从“堆卡”到“系统战”，国产算力全面爆发｜2026WAIC

去年是展品，今年是商品。

文｜罗镇昊

编｜刘俊宏

没有基础设施，再强的AI模型终究是空中楼阁。看起来并没有机器人和各种AI应用炫酷的算力设施，也能给人带来不小的震撼。

2026 年世界人工智能大会的世博展览馆H2馆，现场一排排高大机柜前挤满了人，有人踮着脚数里面的加速卡，有人举着手机对准内部的背板拍个不停，工作人员被围在中间，不知道回答了多少遍相同的问题：这一柜子里一共能支持多少张卡互联？集群能扩展到多大？

国产算力正在高速发展，就连在大众中的热度也早已不同往日，甚至有人带着孩子边看边听讲解，就像来到了科技馆。

行走在场馆，光锥智能首先感受到“到处都是超节点”。

去年此时，超节点还是一个需要反复解释的名词：一个把几十、上百张AI加速卡，用高速互联捆成的超大算力盒子。只要提到，无非是英伟达和华为昇腾。

但今年在馆里走了一圈发现，超节点已经成了各算力厂商的主打产品，华为、中兴、东方算芯、摩尔线程、沐曦股份、中科曙光、阿里、昆仑芯、壁仞科技……卡数从32、64一路飙到1024，甚至是10万卡的超集群。

不过坦白说，只是数卡已经落伍了。今年内行们更多愿意介绍另一组数据：昇腾384发货750多套、天数智芯万卡集群稳定运行1000天、曙光8000上线首周日均15万个作业。

比拼单卡性能的时代已经过去，接下来，是系统级协同效率和稳定性的较量。

为什么比拼维度变了？因为国产算力已经开始大规模走入行业应用了。

根据21世纪经济报道引用的中国信通院数据，今年一季度国内AI算力需求同比增长417%，供给增速却只有128%。WAIC开幕前夕，月之暗面发布了2.8万亿参数的新模型Kimi K3。但仅过去三天，就因为算力承载不住大量请求，暂停了C端新用户订阅。另一边，自今年Agent应用大爆发，推理侧需求指数级增加。

需求侧的短缺，呼唤着国产算力必须立刻走马上任。但同时，国产算力们也面临着最现实的拷问——生成一个Token需要多少钱？

要回答这个问题，从来都不是“总Token输出能力”除以单卡成本这么简单。芯片互联，通信时延，软件调度，供电和散热，每一项都需要工程上的创新和重构。不同的维度上，光锥智能看到了国产厂商们可谓是“八仙过海，各显神通”。

这场围绕Token成本的战争，刚刚拉开帷幕。

每家都有超节点但都不一样

走进H2展馆，从视觉上就被各家的超节点抢占了注意力。两米高的机柜排排并列，透过玻璃能看到里面插着密集的算力卡，像极了黑客帝国里的“Matrix”。

人围得最多的就是华为。展位上，昇腾950超节点真机首次亮相。16个机柜一字排开，每个机柜连接64张卡，共1024张NPU通过灵衢互联协议组成一个整体，每秒能完成一百亿亿次FP8浮点运算，卡间往返时延压到3微秒。满配能扩到8192张NPU，再往上，是基于它的50万卡超集群。简直是一台算力“航母”。

华为的演示是一个清晰的信号。

一台机柜里能装多少张卡，机柜能扩展成多大的算力单元，而这些单元又能组成多大规模的超集群？这些数字，成了今年超节点在规模化能力上最直接的体现。

比如，新华三的UniPoD S80000，算力单元覆盖从32卡到1024卡的规格，集群卡数则能达到1.6万张；中兴通讯不造GPU，其OEX超节点主打组件之间能互相解耦，支持多家芯片灵活更换，通过电交换和光互联也把集群扩到了1.6万张；沐曦的曦景S600超节点，机柜间横向扩展规模同样指向万卡级别。

看起来，万卡集群似乎成了“萝卜白菜”。但背后远远不只是“堆卡”这么简单，还要看如何把这些卡绑成一个更高效的整体。

具体参数先放一边。现场真正值得细品的是，这些机柜长得越来越像了。

一个机柜里卡与卡之间的互联，尤其能体现出这一点。英伟达NVLink一直沿用的是Cable Tray路线，也就是把计算和交换节点用成捆的铜线连接，而且不能扯太长，不然信号损耗大。铜连接的物理极限，已经看得见了。

而在中兴通讯的OEX机柜里，已经看不到一条线缆了。它直接把计算节点和交换节点分开，一个竖着插，一个横着插，两组板卡在背板上以90度角直连，让信号走最短直线，维护也更加方便，这就是“正交架构”。据光锥智能了解，在燧原科技、沐曦等多家厂商的超节点产品中，都有包含这一设计。

不过，正交并非国产算力厂商的“绝对共识”。例如摩尔线程的MTT C256，坚持用Cable Tray全铜连接。

路线本身不分对错。关键在于，当这么多家厂商在展台上摆出几乎相同的结构图，说明这道工程题已经有了标准答案——超节点正在从探索期走进批量制造期。当差异化的窗口正在关闭，拼价格的日子不远了。

如此一来，“附加值”就成了各家厂商争相介绍的对象。

例如华为昇腾打的是一本“效率账”。华为昇腾把1024张卡用统一编址的方式，组成一个共享内存池。这意味着，任何一张卡都能像访问自己的显存一样，直接读写其他卡的数据，不用再经过网卡和交换机层层中转。从而提高卡与卡之间的数据交换效率，避免数据搬运成本太高，导致计算芯片空转。

还有一些厂商把账本放在“电表”上。随着卡数增多，一台机柜的功耗也在大幅增长。两三年前一台机柜功耗不过6千瓦，现在一台高密度机柜直接飙到48千瓦，一个超节点则能达到400千瓦。

功耗高了，散热就成了难题。现场有用冷板式的，冷却液在贴片的管路里循环带走热量；也有用相变散热的，靠液体气化吸热。最有意思的是中科曙光，直接把整板芯片浸没在冷却液里，从外面看就像一个鱼缸；有的超节点产品还在用风冷的方式。

有趣的是，各家不同的散热方式，恰恰暴露了各自的客户画像。

例如曙光的浸没式相变液冷，押的是“国家队”新建的大型智算中心；华为Atlas 850E做风冷超节点，不用改造液冷机房、标准机柜直接上架，瞄准的是政企私有化的存量机房；中兴采用全栈液冷+风液融合，配合90%工厂预制快速交付，盯的是运营商和互联网大厂的集采订单。

某种角度可以说，选散热路线，就是选客户群。

把这些线索拢在一起，能看到国产算力集群正在集体转向到“更宏观”的叙事。

过去算力竞争的核心是算力密度，而超节点把战场挪到了连接能力上。当一颗芯片性能无法满足大量算力需求时，那就用系统级能力去补齐供需间的差距。

从五花八门的解法中得以看到，国产算力已经走出了一条自己的路。

把Token的价格打下来

所有眼花缭乱的架构创新，最终都要回答同一个朴素的问题：生产一个Token，到底要花多少钱？

黄仁勋在2026年3月GTC上提出“Token 工厂”概念，将数据中心重新定义为“批量生产Token的智能工厂”，其中电力、加速卡、互联网络、存储全部被视为生产资料，而Token才是最终的商品。设备决定产值，这是美国版的Token经济学。

但这个问题在中国，回答方式非常简单粗暴——降价。

至于如何把生产Token的成本降下来，大概可以分为三层。

第一条层是提高数据搬运效率。

光互联是业界公认的关键技术，信号的传播方式直接影响数据的传输速度。目前多数厂商采用的是光电混合架构，超节点内部仍使用电缆，每个超节点之间用光互联，比如国内腾讯的ETH-XUltra和字节的大禹超节点3.0。但随着卡数不断增多，端口运输效率也将不断提高，混合方案终究不是长久之计。

眼下光互连有四条路线：FRO沿用传统可插拔光模块，成熟但功耗延时都高；LPO砍掉DSP芯片省电降延时，代价是信号娇气，基本只有能自研交换机、光模块的互联网大厂玩得起；CPO把光引擎和GPU封进同一颗芯片，最先进却离量产最远；NPO则让光引擎“住进”板卡、与GPU做邻居。

四个路线里，NPO被视作性能、功耗、成本与工程可行性之间最平衡的一条。但距离规模商用仍需时间，各家还在样机攻坚阶段。

例如壁仞的NPO近封装光学方案，把光引擎贴到GPU模组的板卡上，电信号只需走几厘米就转成光，同时去掉了传统光模块里功耗5到10瓦的DSP信号放大芯片。壁仞AI框架架构副总裁丁云帆给出的时间是：2027年小规模商用，2028年规模化落地。

有趣的是，英伟达的NVL576同样要转向光互连，预计在2027年下半年推出。在这层意义上可以说，中美两方的头部玩家站在了同一起跑线上。

第二条战线，在于软件提高计算资源的利用率。

今年WAIC现场，多位厂商负责人提到同一个公式：用户最终获得的算力，不是把所有卡的算力简单相加，而要再乘以一个软件优化效率，算子是否齐全、编译器是否聪明、调度是否跟得上，直接决定这个乘数“打几折”。

简单来说，就是硬件决定“天花板”，软件决定算力是否能“跑满”。由于GPU的硬件结构出厂即固定，主要靠模型指令驱动，因此有的芯片大量时间并不是在计算，而是耗在等同步上，这也是利用率长期只有三四成的根源。

以东方算芯的“软件定义芯片架构”为例。由软件按模型特性即时调整任务，调度上以TensorTile（数据块）为基本单元，每个计算单元看到数据就开工，干完就传给下家，不等统一节拍、没有同步空跑。简单说，就是用软件拼出更精确的分工，把芯片等的时间换成了算的时间。

第三条战线在机柜之外，省电也是省钱。

AIDC长期运营成本里，除了设备折旧，另一“大头”就是电费。其中有一个衡量指标就是PUE，即数据中心每用1度电做计算，配套设备还要再花几度电。传统数据中心一般在1.5上下，相当于每算一度电的账，就要再交半度电的“运营费”。换句话说，如果足够省电，甚至还能“赚回”成本钱。

以中科曙光为例，曙光8000把PUE压到了1.04以下。中兴采用的是算电协同的AIDC方案，配套的储能系统晚上用低谷电价充电、白天高峰放电，整套方案PUE控制在1.15以内。

从数据搬运成本、计算资源优化到能源创新，国产算力几乎能在每个细节上抠出降本的方法。

毕竟，当Token便宜到一定程度，AI时代很多生意才算得过账。这才是所有机柜、光模块和液冷管路指向的同一件事。

目标，向着落地

本次WAIC“算力馆”的另一个侧面，是“义乌小商品城”，到处都是“叫卖声”和采购询价。

根据官方数据显示，本届大会组织了177个全球采购团组，现场发布200余项采购需求，预计意向采购金额约203.6亿元。国务院新闻办公室还披露称：截至6月底，中国智能算力总规模已达2185 EFLOPS，全国算力设施整体上架率71.4%，建成万卡以上智算设施52个，围绕国家算力枢纽节点铺设的算力大通道超过70条。

如果说去年WAIC上的国产算力还是“展品”，今年它们已经是“商品”。

那么，这些算力到底出给谁了？总结下来，大概是四类客户。

第一类，是训练大模型的人。这类客户的需求很明确，就是需要大规模和稳定性。因为大模型一轮训练动辄数周，规模化的超节点造价以亿元计，坏一张卡、停机几小时，损失要比几张卡严重的多。

在容错方面，无问芯穹专门搭建了无感训练机制，让大模型在强化学习过程中能不中断地稳定运行。壁仞科技为此给自家超节点设计了五层稳定性防护，从芯片物理层的自动纠错，到链路层重传、链路折叠、端口隔离，再到软件层的故障容错，坏一根线、坏一个端口、坏一张卡，系统也能继续工作。

阿里巴巴的磐久AL128则走了另一条路，上线自家百炼平台，直接承载Qwen、DeepSeek、Kimi的生产负载，不用找客户，直接在自家系统里验证。这显然算是模式创新了。

推理战场，是另一套算法。这类客户在乎的是Token综合成产成本和时延。如前文所述，这部分算力卡厂商和各家的智算集群都给出了各自的解法。

在金融、医疗、政务等安全规格较高、数字化做得比较久的客户这边。他们在乎的往往是现有机房的供电散热、已有模型能否迁移、设备坏了谁来修。

比如华为推出Atlas 850E的风冷超节点，就是为了适配传统企业的机房，达到标准机柜能直接上架。新华三和中兴同样押注标准化，多元芯片兼容、整机柜交付，其中中兴把从需求确认到整机交付的周期，压到了3至6个月。

在私有化市场，比的从来不是峰值算力，而是“迁就”客户现有机房的能力，以及出问题后有人上门的服务半径。

最后，也是最有意思的一类。现场光锥智能看到来自俄罗斯或“一带一路”的国外客户明显变多了。在华为展台，销售们一波波带着外国客户前来展台参观。这意味着中国的算力厂商，已经做好了向全世界进军的准备。

落地拼到最后，拼的还是交付能力。

算力基础设施最终交付的形态还是AIDC。客户采购的不是几组机柜，而是千卡、万卡规模下的供电、液冷、网络和统一运维能力，批量交付能力决定超节点能否真正进入生产环境。

交付能力强，最直观的表现就是“用得快”。当前，中科曙光8000十万卡超集群接入国家超算互联网刚刚上线，首周即满载，日均处理15万个作业、单日峰值50万个，国家超算互联网的注册用户已超过140万。

十万卡的意义不在规模本身，而在于算力是否能被统一调度、按需取用，像电一样成为AI时代不可或缺的基本“能源”。

然而，在现场的百家争鸣里，光锥智能也感受到了潜在的“战争信号”。国产算力的生态之战，已经打响了。

华为开源CANN、阿里开源平头哥软件栈、摩尔线程参与发布OISA高密超节点设计规范、沐曦的MXMACA社区聚了超50万开发者、壁仞的BLink2.0明确不绑定封闭生态。中国五家主要算力厂商，几乎同时把“开放”两个字打在展板上。

那么，这些开放是情怀，还是筹码？这个问题很难回答。

英伟达不会开放NVLink，因为它不需要。国产厂商谁都没有CUDA级别的护城河，那就只能用开放换装机量、用装机量换标准制定权。但长期来看，随着国产算力出货量提升，生态碎片化的风险，迟早会出现。

未来怎么走，或许每家厂商都有自己的剧本。但可以确定的是，量产元年的真正考题，不是造出更大的超节点，而是让它从展品变成可以连续运转数年的基础设施。

回过头看，中国AI近几年的发展堪称“爽文”，是全方位的成长。模型有了DeepSeek和Kimi，应用层Agent遍地开花。算力，曾经最短的板，正在一柜柜“长大”。

国产算力的底座正在变厚。而大模型究竟能跑多远，终究取决于脚下这块地基。