Tecorigin T2 Ultra und HyperIntelliX: Einheitliche KI- und HPC-Computing-Plattform

Einleitung

Die WAIC 2026 hat Shanghai zu einem Schaufenster für Chinas schnell wachsende KI-Computing-Industrie gemacht. In diesem Jahr versammelt die Messe 108 Chips und über 200 intelligente Computing-Produkte, darunter Beschleuniger, Superknoten, Clustersysteme, Software-Stacks, wissenschaftliche Rechenplattformen und branchenspezifische Lösungen.

Die Wettbewerbslandschaft hat sich verändert.

In den Vorjahren lag der Schwerpunkt oft auf der Spitzenleistung einzelner Karten. In diesem Jahr jedoch sind Systemarchitektur, großflächige Kollaboration, Interkonnektivitätseffizienz, Software-Migration und vollständige Bereitstellungsfähigkeiten die wiederkehrenden Schlüsselbegriffe geworden.

Mit der Vergrößerung von Modellen, der zunehmenden Zustandsstärke von KI-Agent-Systemen und der steigenden doppelten Nachfrage nach Universal- und Beschleunigungsrechnen für wissenschaftliche KI-Workloads (AI for Science) lässt sich der Wert einzelner Chips immer schwerer vom umgebenden System trennen.

Auf dem Tecorigin-Stand in Zhangjiang stellte das Unternehmen einen neuen heterogenen Many-Core-Chip und ein großes Superknoten-System vor, das um das Konzept der sogenannten „KI- und HPC-Konvergenz" herum entwickelt wurde.

Die Kernprodukte umfassen:

• HCU Heterogene Konvergente Computing-Architektur
• Den neuen T2 Ultra Prozessor
• Das HyperIntelliX Massiv-Computing-System
• Eine verbesserte Entwickler-Community und Migrations-Toolkette
• Eine eigenständig entwickelte AI4Science-Computing-Plattform
• Ein multilaterales, ganzheitliches Sicherheitssystem für große Modelle

Die Botschaft des Unternehmens ist klar: Der Markt bewertet nicht mehr nur, ob lokale Chips Modelle ausführen können, sondern ob eine vollständige Plattform diverse Workloads unterstützen, auf große Cluster skalieren, Migrationskosten senken und in der Produktion stabil bleiben kann.

Architektur vor Einzelkarten-Leistung

Der CEO von Tecorigin, Yang Jinzhe, beschreibt den aktuellen Zustand der Branche als einen Wandel vom Einzelkarten-Wettbewerb hin zum System-Wettbewerb.

Dieser Wandel spiegelt die Veränderungen der Workloads selbst wider.

Große Modelle haben die Schwelle von einer Billion Parametern überschritten. KI-Agent-Systeme benötigen komplexere Planung, Terminierung, Speicherverwaltung und Tool-Koordination. Wissenschaftliche KI-Anwendungen erfordern zudem hochdurchsatzstarke numerische Berechnungen, langlaufende Aufgaben und strenge doppeltgenaue Anforderungen.

Wenn die umgebende CPU, der Speicher, die Kommunikationsverbindungen, der Speicher und die Planungssoftware nicht mithalten können, kann eine bloße Erhöhung der Anzahl von Beschleunigerkarten zu abnehmenden Grenzerträgen führen.

Das Ziel ist nicht mehr die reine theoretische maximale Rechenleistung, sondern die Senkung der tatsächlichen Kosten für nützliche Berechnungen im gesamten System.

Andere WAIC-Aussteller zeigten ähnliche Systemstrategien, darunter Huaweis Atlas 950 SuperPoD, Muxis Xijing Superknoten-System und Alibabas Lingjun Zhenwu Infrastruktur.

Tecorins Lösung ist seine HCU-Architektur, kurz für Heterogene Konvergente Computing-Architektur.

Diese Architektur vereint universelle CPU-Ressourcen und spezialisierte KI-Rechenkerne auf demselben Hochgeschwindigkeitsbus. Sie unterstützt ein konfigurierbares M:N-Verhältnis, sodass das Gleichgewicht zwischen CPU- und Beschleunigerressourcen dynamisch an den Workload angepasst werden kann.

Im vorgeschlagenen Arbeitsteilungsschema:

• Die CPU-Seite übernimmt universelle Aufgaben wie KI-Agent-Terminierung, Workflow-Steuerung und Datenvorverarbeitung.
• Das XPA-Rechenfeld konzentriert sich auf das Training und die Inferenz großer Modelle.
• Der gemeinsame geschichtete Speicher verwaltet dynamisch heiße und kalte Daten.
• Das System ändert das Ressourcengleichgewicht je nach Aufgabenanforderung, anstatt sich auf eine feste CPU-zu-Beschleuniger-Konfiguration zu verlassen.

Aus praktischer Sicht integriert dieses Design zwei Rechenressourcentypen in einer Architektur, sodass das System Ressourcen flexibler zuweisen kann.

Der potenzielle Vorteil liegt in einer höheren Auslastung bei gemischten Workloads. Das System muss nicht für jede steuerungsintensive Aufgabe das Hochdurchsatz-KI-Array einsetzen, noch muss es bei Workloads, die umfangreiche Terminierung und Koordination erfordern, auf eine leistungsschwächere Host-CPU angewiesen sein.

Die Bedeutung von heterogenem Many-Core-Computing für KI-Agenten

Herkömmliche KI-Server verwenden typischerweise eine CPU mit vier bis acht GPUs oder KI-Beschleunigerkarten.

In diesem Design fungiert die CPU normalerweise als Host: Sie startet Aufgaben, verwaltet Datenbewegungen, bearbeitet Betriebssystemaufgaben und koordiniert die Beschleuniger.

Dieses Modell funktioniert gut, wenn die Beschleuniger den Großteil der Berechnungen durchführen und der Steuerungspfad relativ einfach ist.

KI-Agenten brechen dieses Gleichgewicht.

Ein effizienter KI-Agent könnte Folgendes erfordern:

1. Interpretation von Zielen
2. Aufteilung in Teilaufgaben
3. Auswahl von Werkzeugen
4. Planung und Anpassung von Workflows
5. Lesen und Schreiben externer Daten
6. Aufrechterhaltung eines Langzeitgedächtnisses
7. Koordination mehrerer Modelle oder Sub-Agenten
8. Erholung von fehlgeschlagenen Aktionen
9. Verwaltung von Berechtigungen und Genehmigungen
10. Kontinuierliche Ausführung in langen Sitzungen

Viele dieser Operationen sind auf universelles Rechnen angewiesen, nicht auf dichte Matrixmultiplikationen.

Der Quellartikel zitiert Branchenerwartungen: Das historische Verhältnis von CPU zu GPU könnte von mehreren zu eins bei bestimmten Knoten in Zukunft in Richtung eins zu eins gehen, während bei KI-Agent-intensiven Workloads der CPU-Bedarf weiter steigen könnte.

Alibaba Cloud hat KI-Agenten ebenfalls als eine Kombination aus zustandsbehafteter Planung und zustandsloser Ausführung beschrieben, was eine feinere Ressourcenkontrolle erfordert.

Tecorins HCU-Architektur zielt darauf ab, diesen Wandel auf Prozessorebene zu adressieren.

Durch die Verbindung von CPU-Ressourcen und KI-Kernen über dieselbe Hochgeschwindigkeits-Interkonnektstruktur zielt das Unternehmen darauf ab, den Datenübertragungs-Overhead im Vergleich zu vollständig getrennten Host-Beschleuniger-Designs zu reduzieren.

Ob sich die theoretischen Vorteile in tatsächliche Ergebnisse umsetzen lassen, hängt von der realen Anwendungsleistung, der Compiler-Qualität, dem Speicherverhalten, der Planungsstrategie, der Energieeffizienz und der Systemauslastung ab.

T2 Ultra: Ein Prozessor, zwei Betriebsmodi

Der von Tecorigin vorgestellte T2 Ultra ist der erste Prozessor, der auf seiner neuen HCU-Architektur basiert.

Sein auffälligstes Merkmal ist das Dual-Mode-Design.

Eigenständiger Rechenmodus

Im eigenständigen Rechenmodus kann der T2 Ultra als vollständiger Rechenknoten fungieren und nicht nur als zusätzlicher Beschleuniger.

Dies macht ihn geeignet für:

• Edge-Bereitstellungen
• Kleine Forschungssysteme
• Workstations
• Eigenständige Rechenknoten
• Umgebungen, in denen eine separate Host-Architektur die Komplexität erhöhen würde

Beschleunigungs-Rechenmodus

Im Beschleunigungsmodus arbeitet der T2 Ultra mit einem Host-System zusammen und fungiert als Hochdurchsatz-Rechenmaschine in einem größeren Server oder Cluster.

Dieser Modus unterstützt:

• Training großer Modelle
• Masseninferenz
• Multi-Karten-Server
• Superknoten
• Wissenschaftliche Rechencluster
• Rechenzentrumsbereitstellungen

Daher kann derselbe Prozessor in verschiedenen Infrastrukturrollen eingesetzt werden.

Veröffentlichte T2 Ultra Spezifikationen

Tecorigin und der ursprüngliche Bericht listen die folgenden Spitzenspezifikationen auf:

Hierbei handelt es sich um Spitzendaten des Anbieters.

Die FP64-Leistung ist besonders wichtig für wissenschaftliche und technische Anwendungen, die doppelt genaue Berechnungen erfordern. FP16 und FP4 richten sich an KI-Training und -Inferenz, wobei der Durchsatz durch die Verwendung von Formaten mit geringerer Genauigkeit gesteigert werden kann, sofern es die Modell- und Genauigkeitsanforderungen erlauben.

Sparse-Rechendaten setzen ebenfalls voraus, dass Arbeitslasten und Software die unterstützten Sparsifizierungsmodi nutzen können. Ohne bestätigte Benchmark-Methoden sollten sie nicht direkt mit dichter Rechenleistung verglichen werden.

Der tatsächliche Wert des T2 Ultra hängt ab von:

• Kontinuierlicher Anwendungsleistung
• Speicherbandbreite und Kapazität
• Effizienz der Cluster-Skalierung
• Genauigkeit bei niedriger Präzision
• Softwareunterstützung
• Zuverlässigkeit
• Stromverbrauch
• Produktionsverfügbarkeit
• Kosten pro abgeschlossener Arbeitslast

Die Dual-Mode-Architektur könnte für Kunden, die mehrere Bereitstellungsgrößen benötigen, die Hardware-Fragmentierung reduzieren, aber die Eignung für die Zielarbeitslasten muss noch verifiziert werden.

HyperIntelliX: Verschmelzung von intelligenter Datenverarbeitung und Supercomputing

Wenn der T2 Ultra der Rechenmotor ist, dann ist HyperIntelliX die darauf aufgebaute groß angelegte Plattform.

Tianjun positioniert HyperIntelliX als ein national produziertes Rechensystem, das Folgendes integriert:

• Intelligentes Rechnen für Modelltraining und Inferenz
• Hochleistungsrechnen für numerische Simulationen
• AI4Science-Workflows
• Große Verbindungen
• Flüssigkeitsgekühlte modulare Infrastruktur
• Gemeinsame Software und Ressourcenverwaltung

![Bild zeigt die Tecorigin T2 Ultra

• HyperIntelliX Super-Intelligente Fusionsplattform, die als neue Generation national produzierter intelligenter Rechen- und Supercomputing-Systeme für AI4S hervorgehoben wird, geeignet für Training und Inferenz von Billionen-Parameter-Modellen und AI4S-wissenschaftliches Rechnen. Links ist das äußere Erscheinungsbild der Plattform zu sehen, rechts werden ihre Schlüsselparameter in Tabellenform dargestellt, einschließlich Superknotengröße von 128 Karten, Inferenzrechenleistung 614 PB, Trainingsrechenleistung 307 PB, HPC-Rechenleistung 4,8 PB, Speicherkapazität 18,4 TB, Speicherbandbreite 512 TB/s, Verbindungsbandbreite 102,4 TB/s]

4 TB/s, 16 Rechenknoten, 8 Vermittlungsknoten, Betriebsmodi unterstützen sowohl autonomes Rechnen als auch beschleunigtes Rechnen.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/0cf00195-6d6f-494c-b802-71d1354bd2dd-155674a0-c083-4fa4-92f3-c1640b85e6b8.jpeg)

Das Unternehmen gibt an, dass das System ein modulares, flüssigkeitsgekühltes Design verwendet, eine angestrebte PUE von unter 1,1 hat und über optische Verbindungen auf Cluster mit bis zu 100.000 Karten erweitert werden kann.

Es zielt darauf ab, mit einer einzigen Hardware-Familie gleichzeitig Arbeitslasten von Billionen-Parameter-Modellen und wissenschaftliche Rechenanwendungen auszuführen.

Das ist der Kern der Fusion von Supercomputing und intelligentem Rechnen.

Traditionelle KI-Cluster sind oft für Tensor-Operationen, Modelltraining oder Inferenz optimiert. Traditionelle Supercomputer priorisieren möglicherweise FP64, MPI-artige Arbeitslasten, große numerische Simulationen und kontinuierliche Parallelleistung.

AI for Science vereint zunehmend beides.

Ein Forschungsworkflow könnte traditionelle Simulationen zur Datengenerierung nutzen, neuronale Surrogatmodelle trainieren, KI-gestützte Vorhersagen durchführen und dann zur numerischen Validierung zurückkehren. Die Aufrechterhaltung separater Infrastrukturen für jede Phase führt zu doppelten Hardware-, Software- und Betriebskosten.

HyperIntelliX soll eine einheitliche Basisplattform für beide Arten von Anwendungen bieten.

Die Bezeichnung als branchenweit erste groß angelegte Plattform für die Fusion von intelligentem Rechnen und Supercomputing stammt vom Unternehmen und dem ursprünglichen Bericht. Die Klassifizierungskriterien hängen davon ab, wie konkurrierende Systeme und frühere Bereitstellungen definiert werden, daher sollte dies nicht als unabhängig etablierte Marktposition betrachtet werden.

Die Plattform ist nicht nur für große Modelle geeignet

Taichuyuanji betont, dass HyperIntelliX nicht auf allgemeines KI-Training und -Inferenz beschränkt ist.

Das Unternehmen demonstrierte AI for Science-Projekte in drei repräsentativen Bereichen:

• Globale Wettervorhersagevisualisierung
• TecoQSim klassischer Quantensimulator
• Groß angelegtes virtuelles Arzneimittel-Screening

Diese Arbeitslasten stellen andere Anforderungen als typische Chatbot- oder Retrieval-Anwendungen.

Wissenschaftliches Rechnen erfordert typischerweise:

• Hohe Parallelität
• Hohen Datendurchsatz
• Lang laufende Aufgaben
• Stabilen Betrieb über Stunden oder Tage
• Doppelte Genauigkeit
• Große verteilte Speichersysteme
• Spezielle numerische Bibliotheken
• Wiederholbare Ergebnisse
• Integration mit bestehendem Forschungscode

Der Hintergrund des Taichuyuanji-Teams umfasst die Beteiligung an Systemen und Projekten, die den Gordon-Bell-Preis erhalten haben (eine der renommiertesten Auszeichnungen im Bereich Hochleistungsrechnen).

Diese Erfahrung unterstützt die Entscheidung des Unternehmens, in AI for Science einzusteigen, obwohl die historischen Errungenschaften des Teams nicht unabhängig die Leistung des neuen Produkts beweisen.

Biowissenschaften

Die in den offiziellen AI for Science-Materialien von Taichuyuanji beschriebenen Arbeiten umfassen:

• Zusammenarbeit mit dem PaddlePaddle- und Sunway-Team zur nationalen Nachbildung von AlphaFold3
• Adaption und Optimierung von UCSF DOCK 3.7 durch die

Shandong-Universität

• Gemeinsame Entwicklung von CrossDNA mit der Hunan-Universität

Diese Projekte betreffen Proteinstrukturvorhersage, molekulares Docking, virtuelles Arzneimittel-Screening und Genom-Sprachmodellierung.

Wetter und Klima

Taichuyuanji hat mit dem wissenschaftlichen Rechenteam von Baidu zusammengearbeitet, um ein heimisches Wettersystem zu entwickeln, das Temperatur, Wind, Niederschlag und Taifunbahnen visualisieren kann.

Die Wettervorhersage erfordert die Verarbeitung großer raumzeitlicher Datensätze und die Kombination numerischer Modelle mit maschinellen Lernsystemen.

Quantensimulation

Taichuyuanji hat gemeinsam mit dem Team der Tsinghua-Universität TecoQSim entwickelt, einen klassischen Simulator für Quantensysteme.

Die Plattform nutzt komplexe Tensor-Kontraktionen und numerische Hochleistungsberechnungen, um Quantenverhalten auf traditioneller Rechenhardware zu simulieren.

Strömungsmechanik und Materialwissenschaft

Das Unternehmen beschreibt auch Praktiken in den Bereichen numerische Strömungsmechanik, wissenschaftliche multimodale Modelle, Materialwissenschaft, Chemie und anderen Feldern, die Simulation und künstliche Intelligenz kombinieren.

Diese Kooperationen zeigen das erwartete Anwendungsspektrum der Plattform. Die Leistungsdaten der einzelnen Projekte hängen weiterhin von ihrer spezifischen Konfiguration und den Bewertungsmethoden ab.

Ökosystem-Migration ist die größte Herausforderung für nationale Produktion

Starke Hardware allein reicht nicht aus, wenn Entwickler ihre Arbeitslasten nicht auf die neue Hardware verlagern können.

Taichuyuanji stellte auf der World Artificial Intelligence Conference zwei Ökosystemprodukte vor, die die Migrationskosten senken sollen.

Das erste Produkt ist die KI-Entwickler-Community 2.0.

Das Unternehmen gibt an, dass die Plattform die folgenden wichtigen Trainings- und Inferenzsysteme unterstützt:

• Megatron-LM
• DeepSpeed
• PaddlePaddle und PaddleHelix
• PyTorch
• vLLM
• SGLang
• Transformers
• LLaMA-Factory

Die Toolchain deckt die folgenden Phasen ab:

1. Modellanalyse
2. Migration
3. Operator-Entwicklung
4. Kompilierung
5. Leistungsoptimierung
6. Präzisionsdebugging
7. Bereitstellung
8. Laufzeitverwaltung

Das zweite Produkt ist eine neue, national produzierte AI4Science-Rechenplattform.

Die Plattform integriert für wissenschaftliche Berechnungslasten:

• Planung von Rechenressourcen
• Auftragsverwaltung
• Entwicklungsumgebungen
• Wissenschaftliche Berechnungspakete
• Taichu Programmiermodell
• Allgemeine und domänenspezifische Beschleunigungsbibliotheken
• Operatorgenerierungswerkzeuge
• Compileroptimierung
• Leistungsanalyse

Laut der offiziellen Produktseite unterstützt die Plattform Mainstream- und inländische CPUs, einschließlich Loongson, Sunway, Phytium, x86 und

andere Systeme.

Sie unterstützt auch folgende Frameworks:

• PyTorch
• JAX
• PaddlePaddle
• MindSpore
• vLLM

Das zugehörige DevKit zielt darauf ab, die Kosten für das Schreiben und Optimieren von Operatoren zu senken.

Warum die Migration Zeit benötigt

Ein Modell, das erfolgreich gestartet werden kann, ist nicht unbedingt produktionsreif.

Die Migration kann Arbeiten auf mehreren Ebenen erfordern:

• Ersetzen nicht unterstützter Operatoren
• Portierung benutzerdefinierter Kernel
• Aktualisierung des Build-Systems
• Konvertierung von Modellformaten
• Überprüfung der numerischen Genauigkeit
• Reproduktion von Basislinien-Ergebnissen
• Verbesserung der Speichereffizienz
• Optimierung der Kommunikationsmechanismen
• Anpassung der Parallelisierungsstrategie
• Testen der Fehlerwiederherstellung
• Aktualisierung von Überwachungs- und Bereitstellungstools

Die Originalquelle zitiert eine Branchenschätzung, dass eine vollständige Anpassung drei bis sechs Monate dauert, wobei die Leistungsoptimierung etwa 60% des Arbeitsaufwands ausmacht.

Diese Schätzung ist nicht universell. Die Migration von Standardmodellen mit unterstützten Operatoren kann schneller sein, während große, maßgeschneiderte Forschungscodes länger dauern.

Der entscheidende Punkt ist, dass die Migrationskosten den technischen Aufwand und das Betriebsrisiko messen, nicht nur die Softwareinstallation.

Zwei große Ökosystemstrategien

Die Originalquelle unterteilt das inländische Beschleuniger-Ökosystem in zwei Hauptkategorien.

Kompatibilitätsorientiertes Ökosystem

Dieser Ansatz versucht, vertraute Entwicklungsmuster beizubehalten und Änderungen an bestehenden Workloads zu minimieren.

Hersteller können eigene Compiler, Laufzeiten, Operatorbibliotheken und Migrationstools bereitstellen und gleichzeitig weit verbreitete Frameworks und Programmiermodelle unterstützen.

Vorteil: Reduzierung der Reibungsverluste beim Wechsel.

Risiko: Die vollständige Kompatibilität mit einem reifen und sich schnell entwickelnden Ökosystem aufrechtzuerhalten, ist schwierig. Bei anspruchsvollen Workloads können subtile semantische oder Leistungsunterschiede auftreten.

Unabhängiges Ökosystem

Der zweite Weg baut eine unabhängigere Softwareumgebung auf, wie z. B. das Ökosystem des Huawei MindSpore und Ascend-Technologie-Stacks.

Dies ermöglicht eine tiefere Kontrolle und Optimierung rund um die eigene Hardware.

Der Preis: Entwickler müssen möglicherweise neue Tools erlernen oder umfangreichere Änderungen an ihren Workflows vornehmen.

Die öffentlichen Informationen von Tecorigin deuten darauf hin, dass es dem kompatibilitätsorientierten Weg näher steht. Seine Website beschreibt die Unterstützung für Mainstream-Modelle und Frameworks und gibt an, dass sein Software-Stack mehr als 40 Modellserien anpassen kann.

Die Quelle schätzt, dass dieser Weg 80 % bis 90 % der Mainstream-Szenarien abdecken kann. Dieser Bereich ist eine ungefähre Beschreibung des Herstellers oder der Branche und keine Garantie dafür, dass jeder Workload ohne Änderungen migriert werden kann.

Aufbau eines AI4Science-Ökosystems

Die Ökosystemarbeit von Tecorigin umfasst Kooperationen mit Universitäten, Forschungseinrichtungen und Unternehmen.

Die Originalquelle listet folgende Fälle auf:

• Kooperation mit der Tsinghua-Universität für TecoQSim
• Gemeinsam mit der Quelle (SpinQ) entwickeltes Quanten-Supercomputer-Intelligenz-Plattform
• RiverONE-Anpassung und Verifizierung auf der Loongson-Plattform
• Unterstützung der Infrastruktur AtomWorld des Instituts für Künstliche Intelligenz (AIR) der Tsinghua-Universität
• Reproduktion von AlphaFold3 mit dem PaddlePaddle- und Sunway-Team
• Kooperation mit der Hunan-Universität für CrossDNA
• Optimierung der Moleküldocking mit der Shandong-Universität
• AI4Science-Lösung mit dem Baidu PaddlePaddle-Team
• Inländische Wetterberechnungsplattform

Anwendungen in Zusammenarbeit mit dem Baidu Scientific Computing Team

• Kooperation mit Dongrun für Energieberechnungen
• Anpassung des wissenschaftlichen multimodalen Modells Intern-S1 des Shanghai AI Lab

Die offizielle Website von Tecorigin bestätigt mehrere der oben genannten Projekte und beschreibt über 40 angepasste Modellserien, die Sprach-, Multimodal-, Code- und AI4Science-Anwendungen abdecken.

Die Quelle gibt auch an, dass das Unternehmen mit über 100 Universitäten, Forschungseinrichtungen und Industriepartnern zusammenarbeitet.

Die Anzahl der Partner und der gesamte Anpassungsumfang sind selbst gemeldete Daten. Sie demonstrieren die Lebendigkeit des Ökosystems, beweisen aber nicht die Tiefe, das Produktionsniveau oder den kommerziellen Erfolg jeder einzelnen Bereitstellung.

Die Kernstrategie bleibt klar:

Der Chip ist der Schlüssel zum Markt, aber die Software und das Anwendungsökosystem bestimmen, ob die Plattform langfristig Wert schaffen kann.

Ganzheitliches Sicherheitssystem für große Sprachmodelle

Auf der diesjährigen WAIC wurde außerdem das von sieben Institutionen gemeinsam aufgebaute Ganzheitliche Sicherheitssystem für große Sprachmodelle veröffentlicht:

• Henan Airport AI-Computing Center
• RealAI
• Tecorigin
• Anshi Information
• Qingyuan Zhiqian
• Dianshu Technology
• ShuAnXin

Die Quelle beschreibt das System als eine mehrschichtige Architektur.

Die Basis ist eine vertrauenswürdige inländische Rechenbasis. Darüber eine integrierte Bewertungs- und Governance-Plattform. Die oberen Schichten umfassen:

• Sicherheitsbewertung großer Sprachmodelle
• Datenkonformität
• Datensicherheit
• Softwaresicherheit in der Lieferkette
• Sicherheitstraining und -bildung

Dies scheint nichts mit Prozessor- oder Clusterleistung zu tun zu haben, aber Sicherheit wird zunehmend zu einem entscheidenden Bestandteil der Infrastrukturbereitschaft.

Staatliche, Finanz-, Medizin- und andere regulierte Branchen können Modelle nicht einfach einsetzen, weil sie schnell laufen. Sie benötigen Kontrollen über Daten, Berechtigungen, Softwarekomponenten, Modellverhalten, Prüfungen und Compliance.

Der Wert dieses gemeinsamen Sicherheitssystems wird von seinen Standards, seiner Abdeckung, seinen Testmethoden, der Integrationsqualität und der unabhängigen Verifizierung abhängen.

Ein geschichtetes Diagramm ist nicht gleichbedeutend mit operativer Sicherheitsgarantie.

Drei-Schichten-Infrastrukturstrategie

Die Quelle fasst das WAIC-Präsentationsportfolio von Tecorigin als drei miteinander verbundene Ebenen zusammen.

Untere Ebene: Hardware und Rechensysteme

• HCU Heterogene Fusion Computing-Architektur
• T2 Ultra Prozessor
• HyperIntelliX Rechensystem
• Große Verbindungsstruktur
• Flüssigkeitsgekühlte Cluster-Infrastruktur

Mittelschicht: Entwickler und AI4Science-Plattform

• AI-Entwickler-Community 2.0
• Framework-Anpassung
• Operator-Entwicklung
• Compiler und Leistungstools
• AI4Science-Plattform
• DevKit und Beschleunigungsbibliotheken

Oberschicht: Sicherheit und Branchenanwendungen

• Sicherheit großer Modelle in allen Bereichen
• Wissenschaftliche Kooperation
• Rechenlasten in Meteorologie, Quantenphysik, Lebenswissenschaften, Materialwissenschaften usw.
• Bereitstellung in Unternehmen und im öffentlichen Sektor

Die einzelnen Ebenen verstärken sich gegenseitig.

Ein Chip ohne Softwareunterstützung hat nur einen begrenzten Anwendungsbereich. Software ohne zuverlässige Hardwareunterstützung kann ihre Leistung nicht entfalten. Beides ohne Governance und Sicherheitsmaßnahmen ist in sensiblen Branchen nur schwer einsetzbar.

Daher positioniert sich Tecorigin nicht als reiner Ersatzbeschleuniger-Anbieter, sondern als Erbauer eines breiteren Stapels an KI-Infrastruktur.

Die WAIC 2026 ist ein Test für die Reife heimischer Rechenlösungen

Die Quelle ordnet Tecorigin in einen größeren Markt für heimische Chips ein, zu dem auch Hersteller wie Huawei Ascend, Cambricon, Muxi und Haiguang gehören.

Die in den Vergleichen verwendeten Daten – einschließlich Produktionsziele, Umsatzwachstum, Marktkapitalisierung und Anzahl der Modellanpassungen – sind zeitaktuell und stammen aus Unternehmenserklärungen oder Finanzberichten. Diese Daten sind für die Beurteilung der Tecorigin-Architektur nicht zwingend erforderlich und können sich schnell ändern.

Eine beständigere Beobachtung ist, dass sich die heimische KI-Rechenleistung von einer politisch getriebenen Einführung hin zu einer stärkeren Markterprobung entwickelt.

Kunden fragen zunehmend:

• Kann die Hardware in großem Maßstab ausgeliefert werden?
• Können große Cluster stabil bleiben?
• Unterstützt die Software die aktuellen Mainstream-Modelle?
• Wie lange dauert die Migration?
• Wie hoch sind die tatsächlichen Kosten pro Arbeitslast?
• Können Ingenieure Probleme diagnostizieren?
• Bleibt die Leistung nach Modell-Upgrades erhalten?
• Ist die Plattform für regulierte Daten sicher genug?
• Kann der Anbieter Unterstützung über den gesamten Systemlebenszyklus bieten?

Die Differenzierung von Tecorigin liegt im Versuch, KI und wissenschaftliches Rechnen durch eine einheitliche Architektur zu unterstützen.

Die Chance ist klar: AI4Science-Arbeitslasten erfordern sowohl hochpräzise numerische Leistung als auch moderne KI-Beschleunigungsfähigkeiten.

Die Herausforderung ist ebenso klar: Das Unternehmen muss Folgendes nachweisen:

• Zuverlässige Massenproduktion
• Stabile Bereitstellungen mit Zehntausenden und Hunderttausenden von Karten
• Hohe Auslastung
• Starke Software-Kompatibilität
• Wiederverwendbare Modellanpassungen
• Wettbewerbsfähige Gesamtbetriebskosten
• Nachhaltiger technischer Support
• Unabhängige Leistungsüberprüfung

Der Schritt von "nutzbar" zu "benutzerfreundlich" ist ein entscheidender Schritt, den jedes alternative Rechen-Ökosystem gehen muss.

Der wahre Wettbewerb liegt in der Systemvollständigkeit

Die WAIC 2026 zeigt, dass die Ära, die sich auf die reine Spitzenrechenleistung verlässt, zu Ende geht.

Moderne KI-Infrastruktur muss koordinieren:

• Allgemeine Rechenleistung
• Beschleunigte Rechenleistung
• Speicher
• Verbindungen
• Datenspeicher
• Kühlung
• Compiler
• Frameworks

Operator-Bibliotheken

• Cluster-Scheduling
• Modellanpassung
• Wissenschaftliche Rechensoftware
• Sicherheit und Governance

T2 Ultra ist die Antwort von Tianshu Zhixin auf Chip-Ebene, HyperIntelliX ist die Antwort auf Systemebene, und die Entwicklerplattform zusammen mit dem AI4Science-Technologie-Stack bilden die Ökologie-Antwort. Die gemeinsame Sicherheitsarchitektur zielt darauf ab, die Anforderungen der Bereitstellung in sensiblen Umgebungen zu erfüllen.

Diese Produktmatrix ist ambitioniert, und viele technische Behauptungen müssen sich noch im produktiven Maßstab bewähren.

Dennoch zeigt sie bereits die richtige Wettbewerbseinheit.

Der Ausgang der zukünftigen heimischen Rechenlandschaft hängt nicht davon ab, welches Unternehmen auf der Messe die höchste theoretische Spitzenleistung vorweist, sondern davon, welches System in der Lage ist, hochwertige Arbeitslasten stabil zu betreiben, Software-Ökosysteme effizient zu migrieren und nach der Bereitstellung wirtschaftliche Nachhaltigkeit zu erreichen.

Häufig gestellte Fragen

Was ist Tianshu Zhixin T2 Ultra?

T2 Ultra ist ein neuartiger heterogener Manycore-Prozessor auf Basis der HCU-Architektur, der sowohl den eigenständigen Modus als auch den Beschleunigermodus unterstützt und Genauigkeitsformate von FP64 bis FP4 abdeckt.

Was ist die HCU-Architektur?

HCU steht für Heterogeneous Converged Computing Architecture, die CPU-Ressourcen und KI-Rechenkerne auf einem gemeinsam genutzten Hochgeschwindigkeits-Verbindungsnetzwerk vereint und das Verhältnis beider dynamisch an unterschiedliche Arbeitslasten anpassen kann.

Was ist HyperIntelliX?

HyperIntelliX ist ein von Tianshu Zhixin eingeführtes konvergentes Massivrechensystem für KI und wissenschaftliches Hochleistungsrechnen. Es basiert auf T2 Ultra und integriert Flüssigkeitskühlung, massiv parallele Verbindungen und eine gemeinsame Softwareplattform.

Warum unterstützt T2 Ultra FP64?

FP64 ist für wissenschaftliche Simulationen und technische Berechnungen, die eine hohe numerische Genauigkeit erfordern, von entscheidender Bedeutung. Diese Unterstützung ermöglicht es dem Prozessor, sowohl AI4Science- als auch traditionelle HPC-Anwendungen zu bedienen, anstatt sich nur auf KI-Inferenz mit niedriger Genauigkeit zu konzentrieren.

Kann die Hardware von Tianshu Zhixin gängige KI-Frameworks ausführen?

Offizielle Angaben zufolge werden Frameworks und Tools wie PyTorch, PaddlePaddle, Megatron-LM, DeepSpeed, vLLM, SGLang, Transformers, JAX und MindSpore unterstützt. Der genaue Unterstützungsumfang und der Migrationsaufwand variieren je nach Modell und Operator.

Was ist die AI4Science-Plattform von Tianshu Zhixin?

Diese Plattform ist eine konvergente Plattform für wissenschaftliches Rechnen, die heimische Hardware, Job-Scheduling, Entwicklungsumgebungen, Programmiermodelle, wissenschaftliche Rechenbibliotheken, Operator-Tools und Framework-Unterstützung integriert und Bereiche wie Lebenswissenschaften, Meteorologie, Quantensimulation, Strömungsmechanik und Materialwissenschaften abdeckt.

Sind die Leistungsdaten von T2 Ultra unabhängig verifiziert?

Die in den Veröffentlichungsmaterialien genannten Spitzenleistungen für FP64, FP16, FP4 sowie die Spezifikationen für Verbindungen und Skalierung werden vom Hersteller bereitgestellt. Ein vollständiger Vergleich erfordert unabhängige Anwendungs-Benchmarks und Daten aus der Produktion.

Was ist das universelle Sicherheitssystem für große Modelle?

Dieses System wurde auf der WAIC 2026 vorgestellt. Es handelt sich um eine Multi-Parteien-Sicherheitsarchitektur, die heimisches vertrauenswürdiges Rechnen mit Modellbewertung, Governance, Daten-Compliance, Datensicherheit, Software-Lieferkettensicherheit und Trainingssicherheit integriert.

Verwandte Tools

• Tianshu Zhixin Entwicklerplattform: Offizielles Entwicklerportal mit Zugang zu Modellen, Ökologie-Ressourcen und der Plattform.
• PyTorch: Ein weit verbreitetes Open-Source-Framework für Modelltraining, -forschung und -bereitstellung.
• Megatron-LM: Ein von NVIDIA entwickeltes Open-Source-Framework für das Training großer Transformer-Modelle.
• DeepSpeed: Ein Open-Source-System von Microsoft, das verteiltes Modelltraining und Inferenzoptimierung unterstützt.
• vLLM: Ein Open-Source-Inferenz-Engine für große Sprachmodelle mit hohem Durchsatz.
• JAX: Ein numerisches Rechen-Framework für maschinelles Lernen und wissenschaftliche Rechenlasten.

Verwandte Links

• Tianshu Zhixin Offizielle Website: Offizielle Plattform für Unternehmens-, Produkt-, Lösungs- und Ökosysteminformationen.
• Tianshu Zhixin Produkt- und Technologieübersicht: Offizielle Informationen zu heterogener Architektur, Hardwaresystemen, Software-Stack, unterstützten Modellen und Rechenmanagement.
• [Tianshu Zhixin AI4Science-Plattform](https://www.tecorigin.

com/cn/ai4s.html): Offizielle Details zur inländischen KI4S-Plattform, zu Programmierwerkzeugen, unterstützenden Frameworks und Forschungsfällen.

• Dokumentationszentrum von Tianshu Zhixin: Technische Dokumentationen und Fallstudien zu Produkten und Ökosystemprojekten von Tianshu Zhixin.
• Entwicklerplattform von Tianshu Zhixin: Einstiegspunkt für Modellressourcen und das Entwicklerökosystem.
• WAIC 2026 Produktbericht: Fachartikel, die speziell über T2 Ultra, HyperIntelliX, die KI4S-Plattform und das Sicherheitssystem für große Modelle berichten.
• Bericht des Nationalen Zentrums für wissenschaftliche und technologische Innovation: Offizielle Regierungswebsite mit einer Übersicht über die Bereitstellung von Tianshu Zhixin in den Bereichen Künstliche Intelligenz, Meteorologie, Biologie und intelligente Rechenzentren.

Zusammenfassung

Die von Tianshu Zhixin auf der WAIC 2026 vorgestellten Produkte vereinen die neue HCU-Heterogenarchitektur, den T2 Ultra-Prozessor, das HyperIntelliX-Fusionsrechensystem, Entwicklerwerkzeuge, die KI4S-Plattform sowie ein mehrschichtiges Sicherheitssystem.

Diese Strategie reagiert auf die realen Veränderungen im Bereich der KI-Infrastruktur. Workloads intelligenter Agenten erfordern eine höhere Fähigkeit zur universellen Koordination, während wissenschaftliche KI präzise numerische Berechnungen, langlaufende Aufgaben und skalierbare parallele Systeme benötigt.

Obwohl die Architektur und die vom Hersteller bekannt gegebenen Spezifikationen vielversprechend sind, müssen die Produktionstauglichkeit, der Software-Reifegrad, die Cluster-Stabilität, die Anwendungsleistung und die Gesamtbetriebskosten noch breiter validiert werden.

Die Bedeutung der Veröffentlichung von Tianshu Zhixin liegt nicht in den einzelnen Chip-Spezifikationen, sondern darin, dass das Unternehmen versucht, eine vollständige Rechengrundlage für Künstliche Intelligenz, intelligente Agenten, wissenschaftliches Rechnen, Software-Migration und sichere Bereitstellung zu schaffen.