先说结论

这场近三个小时的论坛只讲了一件事：AI 基础设施的评价体系换了尺子。新华三集团高级副总裁乔剡在开场致辞里把话说得很直白——2023、2024 年大家堆模型、堆参数、不计成本地堆硬件，而随着智能体走进百行百业，“大模型训推的成本比较高，也决定了未来 AI 商业落地的情况”；Token 成本降不下来，AI 就难以形成商业闭环。阿里云专有云网络和安全负责人张然用蒸汽机和电力作类比：真正让一项技术走进千家万户的，从来不是它好不好，而是它贵不贵。

有意思的是，台上十位讲者来自产业链的七个不同位置——设备商、云厂商、CPU 厂商、网卡芯片商、交换机芯片商、推理软件层、算力运营商——但对"尺子怎么换"的回答惊人地一致：训练时代看 MFU（算力利用率）和峰值性能，推理与智能体时代看的是在满足 SLO 的前提下，每瓦、每美元能交付多少有效 Token。这不是指标微调，而是从芯片到软件的全栈重新设计。下面按论坛顺序拆解每一层的答案。

超节点：把"利用率工程"做到物理层

第一个技术分享来自新华三先进技术研究部总经理朱仕银，主题是下一代超节点。他的核心论据是：超节点之所以相对于传统八卡机有"数倍的性能提升、几倍的性价比提升"（嘉宾称，引自第三方分析公司对英伟达 GB300 档位超节点的换算），本质原因只有两个——GPU 间互联带宽的提升，和内存的统一。翻译成机制语言：两者都减少了数据的等待时间，让昂贵的 GPU 不再空转。超节点不是"把更多卡塞进一个机柜"，而是一场围绕利用率的系统工程。

这场工程在物理层遇到的约束，朱仕银概括为"三堵墙"：带宽、功耗、规模。他判断 224G SerDes 是电互联与光互联的分水岭——当前电、光都还能满足要求，再往上走，光是不可避的选择。而光互联内部又分出路线：可插拔光模块已经成熟；NPO（近封装光学）会在超低时延层先用起来；CPO（共封装光学）虽然英伟达今年已有量产产品落地，但在他看来受工程良率和产业链生态成熟度约束，“短期可能还不会成为主流”，行业普遍预测要到三年以后。

更值得关注的是他对国内 scale-up 互联标准现状的坦率：物理连接的接口定义各家不一、互不兼容，“还是会形成一个技术孤岛，不太利于构建繁荣的技术生态”。国际上由 OIF 主导，国内则有一个二十多家企业参与的开放标准组织在推进。协议层同样碎片化，他透露工信部正在牵头推动 CLink（他称之为"China Link"）标准的归一化，主流芯片、设备、整机厂家都在参与，但"坦率来说这个事情还是有难度"——各家 GPU 厂商已经形成了事实上的技术路线，物理层、链路层的定义无法完全兼容。新华三自己的答案是 GLink 协议（GT Link 与 GT Fabric 两颗芯片，由生态伙伴实现芯片），支持最大 1024 卡的双层组网、单层 128 卡——他特意说明 128 卡是当前国内的主流产品形态——单卡 3.2T 互联带宽，并提供 IP 合封与芯粒合封两种接入方式。动机很清楚：新华三没有自研 GPU 卡，开放架构、与业界主流广泛合作是它的生态位。

供电与散热是超节点绕不开的另一半。朱仕银称单芯片功耗已经到了一千一百瓦到一千六百瓦的规模，整机侧必须走垂直供电提升效率、未来走向 800V 直供；散热则整体转向液冷，冷板式为主流，但他提到前两天交流的针式微通道技术"反馈比传统的还要高"——“谁能最终走出来，现在也不好说”。这句不确定恰恰最有信息量：物理层路线之争远未收敛。

软件侧，他给出了一套完整的栈式优化：拓扑感知的路径导航避免拥塞；算子库做 EPLB（专家负载均衡）场景的算子融合，大幅降低时延；KV Cache 缓存走"以存换算"，目前主流落在 CPU 内存一级，未来会出现通过 SSD 做 KV 卸载存储的多级方案；推理引擎做缓存感知调度、动态 EPLB、通信重叠等优化，“在对话场景大概有两倍的性能提升”（嘉宾称）。最后他补了两个容易被忽视的点：异构 GPU 的统一资源池化调度是"必然要走的一条路"，而大规模集群里光模块故障拉低利用率的问题，让智能运维本身也成了 Token 性价比的一部分。一条完整的链条由此成形：超节点以互联带宽与内存统一减少数据等待 → GPU 利用率上升 → 同样的硬件产出更多 Token → 单 Token 成本下降。

CPU 的价值重估：英特尔把"溢出的热点"接走

英特尔数据中心集团首席软件工程师谢义的分享题目就是"异构协同，释放 Agentic AI 整机算力"。他的切入点非常工程师视角：一年前 AI 对多数人还是聊天工具，今天它具备长上下文和工具循环能力，这给推理后端带来两个新挑战——负载不均衡，和 KV Cache 越来越大。

负载不均衡的机制值得展开。在 MoE（混合专家）模型里，随着负载推进，某个热点专家（他举的例子是"专家五"）会成为整个系统的瓶颈，木桶原理决定谁最慢谁拖慢全局。社区现有方案 EPLB 会把热点专家搬走，但搬移本身消耗 NVLink 等互联带宽，所以只能做较长期粒度的均衡（比如每一千次推理做一次）。谢义介绍社区最新演进是 LPLB——线性规划的逐层负载均衡，颗粒度更细。而英特尔的方案更进一步：直接把溢出的热点专家卸载到 CPU 上算。他的论证是典型的"扬长避短"：两百五十六个专家共六百多 GB，没有任何 GPU 显存放得下，但单机插 3TB 内存"非常轻松"；CPU 的 AMX 算力很强（每指令周期约 1024 或 2048 次运算，具体数字他笑称"还不能说"）；CPU 的短板是带宽——一张 H20 卡 4TB/s，CPU 整机只有一点几 TB/s——但热点专家在任一时刻只有一两个，带宽需求 CPU 完全接得住。GPU 显存放不下的部分，恰好是 CPU 内存最擅长的部分。

KV Cache 这一侧，他先量化了问题的规模：要实现约 75% 的命中率，通常需要 3M（三百万）Token 的缓存容量，以 MiniMax M3 为例每兆 Token 约 150GB，三兆就是 450GB——对 CPU 内存和 SSD 都是巨大数字。英特尔的解法是两个 CPU 侧加速器的组合拳：DSA 负责数据搬移（针对 KV Cache 典型的 64KB 以内小块，搬运效率远高于 cudaMemcpy，且不占用 GPU 的 SM 资源——用 GPU 的 SM 做 copy 虽然某些尺寸更快，但那是拿宝贵的计算单元做搬运）；QAT 负责压缩，实测能压掉 20% 到 30%，而首 Token 时延（TTFT）几乎没有影响，靠的是硬件卸载加上 GPU 逐层流水的重叠。这条链条可以这样读：Agent 长上下文使 KV Cache 膨胀 → 搬运与存储成为推理瓶颈 → CPU 侧加速器把搬运和压缩卸载出去 → GPU 专注计算、缓存命中率上升 → 单 Token 成本下降。这场分享提醒我们：整机的性价比，取决于最不被注意的部件有没有被用好。

网卡走进芯片：平头哥磐脉920与"每瓦每美元的Token"

平头哥半导体产品总监李旭慧的开场换了一个视角：“过去我们谈 AI 基础设施总是说算力有多大，那么今天我们换一把尺子。“这把尺子上刻着三个趋势——参数进入万亿级、万卡集群成为常态、推理需求首次超过训练——它们共同把度量标准从"多少 TFLOPS"变成了"每瓦、每美元的成本能交付多少 Token”。网络因此走到舞台中央，因为通信开销直接影响 GPU 空转时间，空转就是浪费 Token。

他对行业头部动作的梳理收敛成两条主线：网络走进芯片，RDMA 走向多路径。前者包括英伟达把 PCIe Switch 与以太 Switch 功能塞进网卡、BlueField DPU 直连 SSD 做 KV Cache 存储；后者包括多家头部产品支持 MRC 式的逐包喷洒、多平面组网，两层网络支持五十万卡级互联，更激进的微软、Meta 直接把网卡做进 AI 芯片并重写 RDMA 协议。他强调这"不是一个技术路线的选择，而是工程上的必然”——万卡规模下，传统单路径办法已经碰到天花板。

平头哥的答卷是磐脉920，2026 年 4 月发布的首款智能网卡，也是国内首个内置 PCIe Switch 的 400G 智能网卡。它把芯片级网络与多路径 RDMA 原生做进一张卡：内置约 510 核可编程处理器与 P4 引擎，包处理能力大于每秒四亿；单 QP（队列对）跨两个物理端口测出 393.91GB/s 有效带宽，接近 400G 线速，约为主流 2×200G 网卡的两倍（嘉宾称）——传统网卡无法跨物理端口跑单 QP，应用要自己拆流再同步，同步过程浪费算力。集合通信实测中，两机十六 GPU 加八张磐脉920 对标主流 400G 网卡，all reduce 与 all to all 全消息尺寸"持平或略优"（嘉宾称），意味着现有框架和通信库不用修改可以直接切换。更贴近生产的是混跑实验：未来 Agent 混合流量与跨域流量增长快，多张网卡部署成本高，混跑成为刚需，磐脉920 通过硬件 QoS 与可编程拥塞控制让 RDMA 不被 TCP 流量拖高，全包长时延比主流 400G 网卡低超过 20%（嘉宾称）。综合下来，他给出"综合性价比约有 30% 优势"的结论（嘉宾称）。这张卡的产业意义在于它不挑服务器、不挑超节点，并与新华三共建端网融合方案——芯片级网络让数据少绕行，多路径把网络用足用好，一个降本、一个提上限。

跨域与光：当集群大到装不下一座数据中心

新华三网络产品线智算网络架构师蒋新红把视角拉到最大：智算网络的三种形态——scale out 解决卡间同步、scale up 把 MoE 的 EP/TP 流量控制在机柜内、scale across 用跨数据中心协同突破电力和空间限制。数十万卡甚至百万卡的场景下，“功耗、散热这些问题"使跨域成为必选项。

跨域的第一敌人是时延。他给了一个直观的数字：单流传输时间从数据中心内的 1 毫秒增加到 10 毫秒，网络吞吐率会下降到约十分之一（嘉宾称）；高延迟场景下丢包重传要等待 RTT 确认，性能损失被放大。新华三的四维解法是：ZR 光传输消除传统 OTN 设备光电转换带来的时延，DCI 交换机直出 400G/800G 光口，单台设备支持 64 个 800G 端口，评估网络投资成本节约 40%、空间节约 30%、功耗降低 25%（均为嘉宾称）；SRv6 确定性网络在报文里携带周期 ID 映射到队列，做到端到端时延抖动可控，SRv6 TE 把同一训练作业不同 GPU 的流量调到同一路径，避免 ECMP 哈希到不同时延链路产生的木桶效应；Fast CNP 机制把拥塞响应控制在数据中心内，跨域网络性能提升约 11%（嘉宾称）；MACsec 芯片级线速加密支撑 400G/800G 全端口，性能无损。可靠性上，PCL 硬件检测在信号劣化阶段就先于故障切换业务，实现"治未病"式的零丢包。

博通高级产品经理刘婷婷与蒋新红形成跨公司呼应，她把 AI 负载演进梳理为三阶段：大规模训练（集合通信是主角）→ 训推混合与超大规模推理（今年八月 SIGCOMM 把第一个 research session 给了 KV cache 在网络中的高速传输，她说这是个"非常有意思的信号”）→ 基于 Agent 的分布式系统（负载边界从集群内拉远到跨域）。她的洞察是：AI 正在把网络变成计算架构本身的组成部分，“不再是一个通道了，一个连接了”。

scale-up 侧，她详细介绍了 ESUN 工作组——由博通牵头、面向以太网 scale-up 场景的开放工作组：去年成立时有十几家创始成员，到今年年初 1.0 发布时已有 175 家行业伙伴。博通把自己的传输层协议 SUE 贡献到 OCP 开源，让更多 GPU/XPU 厂家可以用以太网做 scale-up 互联互通。落地产品是 Tomahawk Ultra——51.2T 以太网交换芯片，做到 250 纳秒时延，她强调这个数字"可能比一些专门为 scale-up 定制的私有协议时延还要低"，且实现 64 字节小包线速（覆盖内存语义依赖的最小 Cache Line 尺寸），是业界第一颗支持 UEC 和 ESUN 标准下 LLR 与 CB-FC 的芯片（嘉宾称；具体协议名以转写为准）。scale-out 侧的数字同样惊人：Tomahawk 系列 2014 年 3.2T 到 2025 年 102.4T（TH6），十一年带宽翻 34 倍；两层 TH6 多平面架构支持 12.8 万个 800G 端口，按国产 XPU 两卡一 800G 网卡折算即 25.6 万卡。网卡侧，博通今年推出了面向 AI 场景深度优化的旗舰 800G 网卡（嘉宾称业界首款完整对标 UEC 1.0；产品名转写不可辨，不予转述），配合 MRC（OpenAI 联合博通、微软、AMD、英伟达向 OCP 开源的多路径可靠连接协议）实现多平面包喷洒、乱序重排与选择性重传。

技术含量最高的一段是光互联路线之争。OCI（Meta、微软、OpenAI、博通、AMD、英伟达等共推的开放光互联方案）做了反直觉的技术选择：不用现成的 200G PAM4，而用多路 53G NRZ 低速波通过 DWDM 组合（四路 53G 凑 200G）。她的解释是：200G PAM4 电平间距窄、误码率高，需要增强型 FEC 纠错，仅此一项就带来约 100 纳秒时延，而交换芯片本身才 250 纳秒；光侧大概率还要全链条 DSP，又是约 100 纳秒。53G NRZ 眼图张开，可以零 FEC 或低时延 FEC，甚至有机会整链去 DSP。一句话总结这个设计哲学：“与其让单个波跑得更快，不如让多个波跑得更慢。“scale-across 侧她列举了吉瓦级数据中心的现实：Meta 的 Prometheus 一吉瓦去年已部署、Hyperion 规划五到七吉瓦、OpenAI 星际之门规划七吉瓦——只有跨域网络是真正解决百万卡规模部署的方案。博通的 Jericho4/Draco4 DCI 芯片（51.2T，自带 HBM3E 深缓存以吸收远距离突发）即为这类场景准备。

Token时代的网络与存储：KV Cache成为"一等公民”

阿里云高级技术专家李旅的分享为整场论坛提供了理论骨架。他提出推理时代的核心指标是 TTLT——time to last token（最后一个 Token 的时间）：Chat 时代关注首 Token 时延就够了，Agent 长程任务连续跑几个小时甚至几天，真正反映业务体验的是整个推理流程何时结束。背景数据是：据嘉宾引 OpenRouter 统计，全球 Token 消耗量每年增长约 30 倍，中国过去两年增长了 1400 倍。他复盘了阿里云网络的三代演进：2023-24 预训练时代的 HPN 7.0（首篇智算集群网络架构论文入选 SIGCOMM），2025 年训推一体与超节点时代的 HPN 8.0 与 UPN，2026 年面向推理与 Agent 时代的 TPN（Token Performance Network）。

TPN 的三个设计支点值得记住：KV-centric，以 KV Cache 在不同层级、不同 PD 节点之间的高效传输为设计中心；SLO 追稳，网络抖动直接成为用户体验的一部分；性价比优先——理由是财务性的：“训练时代网络的成本是 capex（一次性投入），推理时代网络的成本变成每一个 Token 的 opex”。这个成本性质的转变，是整场论坛所有技术选择背后最硬的逻辑。流量形态也变了：训练时代集群里是模式固定的大规模 all reduce，推理时代是 KV Cache 传输、PD 分离、存储分级、EP 并行等多种流量共存；训练中断可以回 checkpoint，推理故障"会变成一场真正的线上事故”。他的结论是，网络某种意义上转型成了"模型的记忆总线"。

新华三存储产品线首席架构师陈钊接过话头，把"记忆总线"的另一端——存储——讲透了。他说存储团队每天醒来要回答的问题是：能为极致的 Token 性价比贡献什么？他的答案是外部共享存储池，而驱动它的正是 KV Cache 内存墙：HBM 容量小、长在 GPU 里、高度临时性，与推理负载需要不断复用 KV Cache 的矛盾，会随模型参数变大、上下文变多、应用变化而不断激化。Agent 时代把这个矛盾推向极致：多轮工作流从个位数轮次变成小时级甚至天级；上下文不断积累；KV 变成需要长期保存的记忆；Agent 还会自发派生子 Agent，使单 GPU 的并发度暴涨；任务间歇性回到 CPU（他称之为"脱扣"）时，记忆留在 HBM 里已经不合适，必须溢出到外部更低成本的空间。

陈钊给出了一个可迁移的分析框架——“黄金交叉点”：卸载更多 KV Cache 能释放 GPU 算力、降低成本，但引入的加载时延会拖累计算；计算时间与加载时间正好匹配的那个点就是最优解，“这个时间点越往右，说明存储卸载了更多 KV Cache，性价比就越高”。工程上的两大挑战是稀疏小 I/O（decode 阶段要按注意力权重从巨大上下文里挑出 top-key 的小块 KV，而存储天生擅长大块顺序 I/O）和 CPU 瓶颈（PCIe Gen6 单盘数百万 IOPS，24-36 盘的存储系统上亿 IOPS，传统 CPU 控制器成为最大瓶颈）。新华三的应对是一套 KV-aware 的新架构：XCache 连接层向上兼容多元异构算力与推理引擎，向下构建 G2.5（内存语义 load/store 的 CXL 共享池）与 G3.5（KV 语义 put/get 的 NVMe 共享池）两级池化，配合 DPU 硬件通道把 IOPS 从主流分布式文件系统的百万级推向上千万级、时延从毫秒级降到百微秒级（嘉宾称）。他还对比了行业火热的 HBF（高带宽闪存）：它确实能扩展 HBM 容量、用更少的 GPU 完成同样任务，但有"寿命焦虑"——Flash 合封进 GPU 后损坏很难处理，而外部存储换一块盘即可。

国产算力的两层解法：把卡用好，把Token卖明白

清程极智联合创始人兼产品副总裁师天麾的分享现场改题为"AI infra 软硬协同释放国产算力效能"。这家源自清华计算机系高性能计算研究所的公司（首席科学家为所长翟季冬教授，首席顾问为郑纬民院士，外部检索可证）对国产算力现状的判断是：硬件越来越好，但"好不好用、能不能用起来"是软件问题——就像手机没有操作系统就是一块板砖。vLLM 这类为英伟达设计的推理框架兼容国产卡"能运行，但很难彻底发挥性能"。他同事的比喻很形象：老外爱吃面包买烤箱，中国人蒸馒头包子，工程能力很强也许能把烤箱改吧改吧用，但费力不讨好——“针对中国人的场景，我们就应该设计一套蒸锅”。于是赤兔推理引擎每行代码从头自研，有开源版与商用版。

案例部分的数字都有来源：2021 年青岛"海洋之光"超算（神威系列十万核纯国产，嘉宾称），他们与智谱唐杰团队、阿里云三方合作把大规模训练系统跑起来；2025 年深圳超算纯 CPU 架构上优化 DeepSeek 推理，16 个节点的吞吐约相当于 80 张主流 GPU，从 644 节点扩展到 892 节点仍保持 74% 的并行效率，该超算前两个月拿到世界第一（嘉宾称）；今年上半年与郑州海光 BW1000 集群从万卡做到八万卡以上规模训练，论文入选 HPC 顶会 SC 即将发表。最能说明"软硬协同"价值的是 PD 异构混搭：国产卡计算强、海外卡显存带宽强，用海光 BW1100（144GB 显存）做 Prefill、H200 做 Decode，两到三台 BW1100 可以替换一台 H200，吞吐基本不变、时延降低约 90%（嘉宾称）——他据此判断海光新一代显卡的性价比"已经比肩甚至超过 H200"，代价是"都被抢完了"。

但生产出 Token 只是一半，卖给用户还有流通环节。师天麾指出 Token 服务是个黑盒：同一个 DeepSeek 模型、同样的标价，头部大厂之间的服务质量"性能差个五倍是很正常的"，甚至存在"标了一个模型，实际用的是一个更差的模型"的情况；同一家服务商一天内性能波动一两倍也很常见。清程极智做了 AI Ping：汇集三十多家合规服务商、四百多个模型服务，7×24 小时不间断评测延迟、吞吐、成功率、上下文长度、价格、缓存命中率，再根据用户需求（低延迟、高吞吐、成本优先）做智能路由。这个业务形态本身就是一个行业信号：当 Token 成为商品，商品市场就需要第三方质检与比价系统。

让每个Token更值钱：是石科技的后训练答案

是石科技首席科学家李俊涛的收尾分享换了一个方向：前面所有人都在降低 Token 的生产成本，他讲的是"通过后训练让每个 Token 变得更值钱"。这家 2021 年成立的独立第三方算力运营商（嘉宾称 2022 年运营盐城超算中心、2025 年算力调度平台纳管超 2 万 PFLOPS 算力、Token 优化工厂累计订单超 30 亿元、已完成 A 轮 B 轮数亿元融资）联合开源社区做了针对 Agentic RL 的后训练框架。

问题的起点同样来自 Agent：用 Claude Code、Codex 这类强大的 Harness 框架能让模型展现长程推理能力，但直接拿它做强化学习训练会失效。三个具体挑战是：模型与 Harness 适配失效（特定模型需要特定 Harness 才能取得最优表现）；上下文与推理路径不匹配（Harness 有自己的上下文管理，模型训练需要精确的 Token ID，一个文本序列可能对应多个 Token 序列，导致训练拿到错误信号）；训练对 Harness 设计高度敏感——黑盒框架的微小改动就能让训练动态剧烈波动。他们量化了这一点：Claude Code 的系统提示词约 20K Token，其中只有 25% 与问题直接相关，剩下 75% 是规则和产品逻辑；对开源模型而言，简单的白盒 React 框架反而训练效果更好、能力提升更快。

框架设计围绕"让 Harness 直接能训练"展开：把复杂任务解耦为 agent、sandbox、奖励建模三大组件；维护 running token buffer 让 Token 只编码一次（拒绝重编码）；智能 split 机制在 Harness 切换上下文时自动开启新推理链，避免跨上下文污染；rollback 机制在 Harness 做轻量重写或重试时回滚到决策起点，“确保只训练真实的决策”。量化结果：不同大小模型、不同 Harness、多个基准上相对提升 12.6% 到 65.8%（嘉宾称），支持超过两百轮推理。训练效率侧，长上下文 rollout 占单步训练时间的 60%-80%，固定资源分配下 GPU 空闲率可达 60%，他们的异步策略让 reasoning RL 训练时长缩短 35%-38%，Agentic RL 吞吐相对同步训练提升 40% 到 100%（嘉宾称）。

收束：一张全景图与三个观察

拼起来看，“下一代智算基础设施"的轮廓清晰：scale-up 用超节点和开放以太网协议把机柜内的带宽与时延做到极致，scale-out 用多路径 RDMA、UEC/ESUN 和大容量交换芯片把集群做到十万卡级，scale-across 用 ZR 光传输、SRv6 确定性与 DCI 深缓存把算力池拓展到跨域百万卡；在这张网络的每个节点上，KV Cache 沿着 HBM—CPU 内存—CXL 池—NVMe 池的分层存储流动，DSA/QAT/DPU 负责搬运压缩，CPU 承接溢出的热点专家；再往上，推理引擎把国产算力用足，评测路由把 Token 商品的信息不对称抹平，Agentic RL 让每个 Token 承载更高的智能密度。

第一层观察关于"尺子”。这场论坛反复出现同一组对照：MFU vs TTLT，峰值性能 vs 每 Token 成本，capex vs opex。指标的改变传导到每一层的设计哲学——网络不再追求单一性能峰倍，而是把 KV Cache 当"一等公民"；存储不再是大块 I/O 的仓库，而是 KV 语义直通 NAND 的记忆层；连液冷、运维、供电都成了 Token 成本的变量。机制 → 影响：当基础设施的成本从一次性投入变成随 Token 产出的持续支出，所有组件的 KPI 都会向"单位 Token 性价比"收敛；启发：判断一项智算技术的前景，先看它优化的是峰值还是分母——优化分母的，时间站在它那边。

第二层观察关于"开放与国产生态的重叠"。ESUN 175 家伙伴、SUE 开源进 OCP、UEC 1.0 发布、MRC 由 OpenAI 联合各家向 OCP 开源、国内 CLink 与二十多家企业的标准组织、磐脉920 不挑服务器不挑超节点——开放协议正在同时降低两个门槛：超大规模的组网门槛，和国产芯片进入生态的门槛。朱仕银坦承 CLink 归一化"有难度"因为事实路线已成，而李旅判断私有 scale-up 协议"绝大部分会让位于开放协议"、只在极小众极致性能场景保留。机制 → 影响：协议开放化削弱单点厂商绑定，让设备商（如新华三）、芯片商（如平头哥）在标准层面获得与生态共成长的机会；启发：对国产链而言，接入开放标准的速度本身就是竞争力，比单点性能参数更值得关注。

第三层观察关于"异构混搭替代全栈替代"。师天麾的 PD 异构案例（国产卡做 Prefill、海外卡做 Decode）与谢义的 CPU 专家卸载，本质是同一个思路的两面：不追求在任何单一维度上全面追平，而是把不同部件的长处拼起来——CPU 的内存容量、国产卡的计算、海外卡的显存带宽、网卡的多路径、存储的每 GB 成本。机制 → 影响：异构混搭让"够用的算力"组合方式大幅增加，缓解单一供应链的产能与价格约束（H200 涨价与国产卡"被抢完"是同一枚硬币的两面）；启发：在算力紧缺周期，系统级整合能力（软件层、调度层、路由层）的边际价值高于单芯片的代差追赶。

论坛名是"打造 Token 极致性价比"，但十位讲者实际上共同回答了一个更根本的问题：当 AI 的竞争从"谁的模型更强"进入"谁的 Token 更便宜且更值钱"，基础设施的每一个物理层和软件层都要为这个目标重新组织。张然说他们在讨论"一个时代的问题"。从这场论坛的密度看，此言不虚；而所有数字都标注着"嘉宾称"，成色如何，要靠未来一年各家的交付验证。