超节点成AI基建新宠：从“军备竞赛”到落地算账，算力密度之争白热化

【科技纵览】中国大型互联网巨头正计划在下半年大规模部署超节点方案，这一趋势标志着AI基础设施建设的重心已从单纯的卡数堆叠转向系统级效能优化。尽管超节点整机成本通常高于同等配置的传统服务器，但其凭借更高的算力密度和更小的空间占用，在寸土寸金的数据中心里显得极具性价比。新华三相关人士直言，对于必须在有限物理空间内承载海量算力的企业而言，超节点堪称“大杀器”。值得注意的是，此前未采用该方案的DeepSeek近期也明确表达了采购意向并进入议价阶段，这一动向被云计算大厂人士视为具有风向标意义的信号。

这股热潮在2026世界人工智能大会上体现得淋漓尽致。华为展出了由20个机柜组成的1024卡昇腾950超节点真机，中科曙光则展示了浸没在冷却液中的640卡超节点。此外，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等产品均被置于各自展台的核心位置。所谓超节点，本质是通过高速互联技术将大量GPU或加速卡深度整合，使其在逻辑上如同一台超级计算机，从而突破传统集群跨机器通信的带宽与延迟瓶颈，大幅提升硬件利用率并降低单位Token成本。华为资深人士指出，超节点已确立为当前AI Infra建设的主流趋势。短短一年间，它从少数厂商展示实力的旗舰产品，演变为算力企业必须参与的“军备赛”。百度昆仑芯人士透露，国产超节点自去年推出以来，目前已发展至可批量落地阶段，预计今年底各家算力企业都将具备交付能力。

追溯其发展脉络，超节点并非全新概念。2024年英伟达发布GB200 NVL72，将72颗Blackwell GPU纳入同一高速互联域，虽初时需求不旺，但随着2025年大模型参数暴涨，该技术迅速成为热点。国内厂商早在2024年前后便启动预研，首批产品于2025年上市，华为、百度智能云、浪潮信息、新华三、中兴等纷纷入局。目前赛道内形成了三条主要路线：一是追求单节点规模最大化，二是强调部署效率与经济性，三是尝试以新芯片和互联架构重新定义标准。

在“大节点”阵营中，华为、中科曙光和百度表现突出。华为展示的1024卡超节点将在四季度实现8192卡满配交付，这是其技术上限；其去年推出的384卡版本已在金融、能源等行业商用落地750多套。中科曙光依托浸没式液冷技术，单机柜容纳640张加速卡，构建的十万卡AI超集群已落地国家超算互联网郑州核心节点，主要服务于模型训练及AI for Science场景。百度智能云天池超节点正从256卡向512卡演进，强调全栈自研，其文心5.1重要版本的训练即在全国产集群上完成，并支撑了电力行业多个场景的推理与训练。

另一派厂商则认为“越大越好”并非真理。阿里云灵骏真武M890以64卡为Scale-up单元，通过Scale-out网络扩展，并将此形态推向公共云，让客户按需调用而非购买设备。浪潮信息继去年推出64卡产品后，今年又发布了32卡超节点，旨在让万亿参数大模型的推理更普惠。浪潮副总裁赵帅表示，内部使用万亿大模型进行AI Coding的效率远超千亿模型，因此推出更小规格以降低门槛。沐曦则以单柜64卡为基础，主打CUDA生态兼容及横向扩展能力。

第三条路径试图跳出传统GPU或加速卡框架。清微智能采用可重构数据流架构，芯片间直连无需交换机，已推出峰值算力500PFLOPS的4096卡超节点，并在北京、内蒙等地落地。东方算芯及摩尔线程也计划跟进，寒武纪下一代芯片亦被业界预测将支持超节点。至此，国内主流算力芯片与服务器企业几乎全员入场。

为何爆发在今年？业内归纳出三大动因。首先是训推需求激增。Kimi发布的2.8万亿参数模型K3预示着参数规模的指数级增长，海外中等规模模型已达5万亿。业界估算，训练3万亿参数模型需约1万张卡，6万亿需2万张卡，一体化运作成为最优解。同时，AI Coding等场景中单次任务触发数十万次操作，对并发和长上下文处理提出极高要求，这正是超节点大内存池的优势所在。阿里云人士指出，线上推理与训练比例已接近5:1至10:1，绝大多数算力用于推理。

其次是经济账算得通。虽然超节点单价高，但综合考虑风火水电等基础设施成本，其集约化优势明显。新华三人士认为大企业部署必是经过精密计算。浪潮赵帅举例称，若推理性能提升10倍而耗电仅增2倍，收益可观。昆仑芯人士补充，传统模式下10台机器算力叠加损耗大，实际效能可能仅相当于6台，而超节点通过高速互联可将损耗降至最低，PD分离推理性能比普通同卡数机器提升30%至50%。

最后是工程化成熟度达到临界点。超节点涉及芯片、存储、通信、散热等多环节协同，非单一厂商能独立完成。目前产业链已具备批量交付整机的能力，无论性能优劣，至少能保证供货。

关于超节点更适合训练还是推理，各方观点不一。华为认为两者皆有价值，Agent推理需要海量上下文并发；摩尔线程聚焦万亿参数训练及高速推理；沐曦则认为在推理的Decode阶段价值最突出；清微智能指出目前微调训练较多，但推理性能更佳。

技术路线上的分歧同样显著。首先是规模之争，“小节点派”认为64至128卡足以满足TP/EP并行需求，过大反而增加延迟风险，适合中小规模微调；“大节点派”如华为、曙光、百度则主张万亿参数时代需要更大统一内存池以应对Agent并发。其次是生态之争，阿里平头哥、沐曦等坚持CUDA兼容以降低迁移成本，而华为昇腾、昆仑芯走自研路线。有大厂人士分析，随着Agentic coding普及，人工编程心智负担降低，CUDA的重要性可能减弱。华为方面强调其在mxfP8精度上的领先，并指出双方均在向矩阵与向量综合型方向演进。此外，铜缆与光纤、风冷与液冷的选择也因运维成本和故障率存在争议。

共识在于软硬协同。国内模型架构分化为Linear Attention（如千问GDN、Kimi KDA）和Smart Attention（如DeepSeek MLA）两派，这将直接影响硬件适配。浪潮董事长彭震指出，软硬件联合创新带来显著收益，美国企业也在探索类似路径。沐曦杨建博士预言，这条赛道未来二三十年都不会停歇，AI正从Coding渗透至道路、房屋设计等知识生产领域。一位管理者期望2027年底实现“白天定规范，晚上大模型求解”，但这取决于企业对数字员工的定岗决策。

当前，美国算力约为中国的9倍，超节点正成为产业链向下延伸的关键底座。随着交付能力提升，竞争焦点已转向批量稳定性及每Token成本的降低。供应链安全仍是最大挑战，锁定供应才能确保发展的确定性。