过去几年，AI（人工智能）产业对于算力的讨论大多围绕 GPU（图形处理器）展开，从英伟达 A100、H100，再到国产 AI 芯片厂商相继推出新产品，行业关注的焦点始终集中在单颗芯片性能、算力指标以及制程工艺上。然而，随着大模型参数规模持续增长，尤其是 MoE（混合专家模型）、Agent（智能体）以及长上下文推理逐渐成为主流，传统算力基础设施开始面临通信瓶颈和资源利用率低下等新挑战。

在这一背景下，行业竞争开始从 " 造更快的芯片 " 转向 " 组织更大的计算系统 "，" 超节点 " 因此成为大模型时代 AI 基础设施的重要发展方向。

7 月 17 日，2026 世界人工智能大会（WAIC）正式开幕，多家厂商不约而同将展示重点放在智算集群和超节点上。

其中，华为首次展示支持 1024 张 NPU（神经网络处理器）高速互联的昇腾 950 超节点（Atlas 950 SuperPoD）真机，并首次披露去年发布的昇腾 384 超节点已累计规模商用超过 750 套。真机亮相通常意味着产品已经跨越实验室验证阶段，在高速互联、散热设计、系统稳定性等工程能力上具备规模交付条件。

图片来源：企业供图

中兴通讯则联合壁仞科技、沐曦股份、燧原科技等多家国产 GPU 企业打造国产高性能 Matrix 超节点；中科曙光首发 scaleX 十万卡超智融合集群系统，这也是国内规模最大的 AI4S（科学智能）计算集群⋯⋯可以看到，虽然不同厂商采用不同技术路线，但共同指向一个趋势——国产 AI 算力正从单芯片竞争迈向系统级集群能力竞争。

谁能把芯片、服务器、网络、液冷、存储等高效整合成一套稳定、可规模化交付的计算系统，谁就更有机会在下一阶段 AI 基础设施竞争中占得先机。

从 384 卡到 1024 卡

如果说去年发布的昇腾 384 超节点标志着华为开始将超节点作为 AI 基础设施的重要发展方向，那么今年 WAIC 首次亮相支持 1024 张 NPU 高速互联的 Atlas 950 SuperPoD，则意味着这一技术路线正进一步向更大规模集群迈进。

去年 9 月，华为轮值董事长徐直军罕见公布昇腾芯片的演进和目标。他表示，未来三年，华为已经规划了昇腾多款芯片，包括 950PR、950DT 以及昇腾 960 和 970。其中，昇腾 950 系列按照不同训练和推理场景划分为 950PR 和 950DT 两个型号，如今，Atlas 950 SuperPoD 亮相，正是这一产品路线图的落地。

从发布节奏来看，昇腾芯片将进入一个快速迭代和性能持续飙升的周期。但由于受限于先进制程的获取，华为单颗昇腾芯片的算力目前还难以直接与英伟达芯片竞争。为此，华为通过 " 超节点 + 集群 " 的算力解决方案，满足持续增长的算力需求。超节点可以理解为，将数百至数千颗 AI 芯片高效互联，" 像一台计算机一样工作 "。

通过资源的高效调度，超节点在一定程度上可以弥补芯片工艺代差。以 Atlas 950 SuperPoD 为例，它以单柜 64 卡为基本单元，支持 1024 张 NPU 卡高速互联，并实现 256TB 统一内存编址。不过客观来看，集群也面临诸如能耗高、占地面积大等问题。" 我们认为只有依靠超节点和集群，才能持续为中国 AI 提供充裕算力。" 徐直军当时说道。

  值得注意的是，华为并不是少数押注超节点的企业。事实上，过去一年，全球 AI 基础设施产业几乎都在朝着这个方向演进。英伟达推出 GB200 NVL72，并计划进一步推出 NVL144，通过 NVLink Switch 将更多 GPU 组成统一计算域；Meta 宣布建设 Prometheus 和 Hyperion 两座超大规模 AI 数据中心，目标部署数十万张 GPU。除此之外，国内的阿里、字节、腾讯、百度、中科曙光、浪潮信息、新华三等多家厂商也均推出超节点方案。

这些发展路径虽然不同，但解决的是同一个问题：模型越来越大，但芯片性能提升速度正在放缓。过去很长一段时间，AI 算力竞争被简单归结为芯片制程的竞赛。当单芯片性能遇到瓶颈时，行业惯性的选择是增加服务器数量，也就是业内常说的 " 堆卡 "。随着集群规模不断扩大，这种方式的局限性开始显现。

一方面，传统计算架构中，卡间互联依赖 PCIe（高速外设互连总线）或以太网，跨服务器互联带宽多为 200 — 400Gb/s 且时延达数十微秒，在千亿参数模型训练的并行计算场景中，频繁的 GB 级数据通信阻塞导致计算等待通信，成为性能瓶颈；另一方面，当集群规模扩大到 " 万卡级 "，故障概率呈指数级上升，某张卡的宕机都可能影响整个训练任务，系统复杂度和运维成本也随之快速上升。

而超节点是解决这一系列矛盾的核心答案，并成为 AI 时代算力基础设施的主流形态。标志着 AI 计算开始从 " 堆算力 " 迈向 " 提效率 "，从依赖单点性能突破，转向依靠系统架构创新释放整体算力。

加速行业应用：384 超节点商用超750 套  

如果说 AI 芯片决定了一台服务器的计算能力，那么超节点真正考验的，则是一整套 AI 基础设施的系统工程能力。

随着 AI 集群从几百张卡扩展到数千张甚至上万张卡，同时运行时，除了网络互联，还需要解决供电、液冷散热、故障隔离、稳定运行等一系列问题。华为方面认为，超大带宽、超低时延和统一内存编址，是当前超节点最核心的三项能力。

其中，超大带宽和超低时延解决的是 " 通信 " 问题。超节点借助高效的互联协议打破传统架构限制，支持更大规模 AI 处理器的高效协同，以华为为例，其超节点 RTT（往返时延）约为 3 微秒，相比传统服务器集群，可显著降低通信等待时间，提高流量的数据传输，从而突破系统性能。

通信能力之外，统一内存编址更像是超节点真正实现 " 像一台计算机一样工作 " 的关键。可以简单把它理解成一个巨大的共享仓库。过去，每张 GPU 或 NPU 都拥有各自独立的 " 仓库 "，芯片之间调用数据，需要不断通过网络搬运；而统一内存编址则把这些仓库整合为一个共享空间，不同 AI 处理器可以像访问本地内存一样直接访问远端数据，大幅减少数据搬运带来的时间损耗。

华为此次展示的 Atlas 950 SuperPoD，便是基于灵衢互联协议实现 CPU（中央处理器）与 NPU 之间统一内存语义，并支持 256TB 全局统一内存编址，不管数据存在哪块内存里，都只有一个 " 全局地址 "，CPU、NPU/GPU 之间可以直接跨节点访问地址。

此外，当 1024 张卡甚至万卡持续运行时，巨大的功耗和散热也将成为新的挑战。华为专家此前曾对包括记者在内的媒体表示，" 大量的芯片堆到一起有巨大的热量，热散不掉系统就会瘫痪，热是一门科学，散热更是一门复杂的工程能力。散热首先要把热导出来，导热垫紧贴芯片的表面，其导热效率至关重要，核心是材料科学 "。

据悉，华为此次展示的 Atlas 950 SuperPoD 采用液冷散热方案，而同步展出的 Atlas 850E 风冷超节点，能够适配现有风冷机房，降低客户建设门槛。

系统工程问题解决后，市场更关注的是超节点能否真正实现规模部署。

华为此次透露称，384 超节点已累计商用超 750 套，规模应用于互联网、运营商、金融、教育、医疗、交通、制造等行业。这意味着其客户已经不再局限于少数示范项目，而是开始进入更广泛的行业应用。

去年 12 月，中国移动招标与采购网显示，中国移动研究院 2025 年超节点试验装置采购项目开标，中标候选人为华为，投标报价为 1.35 亿元，拟中标份额 100%。招标内容包括超节点试验装置 1 套（含超节点智算模块（含计算及配套网络等）48 套、超节点存储模块 1 套）。

对于超节点的作用，DeepSeek 此前曾表示，随着昇腾 950 超节点批量上市，相关产品价格预计将明显下降，超节点的大规模部署将进一步降低大模型服务成本，加快 AI 应用落地。

不过，与英伟达相比，华为仍有需要继续追赶的地方。目前英伟达依托 CUDA、NVLink 等软硬件生态，在全球云厂商、开发者生态中的覆盖范围依然更广；华为虽然在中国市场快速推进昇腾部署，但在开发者数量、第三方工具链以及国际生态影响力方面，仍需继续追赶。