Hugging Face遭攻击，国产GLM 5.2成焦点，AI竞争白热化
在海外持续限制高端AI算力供应的背景下，国内独立大模型厂商正在摆脱对外部算力资源的依赖，从单纯的算力采购者向产业链上游延伸，逐步掌握算力建设、优化与定制的主动权。
据行业消息披露，国内头部大模型企业智谱AI已完成一座1GW级别的数据中心建设并启动部分运营，该中心全部采用国产AI芯片，核心服务于GLM系列大模型的研发与落地。同时，智谱AI还运营着多个万级芯片的计算集群，单集群搭载的国产AI芯片数量超过一万颗。
1GW的供电规模可同时满足约75万户家庭的日常用电需求，这座数据中心也跻身国内AI实验室与独立模型企业自建的超大型算力基础设施行列。目前关于该中心的具体芯片型号、供应商及设备总量尚未公开，智谱AI暂未对此作出回应。
近期，智谱AI在算力上下游的布局动作频繁。据多家行业媒体报道，智谱AI已斥资数亿元收购国产异构算力软件企业中科加禾，后者源自中科院计算所编译实验室，核心技术覆盖编译器、虚拟指令集、Runtime环境与推理引擎。目前该收购已完成，但双方尚未发布正式公告。
更早前，相关行业报道显示，智谱AI正在与国内芯片设计企业接触，评估合作开发定制化AI芯片的可能性，该项目目前仍处于早期讨论阶段。
综合来看，智谱AI正在构建一套完全脱离海外厂商体系的自主算力基础设施：自建1GW数据中心解决了稳定算力资源的供给问题；收购中科加禾则聚焦于解决不同国产芯片适配GLM系列模型的效率难题；而洽谈定制AI芯片，则指向根据自身模型负载优化长期推理成本的长远目标。
与此同时，另一头部大模型企业DeepSeek也在推进类似的算力布局，包括组建专业算力运营团队支持乌兰察布的自建算力中心，增设芯片设计团队，布局面向推理场景的自有AI芯片产品。
这一系列动作意味着，国内独立大模型企业正在从算力的单纯购买者，逐步转变为算力的运营者、优化者，甚至开始参与定义下一代算力基础设施的标准。
智谱AI的三大布局分别落在算力产业链的不同核心环节。
物理算力供给是最底层的基础。过去，独立大模型厂商主要通过云厂商、运营商或第三方算力服务商获取GPU资源，这种模式的优势在于前期投入轻，可根据模型训练与推理需求灵活调整采购规模；但痛点也十分明显：芯片供应稳定性、集群排期、服务价格以及扩容速度，始终掌握在外部平台手中，厂商缺乏足够的自主权。
此次1GW国产数据中心的部分投运，标志着智谱AI正在获得更大规模、更稳定的长期算力资源池。相较于一次性租用数千张加速卡，自建数据中心更接近一套能够持续支撑模型预训练、后训练与大规模推理的完整基础设施。
算力软件是中间层的关键纽带。国产AI芯片并非简单接入服务器就能直接承接原本运行在海外平台上的大模型，不同厂商的芯片架构、编程环境、算子库、内存管理机制与通信协议均存在差异，将同一款模型迁移到不同硬件平台上，往往需要进行大量的适配与调优工作。
中科加禾的核心价值，恰好在于打通大模型与国产芯片之间的衔接环节。公开资料显示，其团队曾参与龙芯、神威、寒武纪、华为昇腾等多款国产芯片的编译器研发，通过虚拟指令集、编译器与Runtime环境，为不同硬件平台提供相对统一的软件接口，降低跨芯片适配的复杂度。
需要注意的是，这并不意味着不同品牌的芯片可以毫无障碍地在同一大规模训练任务中混装使用，跨芯片协同还涉及集合通信、精度一致性、网络拓扑与容错机制等一系列复杂问题。中科加禾的技术方案，核心目标是降低同一模型在不同国产芯片之间迁移、部署与性能优化的成本，将分散在不同硬件平台上的理论算力，尽可能转化为模型可实际调用的有效算力。
其旗下的SigInfer推理引擎宣称，在特定测试场景中可将推理时延最高降低74倍、吞吐率最高提升3倍、能效比提升1.46倍。尽管这些数据目前仅来自企业内部测试，无法直接等同于实际生产环境中的表现，但如果其中部分效果能够落地，将大幅优化智谱AI的Token算力成本。
芯片设计是最上游的长期布局。相较于模型训练，推理工作负载通常更加稳定，模型结构、参数规模、内存访问方式与计算精度相对确定，因此更适合通过定制化芯片进行专项优化。
目前智谱AI仍处于与国内芯片企业的评估合作阶段，尚未披露具体合作方、芯片架构、流片时间与量产计划。但值得关注的是，智谱AI已经开始思考更上游的问题：与其让GLM系列模型长期适配市场上已有的芯片，能否让未来的芯片架构反过来适配GLM系列模型的负载需求？
智谱AI密集补齐底层算力设施能力的直接原因十分明确：随着模型用户量快速增长，现有基础设施已经多次接近承载上限。
今年1月，随着GLM Coding Plan的用户规模快速扩张，智谱AI宣布暂时限量销售该产品，每日新增购买额度压缩至此前的20%。当时智谱AI明确表示，部分用户在工作日下午的调用高峰期遭遇并发限流、模型响应速度下降等问题，公司需要优先为老用户预留算力资源。
到了3月，GLM-5正式上线后，其Coding Agent的每日调用量已达到数亿次。与普通聊天场景相比，Coding Agent需要读取更长的代码上下文、持续生成大量Token，并反复调用搜索、执行与调试工具，对推理系统的压力高出一个量级。
算力压力很快从“响应变慢”蔓延到了模型输出质量层面。部分用户反馈，GLM-5在复杂任务中偶尔会出现乱码、复读与生僻字问题，看起来像是模型突然“变笨”。但智谱AI通过反复回放相同请求发现，这些异常无法稳定复现，模型权重本身并未发生变化。
经过数周的排查，问题最终被定位到高负载下的推理状态管理。智谱AI在官方博客中详述了KV Cache错配、竞态冲突等成因，以及缓存分层与调度的修复方案。
这次故障也暴露了一个容易被忽视的事实：大模型的实际能力不仅由参数规模决定，同时也受推理系统的性能影响。同一组模型权重，在低负载环境中可以输出正常结果；但一旦进入高并发、长上下文与长任务场景，缓存、调度与通信系统的细小错误，也会让用户感知到模型质量的下降。
GLM-5.2上线后，这种算力压力进一步放大。据相关行业报道，该模型上线Vercel平台首周，日均Token使用量增长27倍。与此同时，智谱AI还在与更多国产硬件平台进行适配，以满足持续上升的算力需求。
类似的高并发挑战也出现在近期推新的其他大模型产品中。比如Kimi K3发布后，用户请求量在48小时内大幅超出预期，逼近现有集群的承载极限，月之暗面随即暂停C端新用户订阅，将现有算力优先分配给已付费用户，并计划随着新增资源到位分批恢复订阅名额。公司还计划将通用会员与Coding会员拆分，以便根据不同任务的算力消耗更精细地分配资源。
刚刚亮相的Qwen3.8-Max总参数达到2.4万亿，多名开发者反馈在Token Plan、Qoder等入口均提示访问受限，官方解释主要是触发了API平台的并发限流或配额不足。
算力压力日益凸显，与大模型企业的商业模式密切相关。传统软件产品完成研发后，新增一名用户的边际成本通常极低，但大模型每一次回答用户问题，都需要消耗真实的芯片、电力与内存资源。
用户越多、Token调用量越大，推理成本也会同步上升。尽管模型公司的收入会随着用户规模增长而提升，但这并不意味着利润率会随之改善。
智谱AI2025年的营收从3.12亿元增长至7.24亿元，同比增长131.9%；其中云端API等部署收入增长292.6%，达到1.9亿元。2026年第一季度，智谱AI的API调用量又增长约400%，公司随后将API价格上调83%。
但另一面，智谱AI2025年的销售成本从1.37亿元增至4.28亿元，同比增长213.3%，增速明显快于收入增速。公司在财报中明确表示，成本上升主要来自业务扩张带来的计算服务费增加。
同期，智谱AI的研发支出达到31.8亿元，全年净亏损47.18亿元，高于2024年的29.58亿元。研发支出增长的原因之一，同样是向第三方算力供应商支付的计算服务费用增加，以及对更先进模型训练基础设施的投入。
这也解释了智谱AI为何要向算力产业链上游延伸。如果长期完全依赖外部算力供应商，每一次业务增长都会同时增加采购成本，同时还会受到资源排期与外部价格波动的影响。
自建数据中心当然并非免费的午餐，企业需要承担芯片采购、电力、冷却、网络、设备折旧与长期运维等一系列成本。如果模型需求低于预期，或者芯片迭代速度过快，巨额的基础设施投入也可能成为沉没成本。
但当模型调用量达到足够大的规模后，自建基础设施的价值便不只是“更便宜”，而是在算力供应的确定性、软硬件协同优化与综合成本之间寻求更大的平衡。
采购算力解决的是眼前的即时需求，而掌控算力资源则决定了模型公司未来能否持续扩大规模。可以预见，在智谱AI、DeepSeek之后，将会有更多的独立大模型企业投入重点资源与资金布局算力基础设施领域。
政策层面，相关算力补贴也正在从芯片研发环节，进一步延伸到算力项目的实际采购环节。此前有行业报道显示，获得国家资金支持的新建数据中心，被要求仅使用国产AI芯片。据行业消息透露，一项未来五年约2万亿元的全国AI算力基础设施方案有望落地。
当前，算力一张网已被纳入“十五五”开局之年的重要发展方向。在《“十五五”规划纲要》中，“全国一体化算力网”被列为国家级重大工程，强调要深入推进东数西算工程，构建多层次算力设施体系与全国一体化算力网，让算力像“水电”一样随取随用，全面支撑人工智能与数字经济的高质量发展。
这意味着国产AI芯片不再仅依赖零散的试点应用，而是将进入长期、成规模的基础设施采购体系，为国内大模型企业的自主算力布局提供更坚实的政策支撑。
