国内AI创新盘点：联想集团问天超节点整合计算、iChain加速履约决策

2026年9月22日，联想集团在云栖大会展示问天超节点；同月，DeepSeek发布V4.1 Flash，宇树科技展示UnifoLM-WLA真机测试。这三家国内企业的AI创新各有亮点：联想问天超节点把计算、通信和存储组织为逻辑节点，混合词元工厂统一纳管本地异构算力与公有云模型服务；联想披露，iChain订单履约智能体在自有供应链让履约决策与执行提速至原来的3倍。DeepSeek称V4.1 Flash对高带宽显存的需求降至上一代的四分之一；宇树科技公布的UnifoLM-WLA真机测试涵盖64项任务。

联想问天超节点：计算、通信和存储合成逻辑节点

问天超节点解决方案于2026年6月发布，9月在云栖大会展示。大模型训练和推理扩容时，卡间通信、显存容量和数据流转要与计算卡协同。联想将计算、通信和存储组织成一个逻辑节点，再以节点为单元扩展算力系统。

按联想披露的问天设计规格，单节点可搭载40张GPU，FP8算力超过28 PFLOPS，HBM显存超过5.76 TB，访存总带宽超过80 TB/s。联想还给出芯片间百纳秒级P2P单向时延指标，着力提高多卡间的数据交换速度。问天支持40卡配置、集群横向扩建，也兼容32卡配置，覆盖训练、推理及开发测试等不同需求；无线缆正交直插架构兼容标准19英寸机箱。联想称，这种结构可把集群部署周期压缩至数小时，面向大规模集群的部署与维护。

9月的展示还将问天超节点与万全异构智算平台5.0纳入同一系统方案。问天负责组织计算、通信和存储，万全平台提供集群训推加速和芯模编译优化等能力。联想披露，平台把处理输入的预填充与持续生成输出的解码分开调度，并用KV Cache共享缓存管理集群负载。两类推理任务对计算与缓存的需求不同，分开管理有助于提高资源利用率。芯模编译优化则让计算图适配不同模型和算力芯片，并自动生成相应算子。联想称万全平台覆盖从百卡到万卡的算力规模，承接不同规模的训练与推理需求；目前公布的问天材料则以架构、配置和展会展示为主。

联想词元工厂：异构算力按需调度、按词元计量

联想在云栖大会展示的混合词元工厂，关注算力交付之后怎样成为可调用的模型服务。联想9月20日披露的运营机制是：把本地异构算力与公有云模型服务纳入同一管理体系，以词元为统一计量单位，让应用接入、资源调度、用量统计和分账进入同一流程。企业调用AI服务时，便可以追踪任务由哪类资源承接、消耗多少词元，以及成本落在哪个部门。

xCloud词元中枢（Token Hub）是混合词元工厂的核心平台。词元中枢衔接智算集群管理、模型部署和推理加速，并向业务应用提供多模型统一接入与智能路由。联想8月披露，作为核心组件的词元中枢已经上线，覆盖政府、教育、制造等行业。

9月展示的混合词元工厂覆盖范围更广：xCloud联想智能云、智算中心、万全异构智算方案，以及服务器、存储和数据网络共同组成从基础设施到服务运营的链条。方案还把顶层规划、数据治理、计算优化和安全管理列为四项支撑工作。顶层规划从服务对象、业务任务和目标水平倒推资源配置；数据治理梳理业务知识，把分散概念及其关系组织起来；计算优化让模型、算力与架构相匹配，安全管理覆盖加密、脱敏、权限和审计，并设有常态化第三方安全审计与组件检测。联想还将用电纳入方案设计，在算力效率、数据治理和能源消耗之间统筹词元生产与服务运营。联想把算力和模型组织成按需调用的服务单元，词元计量让资源消耗可以被记录和分配。目前公开的整套方案信息以架构和运营机制为主，客户项目中的调度效率、用量管理与成本变化还需对应运行数据来衡量。

联想iChain：履约决策提速，供应链风险响应前移

联想全球供应链覆盖180个市场、30多家工厂、100个物流中心和约2000家供应商，每年处理超过1400万条订单行。跨多个地区的供应链计划人员一次要管理数千笔客户订单；零部件、生产排程和运输之间相互牵连。一笔订单出现交付风险时，计划人员过去往往要在多个系统中查找信息、判断根因，再同其他团队商议调整。经过多年供应链数字化建设，联想披露整体交付准确率提高30%。在已有可视化和风险监控能力的基础上，iChain先在订单履约、指标分析和风险管理等场景中应用，再随团队发现的新问题扩展，把监测、分析、建议和获批准后的执行衔接到日常决策流程。

订单履约智能体持续检查交付承诺，找出可能延期的订单，并追查影响交付的根因。识别问题之后，订单履约智能体模拟不同恢复方案，向计划人员推荐行动，再通过既有交易和执行系统连接后续流程。联想披露，在自有供应链中，订单履约智能体帮助团队作出并执行履约决策的速度提高至原来的3倍。

同一平台上的风险管理智能体处理另一类任务。风险管理智能体持续监测内部和外部信号，评估潜在中断可能影响哪些供应商、零件、订单和生产安排，并提出缓解建议。供应链与生产等相关团队可在虚拟协同空间中交换判断，借助闭环追踪确认各项行动是否完成。联想披露，在自有供应链运行中，风险评估准确率达到85%，风险响应速度提高至原来的4倍。

联想将iChain智能体接入原有业务系统：控制塔与既有交易系统、工具、数据库和模型相连。联想训练供应链团队使用自然语言与智能体交互，并持续收集反馈。高风险或异常情况保留专家复核与审批；应用和数据架构也经过企业架构、安全及内部合规审查。联想已形成面向客户的iChain方案，支持客户在已有系统基础上分阶段接入智能体。方案也承接了联想在系统集成、流程调整、人员培训和人工复核中积累的经验。

联想安全运营中心：智能体筛警情，专家处理关键威胁

在安全运营环节，联想把AI智能体接入告警处理流程。联想全球网络每天分析超过150亿条计算事件，约4000条需要深入调查，安全运营中心再从中识别25个最关键的问题，供专家优先处理。联想安全运营中心负责保护分布在150个国家、由约8万人使用的14万台设备，并持续筛查相关告警。过去，分析师要逐项核查设备状态、文件哈希和网络信息，再判断告警是否构成真实威胁。不同工具之间的工作步骤分散，增加了调查时间。

联想在自有安全运营中心先建立智能数据接入平台，把来自不同安全系统的信号汇集、降噪，再由AI智能体对告警分级。低级事件由智能体按流程处理；复杂事件则补齐相关上下文和建议，交给安全专家判断。团队用了数月时间与分析师及安全合作伙伴一起针对不同告警反复测试输出，形成对应的处置流程，并在日常运行中保留数据隔离、脱敏和日志记录。告警处理产生的新信息又被用于识别重复出现的攻击模式和调整安全策略。

按联想披露的自身运行结果，过去需要分析师花45至60分钟调查的信息，现在可以在数秒内汇集；平均发现攻击的时间由4小时缩短至30分钟，超过80%的低级事件现可在没有分析师介入的情况下解决。联想还披露，恶意软件和攻击识别的准确性提高至原来的20倍，平均事件处置时间由96小时缩短至24分钟，网络安全总拥有成本下降60%。安全专家因此把更多时间放在复杂且优先级更高的威胁上。

DeepSeek V4.1 Flash：非对称结构减少模型缓存需求

9月10日，DeepSeek发布V4.1 Flash，并同步将新模型上线API。DeepSeek将V4.1 Flash定位为新结构系列中尺寸最小的型号。V4.1 Flash的总参数量为552B，采用新的Causal-Encoder-Decoder结构；模型运行时，输入部分激活8B参数，输出部分激活16B参数。混合专家结构按任务调用部分参数，输入和输出采用不同的激活规模，分别配置计算量。DeepSeek称，这种非对称设计旨在提高推理速度、吞吐量和后续扩展能力。新模型还采用了新的预训练方式和更大规模的强化学习后训练；按DeepSeek公布的自有基准结果，V4.1 Flash超过包括V4 Pro在内的若干模型。

对于持续对话和智能体任务，模型需要保存已经处理过的上下文，KV Cache便是其中重要的缓存。请求连续到来时，缓存占用会影响可同时服务的任务量，也会改变硬件资源的配置方式。DeepSeek称，与上一代模型相比，V4.1 Flash对高带宽显存的需求降至原来的四分之一，对固态存储的需求降至原来的八分之一；与初代模型相比，KV Cache已缩小437倍。在智能体任务中，缓存命中费用通常占有较高比例，DeepSeek将缓存压缩与调用成本下降联系起来。新模型还原生支持视觉理解，使文本与图像可以进入同一调用入口。

开发者将API模型名称设为deepseek-flash，即可调用V4.1 Flash。旧版Flash和视觉实验版的模型名称也暂时被路由至新模型，方便已有调用迁移。DeepSeek披露，发布时WorkBuddy（含CodeBuddy）和OpenCode已作为官方合作伙伴全量接入V4.1 Flash，模型进入开发工具的调用流程。DeepSeek同时提供模型权重和技术报告入口，供研究者查看结构、部署要求和测试方法。V4.1 Flash已进入对外服务阶段，具体业务负载下的响应速度与费用还取决于任务和硬件条件。

宇树科技UnifoLM-WLA：一个模型覆盖多种真机任务

宇树科技把模型研究带到机器人的动作执行环节。UnifoLM-WLA-1.0是一个约6B参数的具身模型，以视觉、语言和动作的联合建模为基础，面向桌面操作与全身动作任务。宇树科技称，UnifoLM-WLA-1.0使用约2500小时高质量真机数据训练，覆盖64项任务，并适配二指夹爪和多种五指灵巧手。

在模型结构上，宇树以UnifoLM-ER-Flow作为多模态基础，再加入动作专家，使环境感知、任务理解和动作生成能够在统一表示中衔接。宇树科技介绍，具身推理模块以开源Qwen3-VL-4B为底座，重点训练物体位置、轨迹和空间关系判断；动作专家再将这些判断接入机器人任务。研发团队将机器人的末端位姿、手部关节和下肢关节动作分别编码成离散标记，并与视觉、语言信息对齐；模型还预测画面中未来可能变化的区域，用于学习机器人动作与场景变化的关系。具身推理模型使用超过500万份训练样本，涵盖物体检测、图像点位、二维轨迹、三维目标和空间问答等任务。宇树科技公布的16项多模态感知与理解评测中，具身推理模块有7项领先参与比较的开源模型。

宇树科技公布的G1人形机器人真机测试包括10项全身操作任务和54项桌面操作任务。测试从桌面物体操作延伸到需要全身协调的动作，还展示了不同末端执行器的适配。宇树科技称，相关研发借鉴了starVLA和Qwen-Image等开放项目。9月20日，宇树科技开放了模型结构和训练动作专家的代码，具身推理模型的部分权重已另行发布；UnifoLM-WLA-Base权重仍在后续开放清单中。目前公开的验证主要来自宇树科技研发环境中的真机任务测试。