轻上海本地电网的压力，但距离会影响延迟和运营复杂性。大型训练任务比需要即时响应的机器人更容易容忍远程处理。

开发者必须决定哪些工作适合放在西部集群、上海数据中心或边缘设备上。答案取决于数据敏感性、响应时间、能源成本、网络可靠性和模型规模。

上海的全栈战略旨在支持这些选择。其成败将取决于各层之间的连接能否在补贴和会议关注消退后仍然保持可用。

三个信号将显示上海的押注是否奏效

接下来的证据必须来自利用率、商业化芯片部署以及可衡量的工业成果。

第一个信号是上海公共和商业计算平台上 token 消耗的持续增长。使用量上升将表明，模型和智能体正在超越孤立的演示。

这一信号最有力的形式，还应包括客户留存、工作负载多样性和每项完成任务成本的下降。仅看 token 增长，可能反映的是低效模型或补贴驱动的试验。

如果尽管新增了算力，利用率仍然较低，那么该市可能建成基础设施的速度快于应用吸收能力。这将削弱“协调投资能够自行创造需求”的论点。

第二个信号是国产芯片部署的独立证据。上海 AI 芯片需要公开基准测试，覆盖真实模型、能源使用、集群扩展、故障率和软件迁移。

有关光学处理器、近存计算设计和国产 GPU 的公告，仍是有意义的研究指标。商业合同和重复订单将提供更有力的证明。

应关注与 Lightelligence 相关的 10,000-GPU 光学超节点项目。稳定部署将支持上海的观点：替代性架构能够改进大型计算系统。

DF1000 同样值得关注。客户测试可能揭示其近存计算设计是否能在受控演示之外带来实际收益。

第三个信号是工业应用带来的可衡量价值。上海的制造业政策应当推动涉及智能体、数据集、机器人、工业软件和具身 AI 的试点项目。

该市需要披露买方能够评估的成果。有效指标包括生产正常运行时间、检测表现、推理成本、能源消耗、员工采用情况和节省的时间。

一长串获资助项目并不能说明问题。更有力的结果是，多家组织使用自有预算续签部署。

竞争将影响这三个信号。Huawei、Alibaba、Baidu 及其他中国大型科技公司，可以在上海本地项目之外提供模型、云服务、芯片和开发者平台。

即便其最新硬件受到限制，美国公司仍然具有相关性。它们的软件实践、模型发布和基础设施经济性，仍在为全球买方设定基准。

因此，上海必须在政治支持或已安装容量之外展开竞争。它需要可预测的工具、可信的安全性、可访问的数据、可负担的推理成本，以及工程师能够维护的系统。

上海带着显著优势进入这场竞争。它拥有庞大的工业经济体、研究机构、芯片设计商、模型公司、投资者和政府买方，且彼此距离很近。

它也面临真实弱点。国产处理器供应仍不均衡，替代性架构需要商业验证，受补贴的试点项目也可能掩盖客户的付费意愿。

这种组合使上海的实验值得关注。它正在检验：一个区域性产业集群能否通过整个 AI 技术栈的协调，弥补获取前沿硬件受限的不足。

下一条 Google News 头条很可能会突出另一款芯片、机器人、集群或融资项目。读者应越过单个公告，提出三个问题。

试用额度到期后，新增算力是否仍在被使用？国产处理器是否以可接受的可靠性和能耗完成真实工作负载？工业客户是否正在用自己的资金扩大部署？

这些答案将决定上海究竟建立了持久的 AI 优势，还是打造了一组雄心勃勃的基础设施项目。关注部署情况，对比运营数据，并将每一项展示性声明视为验证的起点，而非结论。