超节点：中国AI算力的系统级突围

“这里面有多少张GPU？” 今年世界人工智能大会（WAIC 2026）主展区，上海世博展览馆内几排两三米高、通体黑色的机柜前始终围着人。有人俯身观察液冷管路，有人仰头拍摄顶上盘绕的高速线缆，更多人反复追问同一个问题：“这一柜子的算力，到底能算什么？” 华为Atlas 950 SuperPoD、中兴OEX、阿里云真武M890×磐久AL128……这些原本只出现在技术白皮书和数据中心深处的超大规模计算单元，首次集体登上展台中央。它们不再是后台支撑，而成了被围观、被提问、被解读的主角。 从概念到共识 一年前，“超节点”还只是少数头部企业的内部术语；一年后，它已成为国产AI算力阵营的共同语言。华为、壁仞、燧原、中兴通讯、沐曦、中科曙光、阿里云、百度智能云——几乎所有主流国产算力厂商，都将超节点置于展台最醒目位置。 这不是偶然的跟风，而是产业演进的必然落点：当大模型参数迈入万亿级、MoE架构成为标配、长上下文与多智能体任务常态化，单芯片性能的边际收益已趋饱和，系统级协同能力开始决定算力的实际天花板。 同目标，不同路径 华为选择一体化纵深突破。其首次公开展出的昇腾950超节点，由1024张计算卡构成，配备256TB统一内存，NPU往返时延压至3微秒。通过统一内存编址，千卡可像一台计算机般协同运行。现场展墙般的黑色机柜，仅是起点——该架构最高支持8192颗芯片互联，并预留向50万卡集群扩展的技术接口。 中兴则锚定开放兼容。其OEX架构不绑定特定芯片，可灵活接入CPU、GPU、交换芯片与网卡，联合多家国产AI芯片企业共建底座，让用户按业务需求自由组合硬件，实现TCO最优解。 壁仞聚焦互联重构。依托自研BLink2.0协议，1024张GPU可共享同一内存空间，形成统一调度的“逻辑GPU”。更进一步提出“NPO光互连+分布式解耦架构”，直指铜互连在带宽、时延与距离上的物理瓶颈。 TPU路线也在加速入场。中昊芯英发布新一代“须臾”AI芯片，混合精度浮点算力达896TFLOPS，8-bit推理算力1792TOPS，单芯片功耗较同类产品降低约50%。其超节点支持2048颗芯片直联，专为万亿参数训练、多智能体协同与海量推理优化设计。团队指出：TPU原生面向神经网络并行计算，架构上更适配万卡级扩展，是国产算力“换道超车”的关键支点。 阿里云以真武M890芯片搭配磐久AL128超节点，内置144GB高带宽显存，片间互联带宽达800GB/s；百度昆仑芯P800构建天池算力矩阵，支持256卡超节点，并可平滑扩展至数十万卡集群，全面兼容主流开源与闭源大模型。 模型进化，倒逼系统升级 超节点爆发的背后，是模型演进不可逆的三重压力： 一是MoE架构普及叠加Agent技术兴起。模型不再调用全部参数，而是动态路由至不同“专家”子网——这极大提升了计算效率，却使GPU间数据交换量激增。专家并行若无超高带宽互联支撑，再强的芯片也将陷入通信等待。 二是参数规模持续跃升。千亿已成起点，2.8万亿参数的Kimi K3刚刚开源，5万亿级模型已在规划之中。单一集群需承载的算力密度，已远超传统服务器架构的设计边界。 三是上下文长度指数级增长。代码Agent、科研Agent等新场景下，单次任务Token数动辄数百万，对显存容量、带宽及系统整体吞吐提出全新要求。 单芯片制程受限，短期难追国际先进水平；而模型能力需求却一刻不停。于是，“堆卡”不再是粗放拼凑，而是必须通过超节点实现系统级协同——它已不是选项，而是刚需。 光互连：突破通信瓶颈的关键一跃 当超节点规模跨过千卡门槛，真正制约算力释放的，不再是芯片本身，而是连接它们的“神经网络”。 铜缆互联正逼近物理极限：高速率下传输距离急剧缩短，功耗飙升，信号完整性恶化。出路在于“以光代电”。当前产业聚焦于NPO（近封装光学）与CPO（共封装光学）两条技术主线。 NPO将光引擎部署于GPU或交换芯片附近，大幅缩短电信号路径，省去高功耗DSP，兼顾带宽、时延、功耗与成本，且支持数百米级传输距离，更契合大规模超节点部署需求。产业链已形成协同攻关态势，阿里、腾讯等均将其列为近中期主推方向。 CPO技术难度更高，需将光引擎直接集成进计算芯片封装体内，对先进制程、异构集成与工艺协同提出严苛要求。目前国内布局尚处早期，更多企业选择在NPO生态中分工协作——GPU厂商专注计算、交换机厂商优化网络、光模块厂商提升光电转换效率。这种共建模式，既规避了单点技术卡点，也保障了产业链健康度。 业内普遍预计：2026年NPO样机将进入真实环境验证，2027年启动小规模商用，到2028年前后，NPO有望成为AI超节点主流互连方案。 工程化：决定超节点走多远的底层能力 超节点的竞争，本质是一场系统工程能力的较量。 它不只是硬件堆叠，更涵盖液冷散热、万卡集群运维、多租户数据隔离、分布式调度、故障自愈等全栈能力。当数百家客户业务共跑于同一超节点集群，如何降低跨节点数据交换开销？如何平衡性能、安全与资源弹性？这些都依赖软硬协同的深度打磨。 值得注意的是，在规模化落地节奏上，中国产业展现出独特优势。正因单卡性能存在代际差距，国内更早意识到：必须靠系统级创新抢时间、补短板。这不是某一家企业的突围，而是封装、交换、光互、散热、软件调度等环节的集体进化。 这场突围没有捷径。它始于黑色机柜前的一次驻足，成于无数工程师在实验室与机房之间的反复验证——而那些被手机镜头记录下的“算力墙”，或许正是中国AI基础设施自主演进的真实起点。