摘要：火星情报局...

兰戈

华大智造：已构建“数据入口—执行基座—智能闭环”，纳米孔测序直测优势赋能mRNA 疫苗产业_我的网站

超级战舰

一 | 出品 | 虎嗅科技组作者 | 梁卡尔编辑 | 苗正卿头图 | 虎嗅拍摄这是虎嗅WAIC“追踪Token商业新范式”系列文章第【20】期。聚光灯下，国产AI芯片的竞争正在变“重”。　　8月24日，深圳华大智造科技股份有限公司（以下简称“华大智造”，股票代码：688114）召开中期业绩交流会，就AI贯穿三大业务线的落地场景、时空组学前沿领域应用等进行深入解读。漫步在今年世界人工智能大会（以下简称“WAIC”）的芯片算力展区，会发现往年厂商们引以为傲、精心陈列在橱窗里的单片硅晶圆变少了，取而代之的是看上去“重达数百公斤、塞满核心器件的巨型算力柜”。管理层表示，AI驱动下，公司已构建起“数据入口—执行基座—智能闭环”的三层架构。子公司涌生智能ProtoPilot自进化多智能体系统，已经服务于蛋白质与酶设计、血液前处理与PBMC分离等AI4S生命科学场景。

二 | 与此同时，年初两项并购的协同价值加速兑现，时空组学持续落地生命大模型、脑科学、病理研究与AI药物发现等前沿领域，纳米孔测序依托RNA直测优势加速赋能相关研发与业务拓展。　　根据华大智造投资者关系活动记录表披露的内容，公司管理层在会上释放了人工智能从辅助工具升级为贯穿三大业务线核心驱动力、行业结构性升级机遇凸显等信号，以下为纪要中披露的核心内容：　　问：过去几年，公司在AI应用上持续布局，现阶段AI已落地应用于哪些业务板块，具体赋能方向或场景有哪些？　　答：公司于2025年下半年，将原有三大业务线全面升级为全读长测序（SEQALL）、智能自动化（GLI）和多组学（OMICS），人工智能已从辅助工具升级为贯穿三大业务线的核心驱动力。其中拿出硬核实力的是华为，这家公司首次在线下展出的昇腾Atlas 950超节点真机，一个旨在将1024张芯片死死绑定在一起的系统级庞然大物。

三 | 按华为的官方资料，该产品基于灵衢互联协议和超节点架构，支持1024卡规模，拥有256TB全局统一内存编址空间，并提供1 EFLOPS FP8、2 EFLOPS FP4算力。如果记不住这些参数，那么只需要记住一个变化，也就是国产AI算力竞争重心正在发生变化。在全读长测序领域，公司已将AI全面应用于测序酶筛选、性能提升等核心环节，G10-FR融合生成式AI与自发光生化技术，实现最快2小时闪速测序，达到行业领先水平；2025年发布的T1+测序仪内置生信计算模块，支持自动化高级分析；2026年上半年全新发布的CycloneSEQ-S1测序芯片应用了公司最新的AI算法，实现测序准确度与芯片通量的双重跃升，并支持长读长及直接甲基化测序；此外，公司与Google联合发布了基于DNBSEQ数据训练的AI变异检测模型，最高可降低73%的假阳性率，准确度达到世界领先水平。　　在智能自动化领域，公司构建了“AI大脑+智能四肢”的完整体系：已发布PrimeGen干湿协同多智能体系统以大语言模型为中枢，将从引物设计到实验执行的全流程转化为标准化自动方案；αLabStudio平台通过数字孪生实现异构设备的原子级精准控制与智能排产；在PrepALL液体处理平台、Smart8移液机器人等自动化设备方面，深度融合精密控制与AI视觉算法，助力用户在实验及文库构建环节实现提质增效；GLI业务板块已落地香港浸会大学智惠实验室、北京脑科学与类脑研究所全自动无人化黑灯实验室等标杆项目，高通量酶筛选平台的筛选成功率较传统方法提升3倍。　　在多组学领域，AI 已广泛应用于单细胞、时空组学及影像诊断等方向：DNBelab C 为全球首个全流程无人值守单细胞文库制备平台，推动单细胞测序走向规模化与标准化；FluoXpert Vision 图像分析平台集成大模型，支持以自然语言指令处理病理统计数据，加速病理 AI 落地；掌上超声诊断仪内嵌AI 辅助诊断系统，可自动识别病灶。从拼单卡参数走向拼系统交付。

四 | 2026 年上半年，公司多组学业务板块收入同比增44.91%，除科研需求增加外，另一核心驱动力在于AI 大模型对多组学数据解析的依赖日益加深，模型训练与迭代对高质量数据的刚性需求，正持续向上游传导，带动单细胞测序、时空组学等数据采集平台的规模化部署。面对先进制程受限、高端HBM断供以及CUDA生态壁垒等一连串硬件短板，中国AI芯片厂商正试图通过超大带宽、低时延互连以及全域调度，将无数个“不完美”的单卡，拼凑成一个“相对完美”的“巨型计算机”。

五 | 　　为进一步加速人工智能部署，公司于2026年上半年设立全资子公司涌生智能，其联合上海人工智能实验室发布的ProtoPilot自进化多智能体系统，首次打通从自然语言实验需求到湿实验物理执行的全链路干湿闭环，将“生命科学实验室的PhysicalAI”概念真正落地，覆盖方案理解与设计、Protocol/SOP生成、智能排产与多设备协同、自动化代码生成、视觉识别与质量控制、实验数据回流及策略迭代等能力，推动实验流程从单点自动化向方案设计、设备执行与结果反馈贯通的闭环升级。这一能力不仅服务于测序场景，也在AI4S生命科学场景中广泛延伸，目前已赋能蛋白质与酶设计、定向进化、血液前处理与PBMC分离、植物基因编辑、质谱方法开发等流程，并向运动医学、精准健康、海洋生物智造等新兴领域拓展，推动生命科学实验室从经验驱动迈向数据驱动、智能决策与持续优化演进。　　整体而言，公司已构建起“数据入口—执行基座—智能闭环”的三层架构：全读长测序与多组学是数据入口，智能自动化是执行基座，涌生智能是智能闭环的最终落脚点，三层架构协同以产生更多数据从而反哺实验智能化，并以实验智能化进一步带动自动化业务发展，形成正向飞轮。

六 | 越来越多厂商开始强调这种新趋势。未来，涌生智能也将成为公司面向人工智能战略布局的重要方向。

七 | 系统级突围不是抹平单卡差距，是一种向现实妥协的突围，但它绝不是一条捷径。　　问：公司收购深圳三箭齐发、杭州序风两家子公司后，目前双方业务落地进展如何？相关业务协同效应已在业绩端形成哪些实际贡献？　　答：深圳三箭齐发在时空组学领域具备领先的技术能力，其时空组学（Stereo-seq）技术在分辨率与视场方面处于国际前列；主营的时空试剂盒与公司测序仪深度绑定，试剂盒收入与测序产品收入的带动比例约为3：1，协同效应显著。当竞争从微观的芯片设计蔓延至宏观的系统工程，面对复杂的网络互连、艰难的模型迁移，以及数据中心那不堪重负的散热与功耗，厂商们眼前的是一笔更难算清的账目。2026年以来，时空组学在多个前沿领域的应用需求持续涌现，主要体现在三个方面：一是生命大模型领域，已有多家机构利用时空组学的全组学能力开展生命大模型训练，包括与华南理工大学共建数基生命时空计算创新研究平台；二是脑科学领域，已与上海脑科学与类脑研究中心等单位形成标杆性合作案例；三是病理研究与AI药物发现领域，已与中山大学附属第六医院、中南大学芙蓉实验室等机构落地成功案例。为什么今年大家都在讲“超节点”？虎嗅和行业上下游十多位从业者交流发现，超节点热的直接原因，是模型和推理需求都变大了。

八 | 2026年下半年，深圳三箭齐发研发团队将进一步加大新产品开发力度，例如空间免疫组库技术、基于芯片的单细胞技术（Stereo-cell）等将陆续上市，持续助力公司在多组学领域的能力拓展。从需求端来看，模型变大的速度快过了单卡能力提升的速度。深圳三箭齐发本年度承担业绩承诺，公司将持续推进相关业务落地。随着模型参数向万亿级迈进，以及上下文窗口拉长至1兆以上，单个芯片的性能早已不堪重负。摩尔线程高级副总裁董龙飞将这种“超节点”技术生动地形容为“让256张GPU像一张卡一样工作”，实现跨卡显存的直接访问。　　杭州序风的纳米孔测序仪（CycloneSEQ系列）具有长读长、单分子测序、实时数据获取及原生DNA/RNA信息检测等技术特点。

九 | 科研领域可应用于复杂基因组denovo组装、结构变异解析、单倍型分型、全长转录组及表观遗传研究等；医学及临床转化领域则可应用于病原体快速检测、复杂遗传变异分析、家系及胚胎遗传分析以及现场移动监测等场景。图片来源：摩尔线程华为昇腾950所强调的统一内存编址与全域调度，本质上也是在解决同一个痛点，就是在单卡能力触及天花板时，必须靠“人多力量大”来拼凑出更大的算力空间。更具戏剧性的是，智能体让推理算力的消耗方式变了。其长读长能够跨越重复序列、复杂结构区域及多个遗传变异位点，与短读长测序平台在通量、准确率和复杂区域解析能力方面形成互补。

十 | 自并入华大智造以来，“短读长+长读长”的协同效应已在多个领域形成成功案例：在科研领域，围绕基因组、转录组、表观组等方向，与北京大学、复旦大学等国内高校在人群队列、动植物与农业研究中展开合作；在临床领域，CycloneSEQ在病原监测方向优势显著，2026年上半年已落地与圣庭医疗的合作，其为CycloneSEQ纳米孔测序国内首家OEM合作商，此外，纳米孔测序在RNA直接测序方面具备天然优势，可有效应用于疫苗厂商mRNA序列质检，目前该领域已有成功案例，杭州序风正持续推进相关领域的研发与业务拓展；在服务商领域，已与贝瑞基因、爱基百客等国内多家合作伙伴开展落地。责任编辑：孙同怀。

十一 | 摩尔线程创始人、董事长兼CEO张建中指出，算力消耗的主体正在从人类转向AI自身，“已经不是我们在用AI，是我们的Agent在用AI”。当Agent开始替人调用模型，Token消耗量呈指数级增长。一位百度云的工作人员在现场向虎嗅印证了这一趋势。相比训练，目前国产算力在应用端的推理需求正占据绝对主导。这也解释了为什么万卡集群会和Agent推理放在同一套故事里，因为它们都指向算力需求从单次请求转向高并发、长上下文和多模型协同。然而，在这场由万卡和超节点堆砌的“繁荣”背后，有多少是真实的市场需求，有多少是展会上的“军备竞赛”？在业内人士眼中，万卡集群不仅是一个技术指标，更是一张证明自身出货与交付能力的“商业名片”。一位昆仑芯展台的工作人员告诉虎嗅，服务头部客户必须具备万卡级集群能力。但这种狂热下也有人在理性反思，海光信息的工作人员表示，万卡绝不是百卡系统的简单放大，当规模跨过临界点，系统的稳定性、网络拓扑、功耗和散热挑战将面临指数级飙升。一位芯片架构师告诉虎嗅，公司目前支持的是千卡级扩展，但大部分实际商用场景在8卡或16卡规模下已绰绰有余。所以，能拿出万卡方案的厂商很多，但真正能落地的有待检验。一位芯片公司参展商工作人员对虎嗅说，“你要问问看这些卡是不是真的被用起来了”。系统级突围的第一道墙然而，要将成百上千张芯片绑成一个“超节点”，厂商们撞上的第一道墙，是严苛的物理学定律。超节点的前提是通信速度。为了让数百张GPU像“交响乐队一样协同”，摩尔线程和华为等中国厂商不得不各自开发了MTLink和灵衢等互连协议。华为工作人员告诉虎嗅，灵衢本质上是试图在服务器内部和服务器之间建立更可控的数据通路，并推动CPU、网卡和存储等部件都接入同一生态。但无论是互连协议，还是更高层的调度架构，都无法绕开底层传输介质的物理边界。铜互连的物理边界很具体，当铜缆距离超过约三米后，信号衰减会明显加剧，所以为了保证信号完整性，线缆需要做得更粗，这又带来了发热、散热、布线和重量的问题。这种物理极限，正在催生一场“光进铜退”的底层革命。光电芯片厂商曦智科技展示的“光互连”方案，试图用光纤打破“三米魔咒”，将稳定连接距离扩展至数十米，从而让超节点不再被严格限制在单个机柜内，进而有机会向多机柜形态扩展。图片来源：虎嗅拍摄不过，光互连不是对铜互连的一次性替代，随着互连速率从过去的10G级别提升到100G、200G，铜缆能够稳定互联的距离越来越短，光互连因此从柜间继续向柜内甚至机内推进。展台上一位曦智科技产品经理告诉虎嗅，电缆仍会长期存在，不同技术仍会在各自适合的场景中长期共存。不仅如此，光互连方案还必须面对商业化是否可行的拷问。一位行业专家坦言，相比于技术尚不成熟、成本高企的光互连，传统的铜互连依然凭借极其低廉的价格和成熟的产业链占据主导地位。对于客户而言，业务真的需要如此大规模的超节点，答案或许是“不一定每个人都需要”。这个答案直指要害，系统级路线在技术上能连起来只是第一步，商业技术落地才是关键。

十二 | 超节点不是摆进机房就能跑互连之外，系统级算力的另一道硬约束在机房。一个完整的超节点设备造价可能高达数亿元，其功耗也往往会飙升至惊人的400千瓦。这种庞然大物看似是一台性能怪兽，但也是一个极其脆弱的系统。董龙飞表示，一旦某张卡、某个模组或交换节点故障，就会影响整套系统利用率。这意味着，超节点必须同时解决卡间互连、链路可靠性、模组解耦、散热和软件协同等问题。一位芯寒智能的工作人员从液冷角度给出了解读，过去业内常以单柜功率10至15千瓦作为是否考虑液冷的参考门槛。但如今，随着高性能AI服务器纷纷上柜，单柜功率轻而易举地突破了这一门槛。在高功率、高热流密度AI算力柜场景下，液冷正在从可选项变成越来越难绕开的工程选项。芯寒智能是一家专注于智算中心相变液冷技术的创新企业。但这并不意味着所有机房都会立刻转向液冷。上述技术人员表示，对于大量传统的中小型数据中心而言，转向液冷意味着一场伤筋动骨的重构。它们不仅缺乏液冷所需的一次侧水机等基础设施，更面临一个致命的商业代价，就是改造机房往往意味着必须中断现有的服务器负载。对于绝大多数承担着核心业务的单位机房来说，拉闸停机是不可承受之重。华为这次展示的Atlas 850E风冷超节点，正是试图降低传统机房改造门槛。华为方面称，该产品无需对现有风冷IDC机房做液冷基建改造，标准机柜可直接上架部署，并支持单个风冷超节点扩展至96卡商用部署。

十三 | 试图在物理约束和改造成本之间搭建一条折中的道路。这笔账最后会落到机房改造和运维上。AI芯片的竞争早已不再局限于硅片本身。它是一场包含电力供应、散热物理、机柜结构乃至旧基建运维在内的系统级重资产升级。芯片路线分化，买方只看算力账本虎嗅在WAIC现场观察发现，国产AI芯片并不是一条路线。摩尔线程强调兼顾渲染与仿真的全功能GPU；昆仑芯则认为GPU与AI专用芯片的传统边界正在变得模糊；创始人有着谷歌背景的中昊芯英押注在TPU架构芯片上，奕行智能则展示了RISC-V架构路线，这两家都在试图通过更低的功耗或定制化的架构打开市场缺口。然而，在挑剔的买方市场面前，技术路线标签并不是最终语言。

十四 | 正如一位公有云服务商（百度云）一线人员所讲，客户在实际采购中根本不关心是什么架构，关心的指标只有具体卡型、价格、软件平台适配度，以及进入国产合规体系所需的工作量。也就是说，软件生态仍是国产算力最难的一关。更换底层硬件的“迁移”背后往往是一笔财务支出。

十五 | 但对有些芯片厂商来说，路线决定了其具备一定的竞争优势。上述昆仑芯工作人员表示，其从一开始就走兼容主流生态的路线，包括CUDA和PyTorch。原因并不复杂，就是客户原来大量模型和底层代码都跑在CUDA体系上。但对于大多数不得不更换国产芯片的客户来说，迁移是一项繁重的“苦力活”。正如奕行智能技术与解决方案总监廖显所形容，从CUDA生态迁出，本质上是企业要扮演“搬运工”的角色，把模型和算子重新写到新平台上。中昊芯英解决方案架构师刘辉也提到，开源模型迁移相对容易，但闭源模型仍可能需要额外开发算子。图片来源：虎嗅拍摄百度云等头部云厂商正试图通过全栈自研体系，向市场兜售低代码改造成本的乐观愿景，但国产算力迁移不是一个统一答案，而是需要耗费巨大人力、时间和不确定性风险的定制化工程项目。如果客户对算力性价比进行考量，软件生态仍是最关键的判断依据。国产卡最重要的是可用 WAIC展台上，一些产业热词很容易制造一种全面追赶的气氛。但廖显给出的判断颇为冷静：国产AI芯片当前第一关是“可用”，“你不可用，其他都吹牛”。在他看来，市面上仍有不少芯片停留在Demo阶段，一旦真正扔进客户的真实机房，就会暴露出无数的工程漏洞。当被问及客户是否关注单Token成本时，廖显回答，不能仅着眼于单卡吞吐量的提升，更应综合评估集群部署后的整体TCO（总拥有成本），其中芯片的供应稳定性与稀缺性导致的采购成本同样是不可忽视的变量。不过，也有芯片行业人士的回答更直接，可用性尚未夯实的阶段，盲目在Token成本上与英伟达贴身肉搏，并不现实，因为“基本上没有办法跟它比”。这并不是唱衰国产算力，而是说明国产算力目前更现实的任务，不用立刻以绝对成本优势击败英伟达，要先在供应链安全、本地部署、生态适配和特定场景中，建立“不被卡脖子”的防御性替代能力。在这个过程中，客户更注重眼下的采购经济账，并不为“峰值性能”这样的期货概念买单。

十六 | 昆仑芯工作人员告诉虎嗅，客户通常先明确自己要跑哪些模型，再拿这些模型到芯片平台上测试性能。只有性能过关后，才会进入价格和性价比讨论。对于大客户而言，还要继续考察持续稳定供货能力，“几万张卡、几千张卡，签完合同供不上货也不行”。图片来源：虎嗅拍摄这种务实导致了国产算力应用场景分化。董龙飞把训练和推理的商业账拆得很清楚。也就是，训练对性价比容忍度相对更高，如果产品性能低10%，原本训练30天的任务多跑3天仍可接受；但推理不同，如果成本比别人高10%，商业上就很难竞争。因此，对成本和并发更敏感的“推理场景”，正成为国产算力最关键的突破口，也是最残酷的考场。它不是让国产卡立刻在公共云低价Token服务里正面击败英伟达，而是先在场景中建立可用性。上述公有云工作人员也表示，目前市场对国产算力的最大需求，正来自模型部署后的推理服务。这也最终决定了国产算力的核心客户画像。

十七 | 他们并不是那些资金紧绷、追求极致性能的大模型创业公司，而是合规、安全、本地部署和流程改造需求更刚性的国家队、运营商、金融巨头与交通电力系统。华为昇腾在WAIC展示的行业案例，也说明行业客户衡量国产算力的方式并不是单卡峰值，而是业务指标。无论是在运营商基层流程中缩短的30秒，还是在证券行业客户服务或投资服务场景中降低80%的首次Token响应时延。这些行业客户衡量国产算力的标尺，从来不是被用来市场营销的单卡跑分，而是业务流程能否闭环、系统是否足够稳定，以及在关键时刻有没有人出来为故障兜底。不是所有推理都要进云端 WAIC现场一个容易被亮点遮住的变化是，端侧算力也在形成自己的系统级路线。

十八 | 端侧是云侧的另一面，有芯片厂商工作人员跟虎嗅感叹，今年WAIC展会现场已经三七开，三成是端，七成在云。 “未来AI的发展一定是端云协同的”，后摩智能联合创始人、产品副总裁信晓旭对虎嗅表示，以情感陪伴机器人等新兴硬件为例，用户与AI的私密对话天然排斥将数据上传至中心化的云端，而低延迟的交互与24小时不间断的在线需求，更适合在本地完成推理。安谋科技NPU产品线负责人舒浩表示，端侧AI不是云端AI的缩小版，而是由功耗、实时性、软件、数据和可靠性共同定义的新计算市场。他的同事、CPU产品总监朱晓鸣指出，端侧设备无法像数据中心一样用高功耗和大规模散热换性能。为了突围，安谋科技正在其CPU、NPU以及存内计算之间进行精密的物理空间调度，试图在有限的功耗和面积下，死磕AI推理的效率极限。更有野心的是，端侧正在复制云端的“系统集成”策略，有的厂商试图将智能体直接封装进桌面设备中。此芯科技在其最新发布的AGX智能体计算平台上，就展现出了明显的“软硬一体化”企图，向下连接CPU、GPU、NPU和扩展AI卡，向上提供Agent OS、模型接入和行业应用。摩尔线程也在把算力向端侧延伸。WAIC上，这家展品显示，AIBOOK定位为面向开发者的个人智算平台，预装OpenClaw智能体，AICUBE则定位为家庭AI中枢，整合AI PC、AI NAS和智能体能力。

十九 | 这说明，推理时代的算力不会只往云端集中，也会向端侧重新分配。云端负责大模型训练、高并发服务和复杂任务；端侧负责隐私、低延时、本地数据和持续在线。两条路线不是替代关系，而是分工关系。

| 突围，还是绕远？图片来源：太初元碁回到最初的问题，国产算力的“超节点”热的根源。答案可能并不是二选一。

| 它当然是一种突围。先进制程和高端GPU供应受限后，国产AI芯片不能只等单卡性能追平。

| 通过互联、统一内存、超节点、软件栈和系统集成，把更多“不完美”的芯片组织成可用算力，是中国AI算力产业必须走的一步。

| 然而，它也确实是更重的一条路。因为系统级的路线从来没有消除问题，它只是将原本属于微观层面的半导体瓶颈，重新分配到了更宏观、也更复杂的商业世界中。在这种路线下，单卡性能的不足必须依赖成百上千张卡的协同来弥补，但这随即把网络拓扑、信号时延与整套系统的可靠性推向了新的物理极限。当庞大的卡群终于被塞进算力柜时，高密度的算力又立刻转化为功耗与散热压力，将电力扩容、液冷改造的代价，变成了必需的成本。硬件的整柜交付也远非终点，隐藏在冰山下方的CUDA软件迁移、算子重写以及框架适配，紧接着变成了一笔企业无法赖掉的工程支出。