10月31日，在2026人工智能+大会（2026 GAI+C）开幕式上，趋境科技联合智谱与摩尔线程，正式发布“国产异构推理高品质AI Token工厂解决方案”。三方分别代表推理加速、大模型与芯片三个环节，试图用一套系统工程方案，把国产模型与国产芯片真正接起来、跑起来，并跑出可规模复制的商业模式。
三方分工：模型、推理、芯片各补一环
这套方案的分工很清晰：智谱提供头部大模型能力，摩尔线程提供芯片底座，趋境科技则负责中间最难的一环——推理加速。按照发布方的说法，方案率先打通了“模型-推理-芯片”的产业闭环，在同等硬件投入下实现有效产出的成倍提升，并大幅降低综合成本。
这个分工对应的是北京正在布局的“京模、京推、京芯”协同格局：以国内头部芯片公司构筑“京芯”底层硬件，以国内头部大模型打造“京模”算法大脑，再由国内头部推理加速企业实现“京推”提效。趋境科技的定位，正是补上从“芯”到“模”之间的工程鸿沟。
核心技术：让不同算力各干各擅长的事
大模型推理主要经历两个环节：快速解析上下文的Prefill（预填充）阶段，以及逐字输出生成的Decode（解码）阶段。两者的负载特征截然不同，传统方案多由同类硬件贯穿始终，往往难以兼顾两端，既容易造成局部性能闲置，也会推高综合部署成本。
趋境科技的解法是其首创的全系统异构协同推理技术：把集群中的CPU、GPU、内存与高速网络整体纳入推理调度，让计算能力强的算力承载高计算密度的Prefill阶段，让显存带宽大的算力负责Decode阶段。发布方称，方案在确保模型精度全链路无损、实施精细化跨卡协同组网、构筑毫秒级无损容错机制的基础上，打破了单一芯片的性能瓶颈与异构协同的工程壁垒。
支撑这套做法的，是三项底层技术：Prefill-Decode（PD）异构协同、高性能异构KV Cache转换，以及异构计算融合。趋境科技将其概括为“少模型、深优化、高品质”：把系统工程能力聚焦于少数高生产力模型，围绕模型适配、推理执行、KV Cache管理、资源编排与服务运维做全链路深优化，最终以单位资源的有效Token产出和有效生产时间检验成效。
落地进展：万亿参数模型已在生产环境运行
与许多停留在演示阶段的方案不同，发布方强调这套国产异构PD方案已在生产环境全面投入使用，稳定承载万亿参数超大模型，并持续承接高并发真实业务流量。趋境科技方面称，采用该方案后，国产普通算力已可在企业核心生产环节落地，整体产出性价比已超越国际先进算力。
在产能布局上，北京等地已建成多个高品质AI Token工厂，其中一个数千卡规模的异构集群平稳上量，稳定支撑着某大模型日均万亿级的高品质交付。同时，公司正参与筹建两个万卡级异构集群，建成后将具备每日数十万亿高品质AI Token的供给能力。公司还表示，过去半年整体业务已跨过盈亏平衡线，日均产量半年内增长超十倍；日前公司以单笔超13亿元完成B轮融资，年内累计融资额达24亿元。
背景分析：推理时代，瓶颈从“有没有卡”转向“用不用得起”
这场发布的背景，是人工智能产业正加速迈入“推理驱动”的新周期。随着多模态与智能体技术快速演进，推理算力需求呈指数级增长，而底层硬件供给与显存带宽的瓶颈日益显现。先进算力贵且供给受限，普通算力又受制于显存带宽，如何在保证Token品质与稳定供给的前提下把成本降下来，成为全行业必须回答的算术题。
在同一场大会上，中国工程院院士、清华大学教授郑纬民也直指国产算力的核心痛点：制约国产芯片发展的并非硬件本身，而是软件生态，不同芯片之间的适配成本拖了后腿。趋境科技的异构协同方案，可以看作对这一判断的产业回应：不等待单一芯片追平对手，而是先用系统工程把手头多元、异构的算力组织成可交付的生产力。
趋境科技创始人兼CEO艾智远表示，大模型迈向商业闭环，算力成本是绕不开的第一道坎；产业突围的关键在于攻坚底层系统工程，将算力储备转化为用得起、跑得稳的确定性生产力。
影响与展望：Token工厂能否成为国产算力的商业闭环
“Token工厂”这个提法本身值得注意。它把推理服务从一次性的技术交付，变成可计量、可复制、可定价的产能：单位资源产出多少有效Token、单日交付多少Token，成为衡量方案成色的硬指标。如果这套模式能够在多地复制推广，国产算力的竞争逻辑将从“单卡性能对标”转向“系统交付能力对标”。
但也需要保持一份冷静：本次发布披露的关键数字——产出性价比、交付规模、产量增速——目前均为发布方口径，尚未经过独立第三方评测验证。数千卡与万卡级集群的真实利用率、复杂任务下的稳定性，以及在更多模型与业务场景中的泛化能力，仍需后续生产数据检验。
更长远看，这套方案的真正考验在于生态：能否吸引更多模型厂商与芯片厂商接入同一套异构协同体系，能否把交付标准沉淀为可复制的方法论。Token工厂能不能从一家公司的交付能力，变成整个国产AI生态的基础设施，是接下来最值得跟踪的问题。