2026年7月，上海。在世界人工智能大会（WAIC）的一场闭门论坛上，中国工程院院士郑纬民罕见地用了一组直白的判断来描述中国AI算力基础设施的现状：高端算力供不应求，中低端算力供过于求。

这种结构性矛盾，指向一个被反复讨论但始终未能解决的核心问题——当硬件层面的追赶受到先进制程限制时，软件生态的短板正在成为国产算力落地最大的障碍。

算力矛盾：高端缺货，低端闲置

郑纬民坦言，高端AI芯片的供不应求，直接源于美国对华出口管制。而在中低端市场，国产算力芯片的产能并不低，真正的问题是"软件生态不成熟，大量硬件资源难以被高效调动"。

这意味着，中国的算力困境并非简单的总量不足。一方面，训练大模型所需的高端GPU被卡脖子；另一方面，已经部署的大批国产中低端算力因缺乏成熟的软件栈，利用率远低于设计预期。

"在高端算力紧缺的当下，我们必须依靠自主可控的基础软件来盘活现有资源。"郑纬民说。他把这套软件系统称为"AI Harness"——一种能够真正驾驭大模型的工程能力。"有了这套系统，我们就能用更少的算力，完成更精准的任务。"

产学研：打破"发论文"与"做产品"的墙

在郑纬民看来，基础软件领域的突破无法仅靠高校或企业任何一方独立完成。高校拥有前沿技术的理论突破能力，但"往往不太清楚市场到底需要什么"；企业具备真实场景和工程化经验，但缺乏底层技术的原创能力。

2021年，郑纬民团队与海致科技共同成立了高性能图计算院士专家工作站，试图建立一种长周期的协同机制。在他看来，产学研融合的核心不是项目制合作，而是彻底打破发论文与做产品之间的壁垒。

这一机制在2023年有了阶段性成果——国产分布式图数据库AtlasGraph问世，并在性能测试中打破了世界纪录。在郑纬民看来，这标志着从底层基础软件到上层AI应用的自主可控迈出了关键一步。

图模融合

大模型在金融、医疗等严肃场景落地时，概率性错误始终是一道难以逾越的门槛。郑纬民用了一个通俗的比喻：大模型本质上是"猜天气"，大概率正确，但难免出错。在金融交易或医疗诊断中，这种错误可能是致命的。

他提出的解决方案是图模融合——将大模型与知识图谱等确定性技术结合，利用图结构确保数据的绝对正确性，利用大模型处理模糊或非结构化的内容。他称之为左右脑协同：右脑负责创造性、概率性的生成，左脑负责确定性、逻辑性的校验。

"在可控场景下，这种架构可以接近100%的事实一致性。"郑纬民说。这不是对大模型的否定，而是对其能力边界的清醒认知——在需要绝对准确的场景中，纯概率输出不可信，必须引入确定性的约束机制。

Token成为新石油

郑纬民提出了一个判断：人工智能基础设施正在从MaaS（Model as a Service）向TaaS（Token as a Service）演进。过去，行业的竞争焦点是谁的模型更强；未来，竞争将转向谁能更高效地生成、组织和利用Token。

这一判断基于一个不容忽视的数据。中国Token消耗量在两年内增长了近千倍。但现有的基础设施体系并未做好承接这种爆发式增长的准备。TaaS的落地需要同时解决两个问题：一是提升大模型推理全链路的资源利用效率，搭建面向Token生成的新型计算基础设施；二是打通Token服务底座、垂直行业知识库与业务流程，形成从算力单元到可落地、可调度智能执行能力的完整闭环。

郑纬民指出，这一趋势下，海致科技与趋境科技正在探索计算优化与知识融合两个方向：前者通过架构优化提升推理效率，后者依托图数据库和知识治理技术将企业数据转化为知识资产。

最短的那块木板是生态自立

郑纬民将主权AI的实现路径概括为三大支柱：算力自主、算法自强、生态自立。在他看来，当前最短的那块木板是"生态自立"。

"算力自主是物理底座，算法自强是核心引擎，但生态自立决定了这套体系能否真正落地生根。"他说。国产芯片要从"能跑"跨越到"愿意用"，关键在于提供成熟的"全栈国产化解决方案"——只有在真实、复杂的产业场景中跑起来，生态才能形成自循环。

这意味着，国产算力的竞争不再是单一芯片的性能比拼，而是"国产算力底座+顶尖产业AI落地能力"的组合竞争力。郑纬民强调，必须理清从技术方到最终用户的需求链条，"以底层技术为基础，追求极致的性价比和效率"。

面对先进芯片制程受限的现实，郑纬民认为国内算力产业必须从算法效率层面寻求突破，"以更少Token支撑高质量业务推理，依托软件算法的软实力弥补硬件算力的硬差距"。

在这一思路下，图计算被赋予了特殊的战略角色。海致科技自主研发的分布式图数据库AtlasGraph，以图计算引擎为核心，解决海量关联关系数据的内存高效存储与复杂运算问题。在社交网络溯源、涉案人员关系追踪等多跳关联查询场景中，传统数据架构普遍面临内存容量不足、磁盘IO延迟过高的瓶颈，而AtlasGraph通过精细化内存调度机制与原生全内存高速计算引擎，显著降低了磁盘读写开销。

更具现实意义的是，这套架构可以直接服务于大模型的落地优化。一方面，图结构化的数据治理能够极速挖掘海量数据的深层关联关系，从根本上减少大模型的事实幻觉；另一方面，在智能体（Agent）的复杂推理场景中，通过精准子图检索压缩冗余上下文，可以有效削减多轮迭代中的无效工具调用与多余Token消耗。