中国移动发布MoMA，开启算力集约化运营

5月8日移动云大会主论坛上，中国移动正式发布移动模型服务平台MoMA，同步开放万亿级词元服务体验包。该平台首次将大模型调用从传统的按模型采购转向按Token集约化计费的运营模式，直接切中当前企业AI落地中算力调度分散、接口标准不一的痛点。 平台底层已接入超300款业界主流AI模型，涵盖中国移动自研九天基座及DeepSeek、通义千问、豆包、Kimi、GLM等头部产品，通过统一API网关对外输出文本生成、语音处理与多模态理解能力。说白了，政企与开发者不再需要为不同模型重复搭建适配层与计费系统，只需通过单一标准化接口即可按需调用。支撑这一模式的，是部署在国产异构算力上的自研推理引擎，中国移动借此将底层算力与上层模型服务深度解耦，实现算力池化后的弹性调度与成本优化。 这一动作清晰折射出大模型产业的竞争逻辑切换。过去市场聚焦于单一模型的参数量与基准测试分数，如今中国移动通过MoMA将底层算力自主化、模型调用集约化与垂直场景需求深度绑定，正推动行业转向基础设施与生态整合的竞争。开放万亿级Token体验包并非单纯的市场动作，而是为政务、金融、工业等场景提供即取即用的算力底座。当模型调用逐渐演变为标准化基础设施服务，算力网络的组织效率与多模型协同能力，已成为决定下一轮AI落地速度的核心变量。 过去企业接入大模型，普遍受困于“烟囱式”开发架构。每引入一家厂商的模型，研发团队就要单独编写鉴权逻辑、适配数据格式，并搭建独立的计费与监控面板。接口碎片化不仅推高了集成成本，还导致后期运维难以横向扩展。MoMA的统一API网关通过底层协议标准化封装，将超300款异构模型整合至单一入口。对外仅暴露一套RESTful接口，开发者无需修改业务代码，只需在请求参数中指定目标模型或能力标签，网关即可自动完成协议转换、鉴权校验与流量分发。 这套架构的核心在于将模型调用抽象为标准化微服务。网关内置动态路由与熔断降级机制，当主力模型出现并发拥堵或响应延迟时，系统可在毫秒级自动切换至同能力梯队的备用模型，确保业务SLA不受波动。其实，这种设计直接切断了单一供应商的绑定风险，企业技术团队得以从底层适配中抽身，将算力预算与研发精力集中到Prompt调优与垂直业务逻辑构建上。目前该网关已跑通文本生成、语音交互与多模态解析的标准化输出链路，政务审批、金融风控、工业质检等场景的AI模块部署周期从月级压缩至周级。 统一网关的规模化应用，标志着大模型调用正式脱离单点试验阶段，进入集约化调度周期。当300款模型在同一路由枢纽下按需组合，中国移动实际上构建了一个跨厂商的模型能力矩阵。模型调用方式的标准化与底层算力调度的解耦相互咬合，使得垂直行业能够根据场景特征灵活配置最优模型组合。这种从“单模型采购”向“能力按需路由”的转变，正是大模型产业转向基础设施生态竞争的关键技术支点。 模型调用的顺畅离不开底层算力支撑，算力生态的自主化与成本优化成为技术落地的关键。当前国产AI芯片架构多元，不同厂商在指令集、显存管理与通信协议上存在天然壁垒，导致大模型训推往往需要针对单一硬件进行深度适配，迁移与运维成本居高不下。MoMA平台的底层架构直面这一产业痛点，依托自研推理引擎构建统一的硬件抽象层，将多元异构国产算力节点纳入统一资源池。 该引擎的技术重心在于算子跨平台编译与动态负载均衡。在推理环节，系统能够实时解析计算图拓扑，自动将算子分发至当前负载最优的异构节点，并配合显存碎片整理与KV Cache共享策略，有效压制大参数模型运行时的访存延迟。训练侧则通过集群级通信协议优化，实现跨架构设备的梯度同步与参数聚合，降低对单一高端GPU的绝对依赖。这种软件定义算力的路径，使底层硬件综合利用率提升近三成，同等业务规模下的训推算力采购成本显著下探，直接弥合了国产算力在规模化商用时的经济性短板。 牵引异构生态的本质，是通过软件栈重构打破硬件绑定。中国移动以MoMA为调度中枢，将物理分散的国产芯片转化为标准化的算力服务单元，向上屏蔽底层差异，向下推动芯片厂商对齐统一接口规范。当算力资源从专用孤岛走向通用池化，大模型厂商得以摆脱单一供应商的产能制约，将技术迭代重心转向算法优化与垂直场景打磨。算力底座的集约化运营与自研引擎的持续迭代，正逐步夯实全国一体化算力网的底层基座，为AI产业从模型军备竞赛转向基础设施效能比拼提供实质性支撑。 软件生态的完善需与硬件架构突破协同，国内芯片企业在底层计算方案上的进展为异构算力提供了性能参照。大模型参数量与上下文窗口的指数级增长，使传统冯·诺依曼架构下的“访存墙”成为制约训推效率的核心瓶颈。新紫光集团近期发布的“紫弦”三维化近存计算架构，为突破这一物理限制提供了可量化的技术路径。该方案以3D DRAM为核心，采用3.5D异质异构集成技术，将存储与计算单元在物理空间上深度耦合，实测存储带宽突破30TB/s。在同等算力配置下，近存计算模式可将访存延迟压缩至传统架构的1/18，模拟数据显示词元吞吐率较英伟达B200系列高出1.5至2倍。 近存计算的价值不仅在于峰值指标的跃升，更在于其对大模型推理负载的精准适配。万亿参数模型运行需频繁加载KV Cache与权重矩阵，传统HBM方案受限于容量与功耗天花板，而紫弦架构基于国内领先供应链实现规模化量产，在带宽与容量维度形成差异化优势。这种硬件层面的存算协同，与中国移动MoMA平台自研推理引擎的软件层优化形成技术共振。当底层芯片突破访存带宽制约，MoMA的动态负载均衡与算子分发机制便能更充分释放异构算力池的潜能，有效避免因内存读写延迟导致的计算单元闲置。 算力基础设施的竞争已从单纯的硬件堆叠转向架构创新与系统级效能比拼。近存计算等新型方案的成熟，正加速补齐国产算力在高端训推场景的短板。中国移动推进全国一体化算力网建设，核心在于构建兼容多元底层架构的弹性调度网络。硬件破局与软件集约的双轮驱动，使大模型产业得以摆脱对单一进口芯片的路径依赖。当底层算力自主化与模型调用集约化深度咬合，产业竞争逻辑正式从单点技术军备赛，转向以全国算力网为底座的基础设施生态整合。 算力与架构的升级最终指向实际应用，中国移动正将基建能力转化为垂直行业的具体服务方案。依托“算力新动能行动”，集团通过枢纽节点与热点区域的全光网高速直联，配合吉瓦级数据园区的物理布局，构建起即取即用的算力底座。开放万亿级词元体验包，实质是降低企业接入门槛，使大模型能力以标准化服务形态直接嵌入政企核心业务流。 金融与工业场景率先成为AI规模化落地的主阵地。金融业务对高并发处理与数据合规的严苛要求，催生了对底层算力与模型路由稳定性的强依赖。近期中国银联与华为签署战略协议并联合发布人工智能行动计划，明确将ICT基础设施升级与AI融合创新作为重点，折射出金融业正从单点算法测试转向系统性算力底座共建。中国移动MoMA平台凭借统一API网关与国产异构算力池，为金融机构提供了跨模型动态调度能力。银行与保险机构可直接调用平台的多模态接口处理智能风控、票据审核与客服交互，规避了重复建设算力集群的重资产投入，业务模块上线周期由月级压缩至周级。 工业领域的落地则聚焦于实时推理与产线协同。针对工业互联网中的设备缺陷检测、工艺参数优化等高频负载，MoMA将大模型推理能力下沉至靠近生产现场的算力节点。平台自研引擎配合算力网的全局调度，有效压制了复杂工业视觉任务的访存延迟。当模型调用从定制化项目转为集约化订阅，政企客户得以将研发资源集中于垂直场景的Prompt工程与业务流重构。中国移动以算力网为纽带，将底层算力自主化与模型集约调用深度绑定，推动大模型产业正式迈入以基础设施覆盖度与生态整合力为核心壁垒的新阶段。 从单点场景落地到全局网络布局，运营商的战略转向正在重塑大模型产业的底层竞争规则。中国移动在2026移动云大会上明确将推进全国一体化算力网建设作为核心战略，通过加强枢纽节点与热点区域间的全光网高速直联，加速布局吉瓦级AI数据园区。这一规划并非传统的机房扩容，而是将物理分散的区域算力转化为可跨域调度的标准化资源池，解决单一节点算力潮汐与供需错配问题。 算力网的运行逻辑在于打破地理与硬件架构边界。依托“算力新动能行动”与“智能新空间计划”，中国移动将底层异构算力兼容、MoMA平台的集约化调度与政企需求深度绑定。开放万亿级词元服务体验包，实质是以标准化接口抹平技术接入门槛，使大模型能力转化为即取即用的基础设施服务。当运营商掌握全光直联网络与吉瓦级园区的物理底座，并向上提供统一模型路由与Token计费体系时，大模型产业的竞争维度已被彻底重构。 市场焦点正从单一模型的参数量与基准测试，转向算力网络的覆盖密度、调度效率与生态整合能力。中国移动通过MoMA牵引多元国产算力生态，配合全光网延伸与数据园区落地，构建起“底层算力自主化+模型调用集约化+垂直场景融合”的闭环。下一阶段的大模型商用壁垒将不再取决于单点算法突破，而是由算力基础设施的供给弹性、异构资源的协同效率以及跨厂商生态的开放程度共同决定。全国一体化算力网的规模化推进，正在为这场产业规则的重写提供确定性基座。