2026年下半年，算力竞赛为何突然转向超节点？

“

”一位算力资深人士判断，市场正在加速转向。虽然超节点整机价格通常高于同等卡数的普通服务器，但算力密度更高、空间占地更小——在有限空间里承载更多算力，这个账算得过来。新华三的人士也直言，超节点是个“大杀器”。

即便此前没有采用超节点的DeepSeek，最近也明确要入场，正在议价。一位云计算大厂人士告诉数智前线，这个信号很关键，有风向标意义。

这一热潮在2026世界人工智能大会上表现得尤为突出。华&为展出了由20个机柜组成的1024卡超节点真机，中科曙光则展示了沸腾着冷却液的640卡超节点，百度天池、阿里云灵骏真武M890、浪潮信息元脑以及沐曦曦景S600，都被放在了各自展台最显眼的位置。

超节点到底是什么？简单来说，它通过高速互联技术，把大量GPU或加速卡从“多台服务器”深度整合成逻辑上像一台“超级计算机”的系统。这解决了传统集群跨机器通信的带宽和延迟瓶颈，大幅提升GPU利用率，最终带来单位Token成本的下降。华&为资深人士的观点很明确：“

”

一年前，超节点还是少数厂商展示系统能力的旗舰产品；一年后，它正在成为主流算力企业必须参与的军备赛。百度昆仑芯人士说，国产超节点从去年推出，目前已发展到可批量落地的阶段。“

”

谁在造超节点

超节点不是新概念了。2024年，英伟达发布GB200 NVL72，将72颗Blackwell GPU纳入一个高速互联域，从此把这个架构带入业界视野。但最初的需求并不算旺。到了2025年，随着大模型参数暴涨，超节点才真正成为热点。国内厂商早在2024年前后就开始技术预研，最早一批产品在2025年上市，华&为、百度智能云、浪潮信息、新华三、中兴等纷纷跟进。超节点赛道，开始涌入多个玩家。

不过，各家争夺的焦点并不一样，目前形成了三条不同的路线：

。

观察下来，

。

已向业界展示了由20个机柜组成的1024卡昇腾950超节点真机，并计划在今年第四季度批量交付8192卡超节点，这几乎是该超节点满配的技术上限。华&为的判断是，随着大模型参数、上下文长度和推理并发量持续增加，单个计算域需要容纳更多芯片和更大的内存空间。而去年推出的384卡超节点，已在互联网、金融、能源、教育和医疗等行业落地。

选择了浸没式液冷来支撑更高密度部署。单机柜640张加速卡，一台冷却设备带两个机柜。由这一超节点构建的十万卡算力集群曙光8000（登峰），已落地国家超算互联网郑州核心节点。“目前已跑满了90%，很多需求来自模型训练，也有AI for Science。”曙光人士告诉数智前线。

天池超节点则从256卡向512卡演进，后者将在年底推出。它强调从互联协议、交换芯片到液冷系统的全栈自研。百度智能云混合云部总经理杜海介绍，其超节点已经交付多个万卡集群。文心5.1重要版本的训练在全国产集群上完成，能源电力行业支撑了80多个行业场景的推理，也支撑了自研电力大模型的训练。

。

推出的灵骏真武M890，以64卡为一个Scale-up单元，再通过Scale-out网络扩展至更大集群。与多数超节点主要面向私有化部署不同，阿里还将这种算力形态放到了公共云上，客户不必采购设备，也能按需调用。

也选择了类似方向。浪潮信息去年推出64卡超节点，今年再推32卡产品。32卡足以支撑万亿级大模型推理。浪潮信息副总裁赵帅解释，“我们自己内部用万亿大模型做AI Coding，效率绝对比用千亿大模型好。这就是万亿参数大模型带来的价值。所以再次推出32卡产品，让更多企业真正用得起。”沐曦则以单柜64卡为基础，强调CUDA生态兼容和向万卡集群的横向扩展。

。采用可重构数据流架构，每颗芯片同时承担计算和数据转发，芯片之间可以直连，不需要交换机。清微智能产品副总裁陈逸伦介绍，已推出4096卡、峰值算力为500PFLOPS的超节点。北京某训练场已部署，内蒙、新疆、浙江的金融行业和国央企也已落地。采用同样路线的还有7月产品刚刚上市的。

此外，摩尔线程也计划年底伴随新一代GPU推出相关产品。寒武纪目前虽然没有超节点，但业界判断下一代芯片也将推出超节点。至此，国内主要算力芯片和服务器企业，几乎都已进入这一赛道。

为什么是今年

超节点为什么会在今年爆发？业内认为有三大原因。

。，模型参数量在飙升。7月Kimi发布了参数达2.8万亿的大模型K3。“下一个春节，模型参数会变成3万亿，再下一个6万亿，再后面是10万亿。而海外中等规模模型的参数量已经达到5万亿了。”沐曦CTO杨建博士告诉数智前线。业界通常认为，1万亿参数模型训练需要约5000张卡，3万亿参数约需1万张卡，6万亿则需要2万张卡。最好的解决方案，就是把多个芯片连成一体化去运作。

，华&为人士举例，AI Coding场景中，一个任务触发的操作调用已经达到几万次，复杂长程任务则是几十万甚至上百万次。“这意味着更多并发、更长上下文，这正是超节点大内存池的核心卖点。”从训推需求比例来看，阿里云资深人士透露，目前线上推理和训练的比例已接近5:1到10:1，“1万张卡里，大约70%到90%都在做推理，只有少部分在做训练”。

。超节点的价格比同样卡数服务器总价要贵，但客户算的是总体效能账。“不能单看卡的数量，它涉及风火水电基础设施，超节点更集约。为什么大企业都去部署超节点？肯定是算得过来这个账。”新华三人士说。浪潮信息副总裁赵帅曾举例：“通过超节点，如果推理性能提升10倍，但耗电可能只提升2倍，算下来还有收益。”

昆仑芯人士介绍，传统模式下10台机器的算力相加不等于10，“只能等于6”，超节点通过高速互联把损耗降到最低，让更多算力发挥效能。如果用超节点做PD分离推理，系统比普通同卡数机器能提升30%到50%的性能。

。“超节点是工程化产物，它包含GPU芯片、存储、通信、交换、散热、供电、软件，不是单一厂商能独立搞定的。”昆仑芯人士说，“目前，超节点已发展到可批量落地阶段。”另一位人士补充，“无论性能做得怎么样，大家都可以把整机交付出来。”

？各家说法并不相同。

华&为人士认为，训练和推理都有价值，万亿参数大模型训练需要巨大内存池，Agent推理需要海量上下文并发，超节点必须配备大内存卡。摩尔线程认为，超节点要面向1万亿到5万亿参数大模型训练，以及高速推理的tokens工厂场景。而沐曦人士分析，“经过严密论证，超节点在推理的Decode阶段，也就是逐Token生成答案时，价值更为突出。”清微智能陈逸伦则判断，“目前超节点在训练侧跑微调较多，拿它做推理性能更好。”

分歧与共识

爆火之下，超节点技术路线存在诸多分歧，目前还没有标准答案，取决于各企业的技术商业判断。

行业分成两个阵营，这里说的是超节点Scale-up的规模，也就是用高带宽、低时延互联，把多少芯片纳入一个紧耦合的计算域。

一部分业界人士是“小节点派”。“在我个人认知里，64卡就够了。TP并行、EP并行的最大规模可能就是64卡，剩下的通过PP和DP并行、Scale-out去连起来。没必要把单个节点的Scale-up做到足够大，因为任何通信都有延迟，TP和EP对延迟极度敏感，即便千卡互联中间几个微秒的延迟，GPU其实都在等。”一位人士分析，“对时延和稳定性都要有考虑，这是一个工程上的平衡，并不是Scale-up越大越好。”另一位人士持相同立场，“64到128卡是最经济的形态，再大就浪费了。”

另一些企业则是“大节点派”。华&为最新超节点扩展至1024卡，中科曙光640卡，百度天池、新华三均推进至512卡。他们的逻辑是：进入Agent时代后，万亿参数、百万Token上下文和海量并发推理之下，64卡和128卡小节点的统一内存池太小。“64卡更像基础机柜单元，适合中小规模模型微调、离线推理；万亿大模型的完整训练、大规模多智能体并发，必须依靠更大规模超节点。”

。阿里平头哥、沐曦、海光等走CUDA兼容路线，代码迁移成本低。华&为昇腾、昆仑芯等则走自研生态路线。

一位大厂人士分析，自研生态虽然迁移成本高，但可控性和长期演进空间更大。他坦言，

。“我们回归技术第一性，CUDA当年的胜出，是因为很多人做向量编程，心智负担很大，而CUDA方案让人在心智上的耗费极大降低，所以在过去10多年取得成功。但到了今天，有了Agentic coding之后，不一定是人去编程，都走向让Agent去干，所以CUDA就不那么重要了。”

一位华&为人士介绍，华&为是国内最先支持mxfP8和fp4精度的厂商，mxfP8的可变量比fp8更好。“

”他说，“华&为增强了向量处理能力，而英伟达增强了矩阵处理能力，两家都走向了‘矩阵和向量综合型’方向。”

此外还有其他的分歧，比如连接中的铜缆与光纤之争，液冷中的风冷和液冷，特别是浸没式液冷。这些新旧技术转换中，因技术瓶颈、故障率与运维成本产生的矛盾和挑战，让业界有不同的技术商业选择。

。超节点的演进与模型技术路线密切相关。国内模型架构如何演进？阿里人士告诉数智前线，国内模型企业的Attention正分化为两条路线：千问GDN、Kimi KDA走向Linear Attention；DeepSeek走Smart Attention（MLA、DSA、CSA），智谱目前也采用DeepSeek 3.2的DSA架构。两个阵营相对独立，仍需观察未来两三年的演进，这也会影响超节点的硬件适配方向。

浪潮信息董事长彭震最近介绍，过去基础设施主要沿摩尔定律演进，最新的进展是软硬件联合创新——一端提出新算法，另一端用新介质、硬件和网络去适配，收益显著。他看到美国企业也在开展类似的探索。

在沐曦杨建博士看来，这条赛道“未来二三十年都停不下来”。今年，他已经看到一些企业开始用AI参与设计，道路、房屋、机械等设计本质上都属于知识生产，AI的影响早已超出coding，正在渗透到各行各业。一位大型企业管理者希望，到2027年底实现“白天开会写规范，下班前交给大模型，第二天看结果”，人负责定义和发现问题，大模型负责求解。目前，AI知识创造的进程，“很多企业还没开始，因为总经理和董事长还没作出对数字员工的定岗决定。”资深人士观察，这正是AI要渗透的市场。

算力越便宜，行业扩张就越快，“整个链条就再也停不下来了”。美国的算力大约是中国的9倍。超节点，正成为这条产业链向下延伸的重要算力底座。随着更多厂商具备整机交付能力，真正激烈的竞争已经开始。

“现在比拼的是能否批量交付、稳定运行，并真正降低每Token成本。”一位大厂人士说。供应链是其中更大的挑战，“无论国产还是海外供应都存在不足。锁定供应链，未来发展才更有确定性。”