作者｜Cynthia
编辑｜郑玄
9 月 22 日的 2026 杭州云栖大会，平头哥少见地被完整推到了主论坛台前。
当天上午，吴泳铭完成主旨演讲后，千问大模型、多模态模型负责人依次登场，随后就是平头哥副总裁高慧。她的演讲题目是「Agentic 时代卓越算力基石」。
平头哥带来的产品，则从一颗最新得真武 V900 芯片，一直延伸到 ICN Switch 互联芯片、磐脉智能网卡、镇岳 SSD 主控、倚天 CPU 路线图，以及下一步的算、存、网全栈协同的超节点服务器。
发布「产品全家桶」地背后，是 Agentic 时代的负载变化：算力需求已经从训练为主进一步走向推理增长，应用从单轮请求变成连续的多步任务， 硬件的竞争也从一颗芯片的指标扩展到整个计算系统的协同。
01真武V900，平头哥最新一代AI训推芯片
这次发布里，平头哥新一代训推一体 AI 芯片真武 V900 仍然是分量最重的产品。
这颗芯片搭载 216GB 显存，片间互联带宽达到 1200GB/s，单芯片性能是上一代真武 M890 的 3 倍， 是目前中国算力性能最强的 AI 芯片。精度上， 该芯片原生支持 FP8 和 FP4，可覆盖高精度训练以及低精度、超低精度推理。
按照平头哥公布的计划，V900 将在 2027 年第一季度进入量产销售。此后，2028 年 Q3，真武 J900 也将正式推出。
而此时，离上一代真武发布，其实只过去了几个月。2026 年 5 月，平头哥 M890 首次亮相。这颗芯片拥有 144GB 显存和 800GB/s 片间互联带宽，性能达到上一代 810E 的 3 倍，并支持从 FP32 到 FP4 的多种数据精度。到了 V900，性能再次提升 3 倍，显存从 144GB 增加到 216GB，互联带宽也从 800GB/s 提高到 1200GB/s。
再向前看一代，2024 年的真武 810E 也已经从早期的单一推理芯片走向训推一体，采用自研并行计算架构和互联技术，并配套 SAIL 软件栈。
810E、M890、V900 连续三代产品里，平头哥一直在同时提高训练、推理、显存和低精度计算等核心能力。
而背后的关键词，则始终围绕 AI 时代工作负载的变化。
举个简单的例子，模型进入万亿参数以后，MoE 几乎成为了默认的架构选择。
如果一个几万亿参数的模型每次推理都让全部参数参与计算，算力消耗和推理成本都会迅速上升。因此，MoE 会把模型拆成大量专家，每个 Token 只调用其中一部分，在继续扩大模型容量的同时，把一次实际参与计算的参数量压下来。
这种架构缓解了计算量，却同时把硬件压力推向了三个方向。
首先是算力。
MoE 减少了每次参与计算的参数量，但每个子专家的参数量仍在几十万级别，Token 也依然要在很短时间内完成大量矩阵运算；进入训练阶段以后，还有反向传播、梯度更新等更重的计算。大模型参数扩张后，AI 芯片的计算性能必须同步增加。这也是平头哥过去几代真武芯片一直在提升的能力
算力之外，模型进入万亿参数规模后，显存也会成为新的重点。
单颗 M890 有 144GB 显存，真武 V900 则进一步提升至 216GB。如此一来，只需 10 多张真武 V900，即可部署一个万亿规模的大模型。
据悉，基于真武 M890 的超节点已大规模应用，并跑通了 Qwen3.8、Kimi K3 等超 2 万亿参数规模模型，让数万亿参数模型的专家并行尽量在一个超节点内部完成。
但只有算力与显存还不够， 面对数万亿参数规模的模型，任何一颗单芯片的显存容量都显然不够。因此，模型在部署实际时，必须拆到很多颗芯片上，然后 芯片之间就会不断交换数据。
于是，推理由此变成计算与数据交换不断交替的过程：一颗芯片算完自己的子专家部分，数据马上就要交给另一颗芯片上的子专家；专家完成计算，结果还要再次汇总。模型被拆到几十、上百张卡以后，芯片之间交换数据的速度，会直接影响整个模型能跑多快。
所以对于 Qwen3.8、Kimi K3 这样的万亿参数规模模型，几十上百张 AI 芯片只解决了模型「装得下」的问题。它们之间的通信速度，才真正决定了这些专家能不能高效地一起工作。
这也是平头哥这几年持续发力互联能力的原因。
今年 5 月，平头哥互联芯片 ICN Switch 首次亮相，成为了阿里超节点形态算力的核心芯片之一。
据介绍，真武 V900 通过自研 ICN Switch 互联芯片连接后的超节点，具备原生内存语义和内存统一编址能力，可实现千卡全带宽高速互联。这意味着上千颗真武 V900 能像一颗「超级芯片」一样协同工作，为超大参数模型的训练和推理提供高吞吐、低延迟、高并发的算力。
伴随算力与显存、互联的增强，真武系列的客户半径也同步不断增长。
其中，在具身智能领域，众擎机器人基于真武搭建了千卡具身智能训练平台，覆盖模型训练、数据处理等环节，端到端训练效率提升 34%，已有 30 多个模型可以免适配直接跑通。对需要持续处理 3D 动作迁移、数据标注和大规模训练的人形机器人研发来说，真武已经开始进入核心训练流程。
汽车场景里，小鹏则把真武用于自动驾驶、智能座舱和企业大模型等多类 AI 业务。根据现场披露的数据，真武整机性能相比其对比的业界主流 GPU 提升 70%，集群故障数量减少 50%；同时通过替换过去多种不同卡型，实现了把部分分散的算力资源纳入统一资源池的集中管理。
截至目前，真武系列已经服务超过 650 家企业客户，覆盖智驾、金融、大模型、具身智能、能源、制造等行业。
02从一颗芯片到算存网全栈协同
在 V900 和新一代 ICN Switch 之外， 平头哥这次还把磐脉智能网卡、镇岳 SSD 主控以及倚天 CPU 放进了同一张产品图里。
其中，真武承担 AI 计算，ICN Switch 负责 AI 芯片之间的高速互联，磐脉进入服务器与数据中心网络，镇岳负责 SSD 控制，倚天则处理通用计算。
这其中，服务器 CPU 倚天是个关键点。
在传统 AI 训练里，主要计算集中在加速器，CPU 更多承担数据准备、请求处理和调度。
但在 Agent 的情况截然相反。高慧现场举了一个行业研究的例子。一个 Agent 如果要完成一份报告，需要搜索资料、读取文档、运行代码验证、保存中间状态，再把多路结果汇总。模型推理只是整个任务链的一部分，其他环节都会持续占用 CPU。
今年 Computex 上，Intel 也曾给过一组公开测算：在前沿模型训练里，一颗 CPU 大约可以搭配 8 颗 GPU；到了 Agentic AI 负载，CPU 密度已经向 1:1 甚至更高变化。
也是因此，在云栖大会现场公布的倚天路线图中我们可以发现，它的发展趋势， 正从 AI 芯片一侧的自研能力，不断继续向整机中的一环深入 ：具体来说，平头哥将在 2027 年推出倚天 720 和 730，其中倚天 720，190 核，12 通道 GDI，96LanePCIe，面向吞吐并发型场景；倚天 730 则将成为第一代自研高性能核，支持两路同步，多线程，128LanePCIe，单核性能跑分最高可以达到上一代的 1.4 倍，面向延迟敏感型的场景，为 AI Head Node 提供确定性的单核性能。未来还将继续推出基于第二代自研核心的倚天 750，，这颗芯片原可以和真武 AI 芯片通过同一套高速互联体系交换数据，降低 CPU 与 AI 芯片之间的数据交换开销。
云栖大会现场 ，平头哥的智能网卡和存储主控也悉数亮相。
其中，磐脉智能网卡负责把服务器接入数据中心网络，镇岳 SSD 主控处理本地存储。对于大模型训练和推理来说，模型、训练数据、Checkpoint 和中间结果都需要在存储、服务器和集群之间持续流动，计算单元之外的吞吐也会影响整体利用率。
硬件组合完成后，还要解决软件的配套问题。
模型里的注意力、MoE、矩阵乘等计算，最后都要变成芯片能够执行的算子。而同一个算子，数据怎么排布、使用什么精度、怎样调用片上内存、怎么编译，执行效率可能差很多。
以 Kimi K3 适配真武 M890 的过程为例。
基于 64 张 M890，Kimi K3 发布后，阿里云、平头哥和 Kimi 团队并没有停在模型已经适配真武这一步，而是继续调整软件栈和核心算子。 最终实现首 Token 时延下降约 35%，单卡解码吞吐提升 1.8 倍。
今年 7 月，平头哥开放的 SAIL 软件栈在其中起到了关键性作用。在软件层面，它能够覆盖操作系统、SDK 和接口层，同时提供驱动、性能分析和调试工具，从而保证一颗新芯片做出来以后，原来运行在其他硬件上的模型和框架，可以尽快迁过去。
当前，SAIL 已经支撑了 python、TensorFlow、vLLM、SGLang 等 260 多个主流训练和推理框架。 在 Github 上，15218 个超过 1 亿 star 的主流 AI 仓库中，SAIL 软件栈已经覆盖了超过 96%，vLLM、SGLang 这些主流的推理框架从上游开源新版本到 SAIL 完成全量的适配，平均时间不超过 1 周。
再往上，是云平台。等模型的用卡需求从几十张卡走向更大的集群，软件面对的问题还会再变一层。
阿里拥有模型、芯片、推理平台和云的完整链条，可以针对模型实现从芯片到云平台层面的全链路优化 ，显著提升推理效率、大幅降低推理成本。例如，通过算子优化和软硬件架构协同，阿里云灵骏真武超节点实例在 Agentic 推理场景中最多可实现 1.5 倍的推理性能提升。
到了这一步，一颗 AI 芯片才真正变成云上的算力。
03面向10倍算力中心，
阿里芯片、模型和云协同优势进一步放大
吴泳铭当天的演讲里， 把机器智能时代的基础设施归结为三个部分：AI 模型、AI 芯片和 AI 云。
随后他给出的几组数字：
一边是模型。 千问计划继续训练 5 万亿到 10 万亿参数规模的新模型。
另一边是云。吴泳铭表示，当前客户 AI 需求依然非常强劲，中长期需求远超供给能力；阿里将继续投入 AI 基础设施建设， 到 2032 年，阿里云运营的全球数据中心规模目标超过 20GW。 这延续了阿里过去一年持续加码算力的方向。
而当算力建设走到这个规模以后，自研芯片对阿里的意义也会发生变化。
它不再只是一项证明技术能力的芯片业务。几十万张加速卡进入同一个云计算体系，需要长期面对供给、成本、功耗、服务器设计、网络扩展、模型适配和软件效率。 对芯片、服务器、超节点、网络、模型和推理系统进行联合调优，提高的是整个 AI 集群的 Token 产能和效率。
但反过来从另一个角度出发来看，整个阿里体系的资源与认知，也在反哺平头哥的能力迭代。
如果回顾过去几年的行业发展，不难发现，在 AI 时代，芯片行业迎来爆发的同时，也面临着一个天然的难题： 硬件与软件之间的发展代差。
一颗复杂 AI 芯片，从架构定义、RTL 设计、验证到流片，往往是以年为单位推进的工程。EDA 巨头 Synopsys 披露过一个 AI 加速器案例，18 个月完成流片已经被当作极快的开发速度；同类项目传统上可能需要 3 到 4 年。流片之后，还要经过硅后验证、封装、良率爬坡和量产准备。
但过去三年，AI 模型从参数量到模型架构已经换了几轮技术路线。
2023 年，Qwen 公开的最大模型还是 72B 规模的 Dense Transformer，硬件面对的是一套相对直接的矩阵计算；2024 年 3 月，Qwen 推出首个 MoE 模型 Qwen1.5-MoE，压力分散到显存、专家路由和跨卡通信；到 2025 年的 Qwen3，Dense 和 MoE 已经同时存在于一代模型里；2026 年的 Qwen3.8-Max 则把 Sparse MoE 继续推到 2.4 万亿总参数，每次只激活 950 亿参数，长上下文和推理模型又改变了单次请求持续的时间和内存占用方式。
应用侧变化也在改变我们对硬件的需求结构。 最初的大模型应用以 Chat 为中心：用户输入一句话，模型返回一段文本，绝大部分重计算都留在模型内部，GPU 和内存是唯二的主角。随后，模型开始调用搜索、代码解释器、数据库和各种 API，Agent 成为新的主流，模型开始把一部分工作交给外部工具，CPU、网络的重要性被摆上台面。
也就是说， 一颗今天立项的芯片真正大规模投入使用时，它服务的模型与应用很可能已经不是立项时最主流的那一类 ，一旦等 MoE 已经成为主流，再决定要不要加强互联；等 Agent 已经大量进入生产环境，再重新考虑 CPU 和 AI 芯片之间的关系，时间往往已经不够了。
硬件必须能提前几年判断模型的走向，这也是阿里体系做芯片时一个很特殊的优势：
平头哥左手是持续变化的千问模型与 Agent 家族，右手是相对稳定的电商、支付、地图、办公和开发者场景，向下是真实运行这些模型的阿里云。内外部视野结合，有时候变化的苗头刚出现，机会就已经比公开市场需求更早进入芯片和系统团队的视野。
而这种多看见的一点未来，本身就是硬件能力的一部分。
*头图来源：2026 杭州云栖大会
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
