3 月 12 日，云天勵飛中標湛江市AI滲透支撐新質生產力基礎設施建設項目，中標金額4.2億元。項目將基于云天勵飛自研的國產AI推理加速卡，建設國產AI推理千卡集群。

該集群將搭載DeepSeek等國產大模型，為政務、產業及各類應用場景提供更加便捷、低成本的AI能力，探索打造“國模國芯”的AI生態樣板。
?
一、AI算力從“訓練優先”走向“推理優先”

智算集群是人工智能時代的基礎設施。如果說電力支撐了工業時代，互聯網支撐了信息時代，那么智算正在成為支撐AI時代的重要底座。

在AI算力體系中，算力大體可以分為訓練算力與推理算力。訓練算力決定模型如何完成“從0到1”的能力構建，而推理算力則直接支撐AI應用落地。無論是春節期間大熱的SeeDance，近期廣泛討論的“小龍蝦”，還是各行業不斷上線的AI Agent應用，背后都離不開推理算力的支撐。根據Gartner預測，到2026年，約55%的AI專用云基礎設施支出將用于推理工作負載。

過去，國內許多智算中心普遍采用“訓推一體”的建設模式。而此次在湛江建設的集群，則定位為專注推理任務的AI推理集群，主要面向各類行業應用場景，為傳統產業的AI化提供直接支撐。

湛江也是國產大模型DeepSeek創始人梁文峰的家鄉。近年來，當地在“DeepSeek+”應用探索方面動作頻頻。2025年初，DeepSeek-R1發布后，湛江即完成本地部署——基于國產技術棧的DeepSeek-R1大模型率先在湛江政務云上線。該模型在處理通用政務事務的同時，還能夠持續學習本地產業知識與方言表達，逐漸形成具有地方特色的“湛江智慧”。

此次云天勵飛建設的AI推理集群，也將與DeepSeek等國產模型進行深度適配，為更多行業應用提供算力支撐。
?
二、面向推理時代的千卡集群架構

在大模型應用場景中，推理系統通常需要同時滿足高并發、高吞吐與低延遲三項要求。為提升整體效率，當前業界普遍采用“Prefill–Decode分離”的推理架構，通過對不同階段進行資源優化，實現系統性能的整體提升。

其中，Prefill階段主要負責對長上下文進行理解和計算，計算量大、帶寬需求高；而Decode階段則負責持續生成Token，對系統延遲更加敏感。如何在兩個階段之間進行合理的資源配置，成為推理系統架構設計的重要問題。

與此同時，隨著大模型上下文長度不斷增加，大量中間狀態需要以KV Cache的形式存儲。業內普遍認為，未來推理系統的性能瓶頸將越來越多來自數據訪問效率，而不僅僅是計算能力。

在這一背景下，算力、存儲與網絡之間的協同設計，正逐漸成為AI基礎設施的重要競爭力。

此次在湛江落地的千卡推理集群，正是圍繞這一思路進行構建。

該集群采用云天勵飛自主研發的AI推理芯片，并在系統架構上確立了“優先優化Prefill、兼顧Decode”的技術路線。通過在芯片設計中對計算資源與存儲帶寬進行針對性配置，使系統在長上下文推理場景下依然能夠保持較高的吞吐效率。

在網絡互聯方面，系統采用統一高速互聯架構，通過400G光網絡構建集群物理層網絡，實現節點之間的高帶寬、低延遲通信。與傳統在節點內和節點間分別采用不同協議構建網絡的方式相比，這種同構互聯架構減少了協議轉換帶來的額外開銷，也簡化了系統部署。

在部署能力上，該架構既可以支持單節點數十卡規模擴展，也能夠平滑擴展至千卡級集群規模，從而適配不同規模的AI應用需求。

此外，針對大模型推理中KV Cache訪問帶來的壓力，系統在計算互聯與存儲互聯層面進行了協同優化。通過計算網絡與存儲網絡的聯合調度，可以顯著提升數據讀取效率，使模型在長上下文推理場景下依然保持穩定性能。

通過芯片架構、網絡互聯以及系統調度等多層優化，這一推理集群在整體效率與成本控制方面形成了明顯優勢，為AI規模化應用提供了更加經濟的算力方案。
?
三、自研芯片構建低成本推理能力

據悉，本次AI推理集群將分三期建設，并全部采用云天勵飛自研的國產AI推理加速卡。

其中，一期項目將部署云天勵飛 X6000 推理加速卡；二、三期建設將率先搭載公司最新一代芯片產品。

根據公司規劃，未來三年云天勵飛將推出三代AI推理芯片產品。

第一階段，將推出面向長上下文場景優化的Prefill芯片，通過提升計算效率與內存訪問能力，為OpenClaw、各類AI Agent提供基礎算力支撐。

第二階段，將研發專注于Decode階段低延遲優化的芯片產品，進一步提升實時推理能力。

第三階段，則通過系統級協同優化，實現Prefill與Decode性能的整體提升，向毫秒級推理時延目標邁進。

其中，首款Prefill芯片DeepVerse100預計將在年內完成流片，并計劃在湛江集群中率先部署。

在更長期的規劃中，云天勵飛提出“1001計劃”，即以“百億Token一分錢”為長期目標，通過芯片與系統協同優化持續降低大模型推理成本。

過去幾年，AI算力建設往往以“堆算力”為主要路徑——通過不斷擴大GPU規模來獲得更高性能。但隨著大模型逐漸進入應用階段，產業關注點正從“算力峰值”轉向“單位成本效率”。

換句話說，未來AI產業競爭的重要維度，不僅在于模型能力本身，還在于誰能夠以更低成本提供穩定的大規模推理能力。

湛江項目的落地，也為這一目標提供了重要的實踐場景。千卡級推理集群不僅能夠滿足當前AI應用需求，同時也為更大規模算力系統提供技術部署平臺。

在典型架構下，一個千卡級集群通常由多級擴展結構組成：從單節點8卡、32卡，到64卡甚至百卡級超節點，再到跨節點的大規模集群。通過這一規模系統的實際運行，可以充分驗證卡間互聯、節點通信和負載均衡等關鍵技術，為未來更大規模AI算力系統建設積累經驗。
隨著大模型逐步進入產業應用階段，AI基礎設施的發展邏輯也正在發生變化——從單純追求算力規模，轉向更加注重效率與成本。

在業內看來，推理算力將成為決定AI應用規模化落地的關鍵基礎設施。誰能夠以更高效率、更低成本提供穩定的大規模推理能力，誰就有機會在新一輪人工智能產業競爭中占據先機。

此次湛江AI推理千卡集群的建設，不僅為當地產業數字化轉型提供了重要算力底座，也為國產模型與國產芯片協同發展提供了實踐場景。在“國模”與“國芯”的深度協同下，AI基礎設施正逐步從技術探索走向規模化應用，為人工智能產業的下一階段發展打開新的空間。
?