5月29日，由21世纪卓越董事会（北京）主办的“智能重构——Token经济商业闭环与治理锚点”主题闭门研讨会在北京

　　围绕Token经济发展路径、AI产业落地与智能时代价值体系构建等议题，来自具身智能、算力基础设施、AI应用以及金融投资等领域的40余位企业与机构代表展开闭门交流。

　　作为与产业落地领域代表，天娱数科首席数据官吴邦毅参与圆桌讨论，并从算力使用方视角，分享了企业对于国产算力发展现状的观察与实践经验。

　　随着Token被国家数据局定义为“智能时代的价值锚点”，围绕算力、模型、数据和应用的价值链条正在重构。对于长期进行3D数据采集与空间智能模型训练的企业而言，算力与成本效率，已经成为影响商业化进程的现实变量。

　　吴邦毅介绍，在3D数据采集与空间智能模型训练过程中，长期消耗较大规模算力资源，对国产与进口两套技术体系均有直接使用经验。因此，企业对国产算力的发展阶段，有着更贴近一线的感知。

　　吴邦毅认为，国产算力近两年进步明显，尤其是在推理端提升较快，已经进入“相对可用”阶段。

　　“我们自己感受很明显，国产算力这两年提升比较大，但主要体现在推理层面。”他表示，以昇腾910卡、寒武纪370等为代表的国产芯片，在推理场景中的整体能力已经能够满足部分产业需求。

　　吴邦毅指出，训练场景对于集群规模、互联能力和并行效率要求更高，而国产训练集群能力与英伟达体系相比仍有明显差距。“在训练过程中，我们能明显感觉到，国产集群能力相对较弱。”

　　吴邦毅表示，目前国产算力生态整体已处于“能用”阶段，但与成熟生态相比仍有提升空间，其中最核心的问题集中在框架与算子适配。

　　当前产业广泛使用的PyTorch、TensorFlow等训练框架已经形成成熟开发体系，而国产生态仍需持续补齐底层能力。

　　“国产卡单卡采购价格比进口产品便宜约10%。”但在企业真实训练场景中，成本核算往往发生在集群层面。

　　由于调度效率与互联效率仍存在短板，国产算力在大规模训练中的综合成本并未同步下降。

　　“从集群维度看，实际使用成本反而可能高出20%至30%，出现成本倒挂。”他说。

　　在吴邦毅看来，集群训练受限、效率偏低以及成本倒挂，是当前国产训练算力在产业落地中的主要痛点。这也意味着，国产算力竞争已经不再只是芯片参数的竞争，更是进入系统工程与生态能力的比拼阶段。

　　吴邦毅介绍，公司已建设“天娱云枢”智算平台，通过整合自有算力与可调度算力资源，降低3D数据集与空间智能模型训练的整体成本。

　　在部署策略上，天娱数科采取的是差异化路径——推理端全面推进国产化，训练端则维持混合部署。

　　随着Token经济从技术概念逐步走向产业核心，算力已经不仅是模型运行的基础设施，也成为衡量商业效率与产业竞争力的重要指标。从吴邦毅的分享可以看到，国产算力已经迈过“有没有”的阶段，正在进入“能不能规模化、高效率支撑产业应用”的关键时期。

　　未来，生态补齐、训练效率提升以及成本结构优化，仍将决定国产算力能否进一步从“可用”走向“好用”。