标题：国产AI芯片的两大关键指标：模型覆盖与集群规模能力

正文：
在国产AI芯片快速发展的背景下，百度智能云AI计算首席科学家王雁鹏在量子位MEET2026智能未来大会上指出，评判国产AI芯片实力的核心标准已从单纯的算力数值转向两个关键维度：模型覆盖能力和集群规模能力。

模型覆盖能力指芯片能否稳定支持从百亿到万亿参数、从稠密模型到MoE架构、从单模态到多模态的完整模型谱系训练；集群规模能力则要求芯片能在百卡、千卡乃至万卡的大规模集群中实现高效扩展。这两大能力直接决定了国产芯片能否真正替代英伟达等国际巨头的产品，支撑下一代AI模型的训练需求。

王雁鹏基于百度昆仑芯的实际经验，拆解了大规模训练中的三大核心挑战及解决方案：

1. 集群稳定性：大规模训练对系统稳定性要求极高，任何单点故障都可能导致任务中断。为此，百度通过精细化监控与验证提前发现潜在问题，并构建透明Checkpoint机制以快速恢复故障节点，减少损失。

2. 线性扩展能力：万卡集群需要实现线性扩展，避免性能瓶颈。百度通过XPU驱动的any-to-any通信技术，绕过CPU限制，优化网络流量调度，确保多任务、多并行策略下的高效扩展。

3. 模型生态与精度体系：英伟达的强大护城河在于其成熟的模型生态，而国产芯片需解决不同硬件平台上的算子适配问题。百度开发了高度泛化的算子体系，针对不同规模和形状的算子进行验证，确保精度和性能的稳定性。

此外，随着MoE（混合专家模型）和多模态模型的兴起，新的挑战也随之而来。MoE模型参数规模激增，但输入序列变长导致通信占比提升，需通过极致的通信优化与显存协同来应对；多模态模型则因不同模态的计算强度差异，需采用异构数据均衡调度策略，提升训练效率。

目前，百度昆仑芯已在模型覆盖和集群规模上取得显著进展，能够支持主流大模型的全栈训练，并实现了万卡规模的任务运行。未来，百度将继续推进昆仑芯在更大规模集群上的应用，助力国产AI芯片走向成熟。

MEET2026智能未来大会吸引了近1500名线下观众和超350万线上观众，成为行业关注的焦点。