从大语言模型快速迭代，到AI Agent逐步走向实际应用，再到多智能体协作和工具调用场景不断丰富，人工智能正在从单纯的内容生成迈向更复杂的任务执行。随之增长的，不仅是模型训练对算力的需求，还有推理服务、Token生成与高并发应用带来的持续计算压力。

闯小明指出，AI应用形态的变化正在推动计算基础设施发生深刻转变。随着推理需求持续增长，算力架构需要更加关注特定AI任务的计算效率、能耗表现和系统扩展能力，AI计算芯片也呈现出从通用计算向专用计算发展的趋势。

回顾计算技术的发展历程，这一演进并非首次出现。在图形图像、加密货币等领域，计算架构都曾经历从通用处理器向专用加速芯片发展的过程。随着人工智能成为重要的计算负载，面向AI任务进行架构优化的专用芯片，也正在成为AI基础设施的重要发展方向。

在专用AI芯片领域，TPU是闯小明重点介绍的技术方向。与面向多种并行计算任务设计的GPU不同，TPU更加侧重神经网络计算及矩阵运算等AI工作负载，通过面向特定计算模式进行架构设计，优化计算单元、数据传输和控制机制，以提升AI任务的执行效率。

闯小明认为，随着大模型推理和Token经济的发展，算力需求正在变得更加多元。除了传统的通用计算能力，产业还需要面向高并发推理、规模化部署和特定AI任务进行优化的计算方案。专用芯片可以通过针对性架构设计，在性能、功耗及系统效率之间探索更优平衡。

与此同时，AI算力的竞争也不再局限于单颗芯片。芯片架构、片间互联、服务器系统、集群调度和软件生态共同决定了算力基础设施的整体表现。只有将芯片能力与系统工程相结合，才能更好地满足大规模AI应用对算力、扩展性和部署效率的综合要求。

在介绍行业趋势之后，闯小明分享了中昊芯英在国产TPU领域的研发与产业化实践。据其介绍，中昊芯英团队于2018年组建，核心研发人员拥有高性能CPU、GPU及TPU相关研发经验。公司围绕云端高性能AI计算需求，持续推进自主研发的TPU芯片及配套计算系统建设，探索从芯片架构到算力集群的技术路径。

闯小明重点介绍了公司新一代TPU AI专用算力芯片“须臾”及配套的“泰则”计算系统。“须臾”面向大模型训练与推理等计算场景，在芯片算力、功耗控制和片间互联等方面进行优化；配套系统则通过多芯片互联、集群扩展与算力调度，支撑规模化AI计算任务。其中，“须臾”单芯片混合精度浮点算力可达896 TFLOPS，8-bit推理算力可达1792 TOPS；配套系统面向大规模计算场景，最高可支持2048片芯片互联。相关设计旨在提升大模型推理和多智能体协同等场景下的算力供给能力。

从芯片研发到服务器与计算集群建设，国产AI算力基础设施需要突破的不只是单一硬件环节，还包括片间互联、系统软件、开发工具兼容和集群运维等多方面挑战。闯小明的分享展示了以自主研发芯片为核心、向系统级算力平台延伸的探索思路，也体现出国产AI芯片产业从技术研发走向实际交付的重要进展。

作为一场聚焦AI与安全的行业大会，算力基础设施的安全与可信同样是演讲的重要落点。随着人工智能能力持续增强，AI系统的安全不应只依赖模型应用层的防护措施，还需要关注底层计算硬件、系统软件和基础设施的整体可靠性。算力底座不仅影响模型运行效率，也关系到系统的自主可控能力、运行稳定性与安全保障水平。

闯小明强调，AI能力持续迭代，安全防线需要前置到底层硬件。通过推进核心芯片技术自主研发，增强关键计算架构和配套系统的自主可控能力，能够为人工智能应用构建更加稳固的基础设施支撑。当然，可信智能并非单靠芯片自主研发即可实现。硬件、软件、模型、应用和运行管理需要协同发力，共同构建覆盖不同层级的安全保障体系。算力底座的自主可控，是推动AI安全可信发展的重要基础，也需要与上层应用安全和系统治理机制相结合。

从通用计算到专用AI芯片，从单颗芯片到大规模算力集群，人工智能的发展正在推动计算基础设施持续演进。国产TPU的探索，不仅关乎芯片性能与能效，也关乎核心技术自主研发、系统级工程能力以及AI基础设施的安全可信。

算力是智能时代的重要基础设施，可信则是人工智能持续发展的关键前提。 以架构创新提升计算效率，以自主研发夯实算力底座，并将安全能力贯穿基础设施建设与应用运行全过程，才能为人工智能的规模化应用和可信发展提供更加坚实的支撑。