【導讀】當AI Agent從概念驗證步入真實業務場景，行業關注的焦點正從“芯片有多少算力”轉向“算力能轉化出多少業務價值”。8月27日，2026中國國際大數據產業博覽會上，海光信息重磅發布“Agent to Token開放計算架構”，以CPU與DCU雙芯協同及開放互連，為Token經濟規模化提供從芯片到應用的全新算力框架。這一架構并非簡單的硬件疊加，而是對AI計算分工的重新定義——CPU負責指令流與任務編排，DCU專注Token生成與并行推理，兩者通過高效互連形成協同。海光信息總裁助理杜夏威與張攀勇向EEWorld分享了這一架構背后的產業洞察與技術邏輯。
海光為什么要發布這樣的架構？這一架構有什么值得關注的細節？在當下發展中海光能夠提供什么？海光信息總裁助理兼智能計算產品部總經理杜夏威，海光信息總裁助理兼服務器產品部總經理張攀勇向EEWorld深度分享了自己的見解。
為什么要推出“Agent to Token”架構
現在，用戶買AI算力，越來越不只是看峰值性能，而是更關注一個實際問題：Token能不能穩定、高效地生產出來。在杜夏威看來，這種變化實際上意味著整個AI產業正在走向成熟。
如果說Token解決的是模型與算力如何更高效協同，那么進入Agent時代之后，問題又向上走了一層。因為Agent天然帶有更強的業務屬性。傳統大模型更多關注生成和推理，而Agent需要調用工具、執行任務、與業務系統交互。因此，最終的業務效果已經不再由單一DCU，甚至單一AI芯片決定。
比如現在的Agent，需要執行操作、調用工具，還需要考慮Sandbox沙箱和安全機制。這些任務并不是100%由AI芯片完成，CPU同樣需要參與其中。同時，在一個完整的業務流程中，AI推理也只是其中一個環節，數據存儲、網絡通信、業務系統調用等都會影響最終效率。
因此，海光提出“Agent to Token”，并不只是把Token作為新的算力指標，而是希望把關注點進一步從Token提升到業務層。
“Agent to Token”架構的三個階段
對于海光此次提出的Token架構，杜夏威將其背后的產業邏輯概括為三個階段。
第一個階段，是算力階段。這個階段主要解決的是“芯片能做什么、能提供多少算力”的問題。PFLOPS、TOPS等指標是核心衡量方式，這也是海光長期積累的重要領域。
第二個階段，是Token階段。隨著大模型快速發展，Token成為連接算法和算力的重要紐帶。過去談算力，更多是在談芯片；談參數量，更多是在談模型。而Token則把模型和算力結合了起來，更直接地反映兩者協同后的實際效果。
第三個階段，則是Agent時代下的業務化階段。當Token已經成為行業普遍接受的價值衡量方式之后，下一個問題就是：這些Token到底如何服務具體業務？業務流程如何改造？智能體如何與業務系統整合？AI如何幫助研發和生產提效？
海光此前一直推動AI計算開放架構，以CPU和DCU雙芯戰略為基礎，同時堅持開放生態的發展思路。這些底層能力，也構成了未來繼續向Token、Agent，以及更廣泛AI業務場景延伸的基礎。
Agent對CPU提出了哪些新需求？
隨著Agent進入實際行業和應用場景，AI計算的重心正在從單純的模型訓練、推理，轉向完整業務流程的執行。CPU不再只是AI系統的輔助角色，而需要承擔任務理解、工具調用、任務編排、數據訪問、結果處理等大量工作。
張攀勇認為，Agent時代CPU的重要性會進一步提升。過去服務器中CPU與加速卡的配比可能是1:4甚至1:8，未來在Agent場景下可能逐步向1:2乃至1:1收斂。其背后的原因在于，Agent涉及大量非純計算任務，CPU承擔的工作量明顯增加。
不過，與傳統服務器相比，Agent時代CPU承擔的角色有所變化。過去CPU更多承擔通用計算、數據預處理等任務，而在Agent系統中，CPU更像是整個業務流程的“中樞”，需要負責數據接入、沙箱運行、任務理解、決策編排、工具調用、數據庫訪問以及多節點并發等工作。因此，Agent對CPU的需求不一定只是追求更高的峰值算力，而是更加看重串行處理效率、低延遲、高并發、數據處理能力和帶寬，同時需要與DCU、網絡等資源實現高效協同。
海光也會針對這些變化持續優化CPU架構，并從系統層面重新定義CPU的定位。例如通過HSL等互連技術提升CPU與DCU以及系統內部的數據傳輸效率，同時提升IPC和內部數據通路效率。
安全同樣是重要能力。海光希望將安全能力從芯片底層開始內嵌到整個系統中，通過隔離、權限管理、加密等機制，在保證數據安全和可信的同時，盡可能降低對系統性能的影響。
CPU與DCU不是簡單疊加，而是重新分工
海光提出“Agent to Token”，核心并不是簡單地把CPU和DCU放在一起，而是根據不同任務的特征重新分配計算資源。
其中，任務編排、實時決策、工具調用、數據處理和數據存取等工作，更適合CPU承擔。CPU擅長通用處理、復雜邏輯和低延遲響應；而Token生成、推理等大規模并行計算任務，則更適合交給DCU。
因此，在海光的雙芯架構中，CPU更多承擔Agent側的指令流，DCU負責Token側的生成流，兩者通過高效互連形成協同。
張攀勇認為，未來AI算力系統的“最優”，不再是單獨追求CPU或者DCU性能最強，而是要在系統層面實現最優，通過合理的任務分工和資源配置，提高整體效率，并最終降低客戶TCO。
在安全方面，海光則堅持“云邊端”與“內生全棧安全”的思路，從芯片底層開始設計整體安全架構，在盡量降低對系統和應用性能影響的同時，提供更高等級的安全保障。
國產算力要降低門檻，不能只靠“被動適配”
杜夏威表示，海光希望更早進入模型研發階段，讓開發者從一開始就能夠基于DCU進行原生開發，包括模型訓練和推理。這樣，當模型后續迭代時，能夠盡可能實現“發布即可用，可用即好用”。
從這個角度來看，國產AI算力生態真正要解決的問題，不只是兼容多少模型，而是要讓開發者能夠更低門檻地直接在國產平臺上開發。
海光目前主要從兩個方向推進：
第一，是持續完善自身的軟件棧。隨著大模型不斷迭代，新的算子、新的數據精度，以及分布式、工程化部署等能力都在快速演進。底層軟件棧必須具備足夠完善的支撐能力，才能讓新的模型和算子更快地在DCU平臺上運行起來。
第二，則是繼續推動開放生態。海光希望通過進一步開放和開源，讓開發者、用戶以及上下游合作伙伴，能夠更方便地獲得基于DCU的開發工具和技術支持。尤其是大模型廠商，可以圍繞自身的研發節奏，自主開展模型訓練、推理和業務部署。
總結
從“算力時代”到“Token時代”再到“Agent業務化時代”，海光“Agent to Token”架構清晰映射出AI產業價值重心的遷移路徑。Agent時代，CPU從輔助角色躍升為業務流程中樞，承擔任務理解、決策編排與安全隔離；DCU則專注Token生成與大規模并行推理。海光以雙芯協同、HSL互連和內生安全架構，為這一分工提供系統級支撐。更關鍵的是，海光正將國產算力的參與節點從“模型發布后的適配”前移至“模型研發階段的原生開發”，讓開發者從源頭即可在國產平臺上完成訓練與推理。
