前不久，郑州落成了中国首个全国产十万卡 AI 超集群——曙光 8000（登峰），同步接入国家超算互联网。这套系统从芯片到服务器再到交换机，全线完成国产化，在这之前国内从未有过先例。

截至 2025 年底，全国已建成 42 个万卡智算集群，但十万卡级别始终是空白。中科曙光高级副总裁李斌直接点破了一个常见误解：万卡到十万卡的升级不存在十倍叠加的线性逻辑。算力规模每提升一个数量级，系统的工程难度、可靠性压力、协同复杂度都会呈几何倍数增长。十万卡不是堆出来的，是扛出来的。

十万张 AI 加速卡同时运转到底什么概念？如果全部用于模型推理，它能扛下当前中国 5% 到 10% 的 Token 访问需求。切换到科学计算场景，一天之内就能跑完过去需要数月才能完成的模拟任务。这不是纸面参数，是实打实的算力吞吐。

工程挑战：十个乐团的指挥难题

李斌用了一个比喻形容十万卡集群的协同难度——十万人参与的交响乐演出。一个人走音不影响大局，但十万个人听不到指挥、看不到乐谱、互相之间没有配合，奏出来的就只能是噪音。曙光 8000 要解决的，恰恰是让这十万个 " 乐手 " 精确合奏。

传统算力集群在万卡规模下或许能掩盖的短板，到了十万卡级别会被无限放大。任何一个部件、链路、调度环节的微小漏洞，都可能导致整个集群性能坍塌。这也是此前国内长期无法实现全国产十万卡集群落地的核心原因。

为了稳住这十万张卡的高速协同，曙光自研了 scaleFabric 高速互连网络，采用类 InfiniBand 的原生 RDMA 技术（远程直接内存访问），能支撑十万卡集群的稳定连接，具备毫秒级链路故障恢复能力。李斌透露了一个反直觉的工程选择：柜级单元内优先使用铜互联而非光互联。铜的信号质量更好、故障率更低，只有物理距离超过铜的驱动能力极限时，才会转向硅光共封装（CPO）技术。

元器件数量方面，十万张卡是万卡的十倍，故障概率算术级上升。曙光的应对策略是把每一个小部件到板卡的可靠性做到比通用计算设备高一个数量级。具体手段包括用铜互联替代光互联、采用浸没式液冷控制温度波动等。李斌在芯片层面也没有回避差距：国产芯片单点能力与全球顶尖水平尚有差距，但可以用更多芯片、更优的系统效率来弥补。

一鱼两吃：科学计算和 AI 训练的融合账

曙光 8000 走的技术路线叫 " 原生超智融合 " ——在同一套系统内同时支持高精度科学计算（FP64 双精度浮点运算）和低精度 AI 训练（FP16 半精度甚至 INT8 整型低精度大吞吐）。传统做法里这两套活是分开干的，科学计算需要高精度，大模型训练依赖低精度大吞吐，数据和任务需要在两套系统之间来回搬运。

简单说就是传统超算 " 够精准但不够智能 "，传统智算 " 够灵活但精度不足 "。这种结构性短板导致大量前沿科研项目长期面临 " 算力不匹配、数据跑不通、实验效率低 " 的困境。

融合方案的好处很直接。以药物研发为例，研究团队做分子动力学模拟需要超算资源，训练 AI 预测模型又要切换到另一套 AI 集群，中间的数据迁移、格式转换和重新配置会消耗大量时间。超智融合方案下，科学计算和大模型训练可以在同一套系统内完成，无需跨系统调度数据。基础设施投入和日常运维复杂度同步下降，一套系统替代两套。

曙光 8000 从底层芯片到计算单元到系统架构，实现了全类型计算的原生一体化融合。单芯片覆盖从 FP64 到 INT8 的全精度计算需求，网络不仅要承载海量数据传输，还要在不同精度任务之间灵活切换，对带宽、时延和可靠性的要求是几何级数上升。从架构设计来看，国际部分超算中心也在探索类似方向，这并非独创路线。

实战成绩单：从蛋白质折叠到航空发动机

十万卡集群上线后的实战案例已经开始刷成绩了：8 万张卡完成了蛋白质折叠全流程模拟，传统方法耗时数年的工作被压缩到数周甚至数天；9 万张卡协同完成了 3.16 万亿原子的 DFT 高精度仿真（密度泛函理论，材料科学中模拟原子行为的核心计算方法）；8.8 万张卡完成了 328 万亿网格湍流直接模拟，这对航空发动机、船舶设计等领域的工程研发至关重要。

李斌观察到，这些大规模应用中 AI 方法与传统数值计算的结合比例，比团队预想的要高很多。国内头部应用团队正在快速采用 AI 方法，这也是超智融合方案被加速验证的市场动因。

超智融合的另一个战略意义在于，为中国提供了一条不同于单纯追赶单点算力规模的路径。通过国产算力体系、全国一体化算力网和算电协同机制，中国正在探索超大规模集群的组织方式。李斌的判断很直接：十万卡集群的意义不在于它有多大，而在于它证明了中国有能力将超大规模算力组织起来、稳定运行起来、开放服务起来。这才是下一阶段 AI 应用竞争的真正入场券。

商业关：算力如何从工程变成生意

十万卡集群落成后最棘手的问题不在技术，而在 " 利用率 " 和 " 商业可持续 "。中国科学院院士鄂维南近期公开表态：算力规模本身不是目的，能否让算力真正 " 可用 " 才是关键。

从算力价值维度看，国产十万卡集群具备双向核心能力。推理服务端，可稳定支撑当前中国 5% 到 10% 的全网 Token 访问需求，直接承接大众日常 AI 对话、产业智能推理、云端智能服务等场景；科学计算端，将传统科研团队耗时数月的复杂模拟任务压缩至单日完成。

行业热议的 " 算力泡沫 " 争议，本质是对算力价值落地难的焦虑。但曙光 8000 的实战表现揭示了行业结构性算力紧缺的核心现状：市场闲置的多是低端通用算力，而适配 AI for Science、高端工业仿真、大模型深度训练与高通量推理的大规模、高稳定性国产优质算力，长期供不应求。尤其 2026 年智能体应用全面爆发后，AI 产业进入推理时代，海量实时交互、超长上下文推理、产业常态化智能应用，让十万卡级大规模算力的刚需属性持续凸显。

第二套已在路上，商业闭环还要回答三个问题

中科曙光已经与北京科学智能研究院达成合作，启动第二套十万卡系统的研制与建设。从 " 第一套 " 到 " 第二套 " 的决策速度，说明建设方对技术路线的信心。

但十万卡集群要从 " 示范工程 " 走向 " 商业可复制 "，还需要回答三个关键问题：大模型的工程化能力何时能追上集群规模？当算力基础设施跑得比应用生态快，供需错配的窗口期有多长？从硬件堆叠到系统效率再到商业回报的闭环，能否在第二套、第三套系统中跑通可复制路径？

算力价值的兑现终究要落地于供需匹配、商业闭环和可持续复制。第一套集群证明了 " 能建 "，后续的复制节奏将验证 " 能用 " 和 " 能赚 "。对于一家企业而言，十万卡的投入不是面子工程，需要具备将 Token 兑现成真正价值的能力，这个账本大家都在等着看。