乌镇峰会首日，一家杭州公司把算力底座搬上了央视镜头

　　能源、算力、模型、场景——中美 AI 竞争的四层结构里，卡点在第二层。乌镇这块展板上，写着一个不同的解法。

　　11月3日，2026年世界互联网大会乌镇峰会在浙江乌镇开幕，主题为"开源开放 共建共享——携手构建网络空间命运共同体"。

　　本届"互联网之光"博览会共有来自54个国家和地区的670余家中外企业和机构参展，集中展示1000余项新技术、新产品。伏羲词元是这670家之一。

　　11 月 2 日，峰会开幕前一天，央视中文国际频道（CCTV4）新闻栏目已对这场盛会作了报道；11月3日开幕当天，中国蓝新闻跟进报道，并播出了对伏羲词元创始人顾江华的采访。两家媒体的镜头里，伏羲词元的展位均有露出。

　　一、红亭馆里的那块展板

　　11月2日，峰会开幕前一天，伏羲词元在红亭馆完成四层 SI 基础设施体系的首次完整发布。

　　同一天启动的，是一万台光储算一体化设备的城市组网示范，杭州、深圳、上海列为首批落地城市。

　　展板上最容易被镜头记住的，是一个成本数字：同样承载 816B 参数的大模型，传统机房方案需要400万元以上，而这套系统用24万元完成部署。降下来的不是性能——模型还是那个模型，每秒 25.5 个词元的输出照旧——降下来的是内存门槛：别人要1TB，它用512GB。

　　但真正值得琢磨的，不是这个数字，而是设备名字里那三个连在一起的词：光、储、算。

　　一台机器，同时管发电、储电和算力。这个组合在行业里并不常见。它指向的，是一个比"降本"大得多的问题。

　　二、"我们不是来刷曝光的"

　　发布会现场，伏羲词元创始人顾江华没有讲参数，也没有讲榜单。他用一句话概括了这次发布的全部逻辑：

　　"过去两年，行业比的是谁的模型更聪明。真正卡住智能体进入生产的，是它脚下的地基。"

　　这句话有两层意思。

　　第一层是判断：模型能力已经不是瓶颈。开源社区里 8000 亿级参数的模型随手可得，能力过剩、价格战、榜单互刷——这些都说明"更聪明"这件事正在变成公共品。

　　第二层是选择：既然模型是公共品，竞争就必然下沉。谁能让这些模型便宜地、稳定地、合规地跑起来，谁就拿到了智能体进入生产环境的那张门票。

　　所以他们没有把展台留给模型，留给了底座。

　　而这块底座，放在2026年的语境里，已经不只是企业自己的生意。

　　三、中美AI竞争，比的不是模型

　　过去两年，关于中美AI的讨论几乎都集中在模型层：谁的参数更大、谁的榜单更高、谁的上下文更长。

　　但如果把产业拆开看，模型只是四层结构里的第三层。

　　第一层，能源。训练和推理的本质，是把电变成词元。一座万卡集群的用电，抵得上一座中型城市。这一层中国有全球最大的光伏装机、最完整的电网体系，工业电价在主要经济体中也处于低位。

　　第二层，算力。芯片、互联、集群调度。这是美国优势最明显的一层，也是过去三年被管制得最严的一层。

　　第三层，模型。 这一层正在迅速公共化。开源社区里 8000 亿参数的模型可以自由下载，能力差距以月为单位收敛。模型正在从"护城河"变成"水电煤"。

　　第四层，场景。制造业的产线、政务的窗口、金融的风控、医院的门诊。中国的场景密度和复杂度，是全球最高的。

　　四层摆在一起，答案就很清楚了：第一层我们有禀赋，第三层正在公共化，第四层我们有需求——唯独第二层是卡点。

　　而卡点里最难的部分，其实不是训练用的万卡集群。那是国家队和头部大厂的事，资源集中、目标明确。真正难的是推理侧——成千上万台分散在政府部门、银行网点、医院机房、工厂车间里的机器。它们数量最多、分布最散、要求最苛刻：要便宜，要省电，要能塞进一间普通办公室，还要保证数据一步都不出这栋楼。

　　这一层，没有现成的答案。

　　四、被忽略的等式：光伏消纳 = 算力供给

　　要理解那块展板，得先看一个和 AI 看起来无关的问题：电。

　　过去五年，中国的分布式光伏是爆发式增长。厂房顶、园区顶、居民屋顶，能铺的地方基本都铺了。但配电网的承载力没有同步跟上——白天发电高峰，很多地方的分布式光伏被迫限发，业内管这叫"弃光"。原因并不复杂：电发出来了，本地用不掉，又送不出去。

　　而算力，恰好是一种特殊的负荷。

　　它可以就地部署，不挑地点；它的用电曲线可以跟随发电曲线调整；它产出的东西——词元——可以瞬间传输出去，不需要任何物理运输。

　　换句话说，算力是分布式光伏最理想的就地消纳器。

　　光储算一体化设备，把这层关系压进了一台机器：光伏解决电从哪来，储能解决电什么时候用，算力解决电用在哪。三个过去分属能源、电力、IT 三个部门的问题，第一次被放进同一个机柜里。

　　一万台这样的设备铺进城市，本质上是在建一张"电力就地消纳、算力就地供给"的网。

　　这件事在中国特别成立，因为只有中国同时具备三个条件：全球最大的分布式光伏装机、全球最密集的城市群、全球最旺盛的本地算力需求。三者叠加，才有"用算力消纳电力、用电力供养算力"的闭环。

　　所以它不是一个产品创新，是一次结构性的拼接——把能源优势和算力短板，接在了一起。

　　五、谁在定义"本地 AI"的默认形态

　　再往下看一层，是标准。

　　过去三十年，PC 产业的规则由 Wintel 定义：芯片是英特尔的，系统是微软的，所有应用都长在这两者之上。定义这一层的人，收走整个生态的租。

　　AI 时代，同样的动作正在重演，只是联盟换成了 NVIDIA 和微软。

　　NVIDIA 的路径是从芯片向上：CUDA、推理框架、一体机，把"本地 AI 算力"做成一个标准形态，让开发者默认在它的栈上写代码。

　　微软的路径是从系统向下：把 NPU 写进 PC 的定义，用 Copilot+ PC 把"AI PC"变成一个操作系统级的概念，再用 Windows 把开发者留在它的生态里。

　　两家的目标都不是卖几台机器。是定义"本地 AI 应该长什么样"。

　　这个定义一旦成立，代价是什么？

　　是中国的场景要跑在别人的栈上：模型格式由别人定，推理引擎由别人维护，开发工具由别人更新，性能优化只对别人的硬件生效。你买的是算力，交出去的是定义权。

　　这就是为什么"适配国产笔记本、适配国产卡"听起来像一句工程口号，实际上是一场标准之争。

　　伏羲词元做的事，是把这条栈在国产硬件上重做一遍：

　　模型部署方案——把 816B 压进 512GB 内存，把成本压到 24 万；

　　推理引擎——跨机张量并行、模型量化、前缀缓存、弹性调度，让两台普通工作站干一台服务器的活；

　　Agent 运行平台——让智能体在本地的机器上长期跑着，而不是每次调用都回到云端。

　　三层叠起来，才能说一句完整的话：让场景跑在本地，跑在国产卡上。

　　六、难的不是适配，是生态

　　必须承认，把模型跑到国产芯片上，是工程问题。堆人、堆时间、一家一家对硬件做优化，总能解决。

　　难的是第二步：让人愿意在这上面开发。

　　一个平台的价值，不取决于它能跑多少模型，而取决于有多少人愿意为它写第一行代码。Windows 不是因为好用才赢的，是因为所有软件都先适配它。

　　所以这条路走不通"发布一个平台、欢迎大家来开发"的逻辑。得自己先把场景跑通——金融、政务、医疗，一个一个做出能用的样板，用场景倒逼适配，用适配积累生态。这是一条慢路，但也是唯一能积出壁垒的路。

　　这也是为什么他们选择从"部署"切入，而不是从"模型"切入。模型是所有人的公共品，部署是自己必须长出来的能力。

　　七、被镜头扫过的那几秒

　　央视的镜头在展位前停留的时间不会太长——670家企业、1000余项技术，一家分不到几秒。

　　但一家公司的可信度，有时候就是从这几秒开始建立的。对政府客户来说，央视报道意味着"这件事是可以公开谈论的"；对金融机构来说，它意味着"这家公司经得起背景核查"；对一家正在选型的企业来说，它意味着——我做尽调时能搜到第三方证据，而不只是你官网上的自我介绍。

　　而且这两家媒体补的是不同的位置。央视是国家级背书，解决的是"这件事能不能公开谈"；中国蓝新闻是省级落地，解决的是"在本地靠不靠得住"——对一家首批落地城市就在杭州的公司来说，后者未必比前者轻。

　　比可信度更重要的，是这几秒把一个判断摆到了台面上：

　　中美 AI 的竞争，最终不会在模型层分出胜负。模型会越来越像水电煤——便宜、通用、随处可得。真正决定胜负的，是谁能把电变成词元，把词元变成场景。

　　能源我们有，场景我们有。剩下要补的，是算力和标准。

　　这件事，靠喊没用。