國產算力“出息了”，國內首個全國產十萬卡集群落地

前不久，中國首個全國產十萬卡AI超集群曙光8000（登峰）在鄭州正式落成，并同步接入國家超算互聯網。而這也是國內首個從芯片到服務器再到交換機，全部完成國產化的十萬卡集群。

十萬張AI加速卡同時運轉是什么概念？如果全部用于模型推理，它可以支撐當前中國5%~10%的Token訪問需求。而如果用于科學計算，它可以在一天內完成過去數月才能跑完的模擬任務。

十萬卡不僅是堆算力

截至2025年底，全國已建成萬卡智算集群42個，但十萬卡集群在此之前沒有先例。而十萬卡集群的難點在于，十萬卡不僅是簡單的堆算力，規模的擴大帶來的挑戰不是線性的，中科曙光高級副總裁李斌表示，萬卡到十萬卡的升級不存在十倍疊加的線性邏輯。算力規模每提升一個數量級，系統的工程難度、可靠性壓力、協同復雜度都會呈幾何倍數增長。傳統算力集群的技術短板，在十萬卡規模下會被無限放大，任何一個部件、鏈路、調度環節的微小漏洞，都會導致整個集群性能坍塌，這也是此前國內長期無法實現全國產十萬卡集群落地的核心原因。

就像一場十萬人參與的交響樂演出。一個人走音不影響大局，但十萬個人如果聽不到指揮、看不到樂譜、互相之間沒有配合，那奏出來的只能是噪音。李斌表示，曙光8000要解決的，恰恰是讓這十萬個“樂手”精確合奏。

十萬張卡需要高速協同計算，任何一個計算節點與網絡的配合出問題，整體性能就會大幅衰減。“這個體系結構變得更復雜了，我們互聯網絡有集群的Scale Out網絡，還有局部的Scale Up網絡”，李斌強調。

傳統做法是將科學計算和AI訓練分成兩套獨立系統分別部署，因為兩者對計算精度的要求截然不同：科學計算需要FP64雙精度浮點運算，而大模型訓練依賴FP16甚至INT8低精度大吞吐。而曙光8000采用"原生超智融合"架構，在同一套系統內同時支持從FP64到INT8的全精度計算。這意味著網絡不僅要承載海量數據的傳輸，還要在不同精度任務之間靈活切換，對帶寬、時延和可靠性的要求呈幾何級數上升。

為此，曙光自研了scaleFabric高速互連網絡，采用類InfiniBand的原生RDMA技術，可支撐十萬卡集群的穩定連接，并具備毫秒級鏈路故障恢復能力。李斌透露，為了提高可靠性，他們在柜級單元內優先使用銅互聯而非光互聯，因為銅的信號質量更好、故障率更低。只有當物理距離超過銅的驅動能力極限時，才會轉向硅光共封裝（CPO）技術。這一工程選擇背后，是對系統穩定性的極致追求。

除此之外，應該整體體系過于復雜，如何確保集群可靠穩定運行，也是十萬卡集群需要解決的關鍵問題。十萬張卡的元器件數量是萬卡的十倍，故障概率算術級上升。李斌坦言，曙光的應對策略是把每一個小部件到板卡的可靠性做到比通用計算設備高一個數量級，“具體實現包括用銅互聯替代光互聯、采用浸沒式液冷控制溫度波動等工程手段。”李斌介紹道。

在芯片層面，李斌也坦言，國產芯片單點能力與全球頂尖水平尚有差距，但可以用更多芯片、更優的系統效率彌補單點差距。而十萬卡集群的意義不在于它有多大，而在于它證明了中國有能力將超大規模算力組織起來、穩定運行起來、開放服務起來。這才是下一階段AI應用競爭的真正入場券。

一套系統干兩套的活

此次落地的AI超集群核心技術路線是在同一套系統內同時支持高精度科學計算（FP64）和低精度AI訓練（FP16/INT8），也就是超智融合。傳統做法中，科學計算和AI訓練是兩套獨立系統。科學計算需要FP64雙精度浮點運算，大模型訓練依賴FP16甚至INT8低精度大吞吐。兩套系統分開部署，數據和任務需要來回搬運。

簡單來說，傳統超算“夠精準但不夠智能”，無法適配AI算法迭代與大規模模型訓練；傳統智算“夠靈活但精度不足”，難以支撐嚴謹的科學仿真與基礎研究。這種結構性短板，導致我國大量前沿科研項目長期面臨“算力不匹配、數據跑不通、實驗效率低”的困境，也讓國產算力基礎設施始終滯后于前沿技術迭代速度。

曙光8000的思路是把它揉在一起。從底層芯片到計算單元到系統架構，實現全類型計算的原生一體化融合。單芯片即可覆蓋從FP64到INT8的全精度計算需求，既能承接傳統超算的高精度科學工程任務，也能支撐大模型訓練和智能體推理。

從架構設計來看，這并非獨創。國際上，部分超算中心也在探索類似方向。

這種通用性帶來的好處是“1+1＞2”。以藥物研發為例，研究團隊做分子動力學模擬時需要調用超算資源，訓練AI預測模型時又要切換到另一套AI集群，數據在兩套系統之間搬運，中間的遷移、格式轉換和重新配置消耗大量時間。而在超智融合的方案中，科學計算和大模型訓練可以在同一套系統內完成，無需跨系統調度數據。對于需要同時使用兩種算力的用戶而言，一套系統替代兩套，基礎設施投入和日常運維復雜度同步下降。

在具體案例中，8萬張卡完成了蛋白質折疊全流程模擬，而這一過程傳統方法耗時數年，大規模算力可以將其壓縮到數周甚至數天；9萬張卡協同完成了3.16萬億原子的DFT高精度仿真（密度泛函理論，材料科學中模擬原子行為的核心計算方法）；8.8萬張卡完成了328萬億網格湍流直接模擬，這類模擬對航空發動機、船舶設計等領域的工程研發至關重要。

值得注意的是，在這些大規模應用中，有不少使用了機器深度學習AI的方法來結合傳統數值計算。李斌坦言，這個比例比他們預想的要高很多，說明國內的頭部應用團隊正在快速采用AI方法。

此外，超智融合的另一個重要意義在于，為中國提供了一條不同于單純追趕單點算力規模的路徑。通過國產算力體系、全國一體化算力網和算電協同機制，中國正在探索超大規模集群的組織方式。這對于全球AI競爭而言，是一種具有中國特征的基礎設施路徑。

算力如何兌現價值？

十萬卡集群落成后，最棘手的問題不在技術，而在“利用率”和“商業可持續”，畢竟十萬卡集群絕非單純的行業面子工程，而是需要具備能將Token兌現成真正價值的能力。中國科學院院士鄂維南近期曾公開表示，算力規模本身不是目的，能否讓算力真正"可用"才是關鍵。

從算力價值維度來看，全國產十萬卡集群具備雙向核心能力：全面轉向模型推理服務時，可穩定支撐當前中國5%-10%的全網Token訪問需求，直接承接大眾日常AI對話、產業智能推理、云端智能服務等普惠場景；聚焦科學計算場景時，可將傳統科研團隊耗時數月的復雜模擬任務，壓縮至單日完成，徹底改寫了高端科研的算力效率邊界。

算力價值的兌現，終究要落地于供需匹配、商業閉環、可持續復制。當下行業熱議的“算力泡沫”爭議，本質是對算力價值落地難的焦慮，但曙光8000的實戰表現，進一步印證了行業結構性算力緊缺的核心現狀：市場閑置的多是低端通用算力，而適配AI for Science、高端工業仿真、大模型深度訓練與高通量推理的大規模、高穩定性國產優質算力，長期處于供不應求的狀態。尤其2026年智能體應用全面爆發后，AI產業正式進入推理時代，海量實時交互、超長上下文推理、產業常態化智能應用，讓十萬卡級大規模算力的剛需屬性持續凸顯。

據企業官方信息，中科曙光已經與北京科學智能研究院達成合作，啟動第二套十萬卡系統的研制與建設。從"第一套"到"第二套"的決策速度，表明建設方對技術路線的信心。但十萬卡集群若要從"示范工程"走向"商業可復制"，還需要回答三個關鍵問題：

大模型的工程化能力何時能追上集群規模？當十萬張卡擺在那里，軟件能不能把硬件喂飽，是一個被低估的難題。行業里一個廣為人知的案例是：馬斯克的xAI部署了約55萬張GPU，但模型浮點運算利用率只有11%。軟件系統建設嚴重滯后于硬件擴張，不是花錢買卡就能解決的。

推理需求的增長能否持續消化新增供給？Token調用量在漲，但單位Token的算力消耗也在快速下降。模型效率提升和算力供給擴張之間的賽跑，結果并不確定。

全生命周期成本能否形成商業閉環？十萬卡集群的運營成本極其高昂，如果算力服務的單價持續走低，而運營成本難以同步下降，商業模型的可持續性就需要重新審視。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）