首個全國產十萬卡AI超集群落地！對話中科曙光高級副總裁李斌

智東西
作者 楊京麗
編輯 李水青

智東西7月10日報道，今日，在光合組織2026智能計算應用大會上，中國首個全國產十萬卡AI超集群曙光8000（登峰）落成，并同步接入國家超算互聯網。國產AI基礎設施開始從萬卡級邁向十萬卡級部署階段。

目前，曙光8000已完成300余項超智融合應用優化，超過70個應用實現萬卡規模擴展。大會期間，曙光還與北京科學智能研究院達成戰略合作，啟動第二套全國產十萬卡超智融合算力系統研制與建設，十萬卡級算力中心開始走向規模化復制。此外，光合組織還推出“開放計算Token譜系”計劃，推動Token轉化成生產力。

會后，中科曙光高級副總裁李斌在接受智東西等媒體采訪時提到，下一套十萬卡系統會更有側重性，增強對AI4S（AI for Science）等融合場景的支持能力。

隨著大模型、AI4S和智能體應用加速發展，十萬卡級AI超集群的考驗，已經從算力規模延伸到系統效率、可靠性和應用支撐能力。

一、十萬卡超集群落地，曙光8000完成全鏈路國產化驗證

曙光8000（登峰）采用“超智融合”技術路線，面向高精度科學計算和低精度智能計算的復合需求，實現全類型計算原生一體化融合，支持FP64到INT8全精度，可覆蓋科學計算、大模型訓練、AI推理、工業仿真等科研和產業場景。

曙光8000的研制與部署經歷了多個階段：2024年完成系統研制，2025年完成工程建設，2026年2月3萬卡上線試運行，2026年4月6萬卡投入使用，2026年6月完成10萬卡部署。

在系統建設上，曙光8000具備“芯片、計算、存儲、網絡、散熱、應用、服務”全鏈路AI基礎設施能力。其中，海光等國產芯片為系統提供底層支撐；scaleFabric類IB原生RDMA高速網絡實現十萬卡集群高可靠連接；ParaStor分布式存儲支撐大模型訓練和科學計算中的海量數據讀寫；浸沒式相變液冷技術則支撐高功率密度部署，并提升集群能效。

二、接入國家超算互聯網，300余項應用完成優化

曙光8000正式落成后，同步接入國家超算互聯網。依托全國一體化算網，相關算力資源將面向科研高校、企業及個人用戶開放普惠、高效、便捷的算力服務。

目前，在十萬卡核心節點上，曙光8000已完成300余項超智融合應用優化，涵蓋大模型、機器人、汽車、創新藥、新材料、量子計算、天文氣象等二十余領域。其中，超過70個應用實現萬卡規模擴展，驗證了核心節點在大規模、高負荷科研任務中的穩定性與可靠性。

在重點大應用方面，曙光8000已支撐蛋白質折疊模擬、萬億原子級水分子動力學模擬、百萬億網格湍流模擬等任務。這些應用分別指向生命科學、材料模擬、流體仿真和高端裝備研發等場景，也說明國產算力正在進入真實科研任務。

大會期間，曙光還與北京科學智能研究院達成戰略合作，啟動第二套全國產十萬卡超智融合算力系統研制與建設。面向AI4S、大模型等大規模算力需求，十萬卡級全精度算力中心有望從示范性工程走向規模化復制。

三、李斌：下一套十萬卡系統將會更聚焦AI4S

會后，中科曙光高級副總裁李斌，中科曙光北京公司總裁助理、分布式存儲產品部總經理石靜和中科曙光北京公司副總裁?李柳接受智東西等媒體采訪。

針對智東西提出的“第二套全國產十萬卡超智融合算力系統，接下來主要會在哪些方面升級”這一問題，李斌稱，下一套十萬卡系統會更有側重性，可能會更聚焦AI4S本身，增強對這類融合場景的支持能力。“超智融合是一個大的方向，后面的系統也會沿著這個方向繼續迭代。”李斌提到，未來希望與國內做AI4S的頂尖科學家，針對未來算法方向探討，更有針對性地做設計優化。

談到十萬卡集群建設難度，李斌認為，從萬卡到十萬卡“確實有很多挑戰，不是簡單乘10倍”。最大的難點來自規模擴大之后帶來的問題。第一是能不能跑出系統應有的性能和效率，因為大規模科學計算和大模型訓練都需要大量算力單元高度協同，系統中任何計算、網絡或設計上的短板，都會影響性能發揮。

第二個挑戰是可靠性。李斌說，規模變大后，元器件和部件數量增加，故障也會相應增加；同時，系統結構本身變得更復雜，也會增加可靠性難度。因此，曙光8000在研制過程中需要把單點能力做好，從小部件、板卡到整機系統，都要進一步提高可靠性。

對于算力供需問題，李斌認為，算力短缺或過剩可能存在階段性、周期性變化，但從結構性來看，過去幾年總體仍處于算力不足的狀態。他提到，這一輪算力需求主要由AI帶來，如果AI邏輯能夠持續向前走，算力需求仍會繼續存在。

結語：國產AI基礎設施進入規模化復制階段

曙光8000的落成，意味著國產AI基礎設施已經跨過十萬卡級部署的關鍵節點。但十萬卡不是終點，真正的考驗在于系統能否長期穩定運行、支撐復雜科研任務，讓算力進入更多真實應用場景。

從全國產十萬卡AI超集群落成，到接入國家超算互聯網，再到第二套十萬卡系統啟動研制，國產算力正在從單點工程走向規模化復制。隨著AI4S、大模型和智能體應用持續推進，下一階段AI基礎設施競爭，也將從“能建多大規模”，進一步轉向“能跑多復雜任務、能支撐多少應用、能創造多少價值”。