近年来，大模型训练与推理需求快速增长，算力基础设施与核心软件栈的重要性被进一步放大。
面对国际科技竞争加剧与供应链不确定性上升，“主权AI”从概念讨论走向现实考题：能否在关键环节形成可控、可用、可持续迭代的自主体系，直接关系到未来产业竞争力与国家科技安全。
问题在于，“主权AI”不是单点突破的工程，而是一条长链条、重协同的系统能力。
郑纬民在会上指出，决定成败的关键并非仅是硬件“能不能跑”，更在于是否能形成足够规模且愿意长期投入的开发者群体，让更多应用稳定运行在同一套技术栈之上。
这一判断直指痛点：如果生态不能支撑大规模应用落地，硬件性能优势也难以转化为市场优势与产业优势。
原因主要来自三方面。
一是传统芯片产业长期依赖全球化分工，架构设计、制造设备、代工、封装测试等环节高度耦合，在外部环境变化时容易暴露“卡点”。
二是国内产业在快速发展过程中出现“内卷与碎片化”现象：不同厂商接口不一、工具链差异明显，导致适配成本高、开发周期长，开发者需要投入大量重复劳动。
三是大模型时代的软件复杂度陡增，训练框架、算子库、编译器、驱动与系统调度等环节任何一处短板都会放大整体摩擦，使“能用”与“好用”之间产生明显落差。
影响层面，若生态分散、标准不统一，将直接推高应用迁移成本，削弱开发者信心，进而抑制应用供给与商业化闭环形成；若供应链风险不可控，则算力基础设施的建设与交付可能面临不确定性，影响科研与产业部署节奏；若算法与平台适配能力不足，大模型训练与优化难以充分释放硬件潜力，形成“算力投入高、产出效率低”的局面。
反过来看，一旦实现算力、算法、生态的协同推进，不仅有助于提升算力利用效率和模型训练能力，也将带动工具链、软件服务、行业应用的整体升级，形成更具韧性的产业体系。
对策上，郑纬民提出的路径更强调系统工程思维：以“算力自主、算法自强、生态自立”三位一体推进。
其中，算力自主至少包含三项硬指标：芯片设计能力自主、制造与供应链风险可控、系统与集群交付能力过硬，确保从单卡到集群的可用性与工程化落地。
算法自强则要求围绕GPU完成大模型适配、训练与优化，把模型能力转化为可规模化的训练效率与推理性能。
更重要的是生态自立——其内涵不是“跑通一个软件”即可，而是让平台具备“可开发、可维护、可迭代、可规模复制”的条件，让开发者愿意用、敢于用、长期用。
围绕生态建设，与会人士强调要把“降低开发者工作量”作为核心目标，通过产业联盟与软硬件协同设计推进接口与工具链的相对统一，减少重复适配，提升开发体验与迁移效率。
摩尔线程方面也表示，生态体系是GPU行业的核心价值所在，将依托统一计算架构持续加大研发投入，强化从硬件到软件的关键技术攻关，并通过开放合作深化与生态伙伴协同。
业内普遍认为，只有把开发环境、文档体系、兼容策略、性能调优工具、社区运营等“基础设施”做扎实，才能形成稳定的开发者正循环：应用越多、反馈越充分、迭代越快、平台越成熟。
前景判断上，大模型应用正在从通用能力竞争转向“工程能力与生态能力竞争”。
未来一段时期，“主权AI”的竞赛不只是算力规模比拼，更是平台标准化程度、软硬件协同效率、开发者活跃度和行业应用落地速度的综合较量。
随着产业链协同加强、应用牵引加速、统一生态逐步成形，国产计算平台有望在部分重点行业率先形成可复制的示范路径，并在持续迭代中提升国际竞争力。
同时也需看到，生态建设是一场“慢变量”工程，既需要长期投入，也需要规则共识与协作机制，避免重复建设与资源内耗。
主权AI的建设是一项长期的系统工程，需要在硬件、算法和生态三个维度同步推进。
郑纬民院士的论述深刻揭示了当前产业发展的关键瓶颈，即生态自立的紧迫性。
从某种意义上说，技术突破只是必要条件，而开发者生态的繁荣才是充分条件。
唯有通过产业界的团结协作，建立统一规范、易用友好的开发平台，才能吸引和培养足够的开发者队伍，形成自我强化的良性循环，最终实现主权AI从"能跑"到"好用"再到"广泛应用"的演进。
这一认识对于指导国产芯片产业的长远发展具有重要意义。