12月20日，摩尔线程首届MUSA开发者大会（简称：MDC 2025）在北京开幕，中国工程院院士、清华大学计算机系教授郑纬民发表《中国主权的AI计算引擎构建研究，以国产GPU为代表的自主可控路径观察》主旨演讲。

他说，过去很长一段时间，做芯片是全球化分工的，有人做架构设计，有人做设备制造，有人做代工，有人做封装，各个国家、各个地区进行全球分工，现在则讲主权AI。主权AI过去是学术讨论，现在变成每个国家必须回答的现实问题。当天，他分享了5个点内容。

第一，主权AI有三大支柱：算力自主、算法自强、生态自立。这三个方面互为前提，互相约束，共同构成主权AI的系统工程框架。

算力自主，这是物理层的安全底座，它有三个要求：一是芯片设计能力要自主；二是制造与供应链风险要可控；三是系统与集群交付能力要强。

算法自强，针对GPU来说，能做大模型适配，能做大模型训练，能让模型优化。

生态自立，某种程度上比前两个更重要，即要从“能跑”到“愿意用”。不是说芯片跑一个软件就可以，要以开发者为主，生态厂家要做，用芯片的人更重要。

第二，构建AI+3D+HPC架构。物理AI与世界模型需要什么样的芯片，可以分三个方面内容：支持AI，做3D，做HPC。做GPU一定要满足这三件事情，需要完整图形流水线，还有张量计算核心支持AI，高精度浮点单元支持HPC。

他说，摩尔线程的国产全功能GPU是代表性案例，将这三个方面结合在一块，一个芯片就能完成，“AI+3D+HPC”一体化系统集成，包括AI驱动的新一代渲染平台，世界模型的3D数据基础设施，以及世界模型/数字孪生、工业仿真+AI优化、视频生成与实时交互等应用场景。

第三，从单卡到万卡集群。国产的万卡乃至十万卡系统，非常难，不是说把十万个卡放在一块通上电就行了，要做到可用、好用非常难。

“为什么要十万卡系统呢？”郑纬民回答说，因为算力是基石。做模型训练，做很多事情需要大算力，需要万卡、十万卡系统，这是必选项。做万卡、十万卡有几件事情很难：互联网络与拓扑，要可靠性与运维，十万卡连在一块，平均一个小时要出一次错，十万个卡里面有一个卡一个小时、两个小时要出错，整个系统不能停下来，出错了如何继续训练下去？能耗与供电散热，十万卡是一个大火炉，电要供得上，散热做得好。国产集群第一步要做到能用，以后做到好用。

第四，开发者与类CUDA生态。真正决定主权AI成败的，在于是否有足够多的开发者愿意长期在这套栈上写代码。开发者是生态的核心，不是厂家，厂家需要与开发者一块努力把生态做好。

郑纬民说，国产平台需要解决的问题：迁移成本太高，原来大家基于英伟达的程序，怎么迁移到国产的；工具链不太成熟，要把它用成熟；社区也要做得好，目标是从“能用”到“好用”到“愿意用”，开发者体验好，用户就喜欢用。能用了，这是第一步。第二步他愿意用，这件事情很重要。摩尔线程MUSA就是类似于CUDA生态的国产实践。

“开源非常重要，我们要尽可能开源，很多人用了以后提出问题反馈给你，让更多的学生、开发者低成本使用。”郑纬民说，后CUDA时代，模型使用者已经是“使用开源项目”，而不是“使用CUDA”。生态自立的一个现实路径，是让国产平台成为开源创新的一个选择，要拥抱开源。

郑纬民举两个例子，清华大学团队做了两件事，一个是做了Mooncake，它是在推理中以KVCache为中心的大模型推理架构，能使硬件省很多，而且是开源的。第二个例子是KTransformers。现在大多数推理系统都有很多卡，把CPU和GPU混合用，一块卡、一块CPU把DeepSeek满血版装上，也是开源的。

第五，产业协同，从碎片化走向合力。当前，面临内卷与碎片化问题，比如不同的厂家提供不同的接口，要做不同的适配。要让开发者工作量减少，不同芯片、不同系统最好是一套东西，产业联盟与软硬件协同设计非常重要。

郑纬民说，要团结一心，解决应用不足与生态薄弱的问题；产业界要团结起来，应用也要团结起来。生态问题不是一个厂家的问题，开发者要发挥很大作用，一起努力解决这个问题。全功能GPU筑牢算力长城，国产生态版图百花齐放。聚力攻坚突破技术壁垒，携手同行共赴星辰大海！

南方+记者 郜小平