原标题：2026 年下半年，算力竞赛为何突然转向超节点？

" 中国大型互联网企业会在下半年大量部署超节点方案。" 一位算力资深人士告诉数智前线市场的走向。虽然超节点整机价格通常高于同等卡数的普通服务器，" 但它的账算得过来，算力密度更高、空间占地更小。现在企业必须在有限空间承载更多算力，超节点是个‘大杀器’。" 新华三人士补充道。

即便此前没有采用超节点的 DeepSeek，" 最近也明确要用，正在议价。" 一位云计算大厂人士告诉数智前线，这具有风向标意义。

这一热潮在 2026 世界人工智能大会上表现也很突出。华为展出了 20 个机柜组成的 1024 卡超节点真机、中科曙光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，都被放在各自展台的突出位置。

什么是超节点？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，解决了传统集群跨机器通信的带宽和延迟瓶颈，从而大幅提升 GPU 或加速卡的利用率，带来单位 Token 成本的下降。" 超节点已成为目前 AI Infra 建设的一个主流趋势。" 华为资深人士对数智前线说。

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。" 国产超节点从去年推出，目前已发展到可批量落地阶段。" 百度昆仑芯人士说，" 到今年底，每家算力企业基本上都具备交付能力。"

01、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，推动该架构进入业界视野，但最初需求并不算旺。到 2025 年，随着大模型参数暴涨，超节点才成为热点。国内厂商也早在 2024 年前后开始做技术预研，最早一批在 2025 年上市，华为、百度智能云、浪潮信息、新华三、中兴等各家都开始发布。超节点赛道开始涌入多个玩家。

但各家争夺的焦点不太一样，目前似乎形成了三条不同路线：一派不断扩大单个超节点的规模，一派更强调部署效率和经济性，还有一派试图用新的芯片和互联架构重新定义超节点。

数智前线观察，其中华为、中科曙光和百度，在走向 " 大节点 "。

华为已向业界展示由 20 个机柜组成的 1024 卡的昇腾 950 超节点真机，并将在今年第四季度批量交付 8192 卡超节点，理论上这是该超节点满配技术上限。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。而其去年推出的 384 卡超节点已在互联网、金融、能源、教育和医疗等行业，商用落地 750 多套，证明了超节点的商业规模部署能力。

中科曙光选择了浸没式液冷支撑更高密度部署。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。

百度智能云天池超节点则从 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 80 多个行业场景推理，也支撑了自研电力大模型的训练。

另一批厂商并不认同 " 越大越好 "。

阿里云推出的灵骏真武 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公共云上，客户不必采购设备，也可以按需调用。

浪潮信息、沐曦也选择了类似方向。浪潮信息去年推出 64 卡超节点，今年再推 32 卡产品。32 卡可以支撑万亿大模型推理。浪潮信息副总裁赵帅介绍，" 我们自己内部用万亿大模型做 AI Coding，效率 * 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。

还有一些厂商试图跳出英伟达 GPU 或华为加速卡路线，走了第三条路径。清微智能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，芯片之间可直连，无交换机。清微智能产品副总裁陈逸伦告诉数智前线，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、国央企也已落地。采用同样路线的还有 7 月产品刚刚上市的东方算芯。

此外，摩尔线程也计划年底伴随新一代 GPU 推出相关产品。寒武纪虽然目前没有超节点，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、服务器企业，几乎都已进入这一赛道。

02、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。

*，模型训练和推理需求足够大。训练端，模型参数量在飙升。7 月 Kimi 发布参数达 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，在后面是 10 万亿。而海外中等规模模型参数量已达 5 万亿。" 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 万亿参数模型大约需要 1 万张卡，6 万亿需要 2 万张卡训练。解决方案 * 是把多个芯片连成一体化去运作。

推理端，华为人士举例，AI Coding 场景中，一个任务触发的操作调用已是几万次，复杂长程任务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，阿里云资深人士告诉数智前线，目前线上推理和训练比已接近 5：1~10：1，"1 万张卡里，大约 70%~90% 都在做推理，只有少部分在做训练 "。

第二，账算得过来。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。" 你不能单看卡的数量，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。" 新华三人士告诉数智前线。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，算下来还有收益的。"

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 *，让更多算力发挥效能。如用超节点做 PD 分离推理，系统比普通同卡数机器提升 30% 到 50% 的性能。

第三，批量交付节点到了。" 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了。" 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 "。

不过，超节点更适合训练还是推理？各家的说法并不同。

华为人士认为，训练、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，超节点要具备大内存卡。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。而沐曦人士认为，" 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。" 清微智能陈逸伦分析，" 目前超节点在训练侧跑微调较多，拿它做推理性能更好。"

03、分歧与共识

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

* 个分歧是规模之争，超节点应该做多大？是 64 卡 /128 卡，还是更大规模？行业分成两个阵营，这里说的是超节点 Scale-up 的规模，就是用高带宽、低时延互联，把多少芯片纳入一个紧耦合计算域。

一些企业人士是 " 小节点派 "。" 在我个人认知里，64 卡就够了。TP 并行、EP 并行的 * 规模可能就是 64 卡，剩下的通过 PP 和 DP 并行、Scale-out 去连起来。你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。" 一位人士告诉数智前线，" 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。" 进入 Agent 时代后，万亿参数、百万 Token 上下文和海量并发推理下，64/128 卡小节点统一内存池太小 "，"64 卡更像基础机柜单元，适合中小规模模型微调、离线推理；万亿大模型完整训练、大规模多智能体并发，必须依靠更大规模超节点 "。

第二个分歧是 CUDA 兼容之争。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、昆仑芯等走自研生态路线。

一位大厂人士对数智前线分析，自研生态虽然迁移成本高，但可控性和长期演进空间更大。他坦诚，也许两三年后，CUDA 兼容就没有那么重要了。" 我们回归技术 * 性，CUDA 当年的胜出，是很多人做向量编程，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。但到今天有了 Agentic coding 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 * 支持 mxfP8 和 fp4 精度的厂商，mxfP8 的可变量比 fp8 更好。" 有人说昇腾从 CANN 走向了 CUDA，其实并不完全正确。" 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。"

还有其他的分歧，如连接中铜缆与光纤，液冷中的风冷和液冷，尤其是浸没式液冷，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。

一个共识是软硬架构协同。超节点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 Attention 正在分化为两条路线，其中千问 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，这也将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，最近的新进展是软硬件联合创新，一端提出新算法，另一端用新介质、硬件和网络适配，收益显著。他看到美国企业也在开展类似探索。

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。

而算力越便宜，行业扩张就越快，" 整个链条就再也停不下来了 "。美国算力约为中国的 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。"