华为打出“王炸”！

每经记者｜可杨  朱成祥    每经编辑｜何小桃 杨军 易启江    

“超节点”为什么突然火了？今年以来，超节点几乎成为国产算力产业最热的关键词。

7月17日，2026世界人工智能大会（WAIC）在上海举办。在会上，华为、中兴通讯、天数智芯等厂商均带来了超节点产品。在世博展览馆H2馆华为展区，映入眼帘的是体形巨大的昇腾950超节点，吸引了一波又一波人流。

图片来源：企业供图

“超节点”要回答的问题其实是，一千个人一起做题，如果每计算一步，这一千人都必须停下来，等待所有人对完答案，才能迈出下一步，那么一千个人解题，如何比一百个人更快？答案不在人数，而在让这一千个人像一个人那样心意相通。这是“超节点”的逻辑，它不是新芯片，也不是新模型，而是一次算力组织方式的质变。过去，AI（人工智能）集群的基本单元是单台八卡服务器，跨服务器通信是绕不开的瓶颈。“超节点”要做的就是通过高速互联和统一内存语义，把分散在数十台服务器里的成百上千张芯片，压进一个低延迟、高带宽的域内，让它们像一张芯片那样协同工作。

过去，算力竞争的核心命题很直接，比拼的是谁能造出一张更快、更强的芯片；而今天，这个问题正演变成另一个更复杂、更具系统性的追问：如何让成百上千张芯片真正像一张芯片那样协同工作？

超节点，正是这场系统级竞争最集中的体现。

直击WAIC：“超节点”成主角之一

在本届WAIC上，华为首次展示支持1024张NPU（神经处理单元 ‌）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750多套。

中兴通讯联合曦智科技、壁仞科技、沐曦股份、燧原科技、天数智芯打造国产高性能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计算集群。

国内头部GPU（图形处理器）厂商壁仞科技也带来了超节点方案，包括16卡超节点、128卡超节点以及1024卡超节点。其中，16卡/128卡超节点使用电互联，而1024卡超节点则用上了光互联。

无独有偶，另一家GPU厂商天数智芯也带来超节点。据悉，天数超节点面向大模型训练与高并发推理场景，以国产通用GPU为核心，实现144芯高速全互联，通过高带宽互联、统一资源调度和软硬件协同优化，提供稳定、可靠、可扩展的高质量算力。

天数智芯工作人员告诉《每日经济新闻》记者，公司超节点是144芯电互联。

在世博展览馆H2馆华为展区，从左至右排列了20个机柜。两边各有8个计算柜，中间是4个灵衢机柜。具体到计算柜，最上层是电源模块，中间层的正面是光模块、LPO（光模块剔除了DSP芯片）的插槽，其后方是正交结构的CPU（中央处理器）刀片、NPU刀片以及交换网板，最下层为液冷模块。

记者来到昇腾950超节点的后方，华为打造出透明的机柜，以展示机柜内部结构。只见机柜里面并非由传统的服务器组成，而是由一个个NPU抽屉、CPU抽屉组成。一个机柜拥有16块CPU、64块NPU。一个抽屉内放置8个NPU模组。这一个个CPU抽屉、NPU抽屉，也被称之为CPU计算刀片、NPU计算刀片。《每日经济新闻》记者观察到，其机柜内部正交架构思路与英伟达相近，但采用无背板正交直连设计，区别于英伟达的正交背板方案。

对于为何打造如此庞大的超节点，而不是利用传统的Scale out组计算集群，华为工作人员表示：“装在一个POD（超节点）里面，带宽会更大。因为现在大模型推理对带宽的要求非常高。”

当下，随着Agent和大模型推理的盛行，AI的瓶颈逐渐从计算转为存储和互联（通信）。那么，超节点内部又是如何互联的呢？

工作人员向记者介绍，每一块NPU上，配置着两块交换芯片。8卡NPU计算刀片内部，是全电互联。计算刀片的背面，通过高速铜缆接口与交换网板连接。一排排交换网板，负责机柜内部的互连。交换网板的后方是光模块、LPO插槽。光模块、LPO的尾部是长长的光纤线，光纤线通向灵衢机柜，由光来负责机柜与机柜之间的互连。灵衢机柜内部，是OCS全光交换机。

简而言之，机柜内部是电互连，机柜与机柜之间是光互连。

与英伟达超节点相比，华为950超节点的独特之处在于Scale up内部的光互联。英伟达超节点，Scale up内部主要由正交背板实现电互连，即华为实现了Scale up的部分“以光代电”。

模型越来越大后

真正的堵点不是算力

把时间拨回3年前，大模型一脚油门，驶入了一场停不下来的极限竞赛。彼时，超节点还不是一个被反复谈论的名词，尽管模型已经开始加速膨胀，但无论是参数规模还是训练方式，都没有真正触碰到传统算力架构的天花板。在这场极限竞赛中，大模型以近乎垂直的指数曲线演进，从数十亿参数直奔万亿参数而去，牌局开始发生改变。

今年4月发布的DeepSeek V4采用了约1.6万亿参数的MoE（混合专家）架构，庞大参数量意味着模型训练过程中已经不可能依赖单卡完成，而必须拆分到大量GPU或NPU上共同执行。问题不在于模型的大，而在于大带来的代价。

此前，一家超节点厂商工作人员向《每日经济新闻》记者举了一个例子，如果把模型训练理解为很多人一起完成一道数学题，那么过去可能只有十几个人，每个人负责一部分内容，最后再汇总结果；而现在，更像是上千个人共同完成一本书，每写完一句，都需要彼此同步一次，再继续下一步。

计算可以并行，但同步无法省略。当GPU数量不断增加，真正限制训练效率的，已经不再只是计算能力，而是通信能力，此前一场展会上，华为超节点展区工作人员曾向记者解释，如果计算节点之间的带宽不足，在模型训练或者推理过程中，GPU（或NPU）很可能一直处于等待状态，当互联带宽提升之后，这种等待时间就会大幅缩短，算力利用率也随之提高。

于是，竞争的焦点发生了位移，从比谁更聪明，变成了比谁之间的连接更紧密。互联，成了新的战场。芯片、交换机、光互联、散热、电源、软件调度，都开始成为决定最终性能的关键角色，从这个意义上说，超节点并不是某一种单独的新产品，而更像是一种新的基础设施形态。

模型越大，对它的需求就越强烈。壁仞科技AI框架架构副总裁丁云帆也提到，当前AI发展面临三大核心挑战，模型参数从千亿迈向数万亿、Agent等应用场景要求百万级上下文长度、推理和训练都需要成千上万张GPU协同工作。仅凭单张GPU的算力性能，已难以独立承载上述复杂任务。在此背景下，如何实现海量GPU高效协同运行，使之如同一台一体化超级计算机开展工作，正是超节点架构着力破解的核心难题。

清微智能研发副总裁李彬在接受《每日经济新闻》记者采访时表示，超节点技术本身并不是新技术，多年前就已经存在。“过去超节点没有热起来，是因为模型还不够大，模型能力和计算需求还不足以‘填满’整个超节点提供的算力供给。”他说，随着模型从百亿参数、千亿参数快速发展到万亿参数，大模型对集中式算力的需求快速提升，超节点才真正迎来了应用场景。

一个变革性的方案，就像一艘巨轮，只有潮水足够高时，它才会浮起来。

从拼单卡到拼系统

当互联成为核心战场，不同的技术路线便开始分野，而英伟达与国产厂商，恰恰站在了岔路口的两端。

作为当下全球商用超节点主流方案厂商，英伟达最早提出了超节点（SuperPod）的概念，其GB200、GB300 NVL72整机柜方案，也成了行业对标的范本。不过，与国产厂商不断向384卡、4096卡迈进不同，英伟达目前的单柜规模仍停留在72张GPU左右。

为什么没有继续扩大？问题并不在GPU，而在互联，英伟达目前主要依赖NVLink电互联技术完成GPU之间的数据交换，但电互联技术，存在天生的距离诅咒：传输距离超过约一米，损耗会明显增加，稳定性也会受到影响。因此，英伟达选择的是一种相对集中的方案：在一个机柜内，把通信效率做到极致。

国产超节点，则是在逼仄的现实中走出了另一条路。

由于先进制程、HBM等核心环节被卡住脖子，国产AI芯片在单点性能上追赶国际顶尖产品的路注定崎岖。于是，一场思路的根本性转变发生了：不再执拗于让单颗芯片成为无敌的勇士，而是试图用系统工程的红利，弥补单点能力的不足。

华为是这条路的坚定践行者，Scale Up这条路，通过堆叠更多计算资源，实现整体算力的跃升。与此同时，尝试用全光互联这根纽带，完成机柜间的高速连接，以期打破距离魔咒，扩大超节点规模，让GPU的等待时间无限逼近于零。

互联的边界就是算力的边界。快思慢想研究院院长田丰认为：“华为超节点核心是万卡级昇腾NPU集群，配套灵衢高速互联、OCS全光交换、液冷、800G/1.6T光模块、高速算力交换机；节点内部（卡间）走灵衢UB总线+铜缆/短距光互联，节点之间（机柜间）用OCS全光交换机替代传统电交换机。”

不过，田丰也指出：“OCS目前仍有MEMS、液晶、压电、硅波导四条技术路线并行，每条路线的延迟、带宽、切换速度各有不同。毫秒级切换的MEMS满足AI集群的Flow（数据流）级流量调度，但对突发性通信的适应仍不如电交换灵活。这个技术鸿沟如何填补，是产业当前的待解题。”

李彬则认为，美国长期限制先进工艺出口，加之摩尔定律逐渐逼近极限，仅依赖制程升级已经越来越难实现算力的大幅提升。因此，未来提升性价比，更重要的是架构创新，而不是继续在线宽上竞争。

不过，无论是强调通信能力，还是系统集成，在单卡性能短期难以平视对手的背景下，通过系统设计、通信架构、集群组织方式的创新，依然能打开优化的空间。

超节点为什么还没有成为大模型标配？

越来越多厂商把超节点视为推理时代的核心基础设施，无论是PD分离、LPU（语言处理单元），还是算力池化、光互联，其最终目标都指向同一个方向：降低用户等待第一个Token（词元）的时间。

这也是为什么DeepSeek将未来服务价格下降与昇腾950超节点量产联系在一起。4月，DeepSeek在发布V4预览版时提到：受限于高端算力供给，Pro服务吞吐能力仍然有限，预计随着昇腾950超节点批量上市，相关服务价格将进一步下降。

对于大模型厂商而言，真正决定商业化能力的，不只是模型性能，还有每生成一个Token需要付出多少成本。

尽管产业热度不断升温，超节点距离大规模接管训练任务，仍有一段路要走。

李彬认为，未来算力成本下降将来自两个维度：一是模型算法不断优化，同样智能水平的模型成本越来越低；二是芯片和系统架构持续提升效率，让同样硬件能够完成更多任务。

这是超节点试图回答的核心问题：在模型能力持续提升的情况下，如何用更低的成本，把越来越集中的算力需求组织起来。

当然，超节点还没有解决所有问题。

训练效率仍需进一步验证；软件生态仍在建设；开发者的迁移成本，则像无形的阻力，拖慢变革的脚步；不同技术路线之间，也还远未到胜负分晓的时刻。

但有一点已经越来越清晰：未来的AI竞争，正在从单颗芯片的竞争，演变为整个系统工程能力的竞争。

对于整个产业而言，超节点或许不会直接决定最终胜负，但它正在改变竞争的方式。这场竞争，已经不再只是关于一张芯片，而是关于如何让成千上万张芯片，真正像一张芯片那样工作。

又回到最初的问题：一千个人一起做一道数学题，如果每计算一步，一千个人都必须停下来，等待所有人都完成计算、对完答案，再继续下一步，那么人数越多，等待彼此的时间反而越长。

数量，在某些时刻可能变成效率的敌人，而在超节点这场战役中，组织的艺术，正在尝试让计算的轰鸣声，吞没等待的沉默。

（免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。）

记者|可杨 朱成祥 

编辑|何小桃 杨军 易启江

校对|金冥羽

｜每日经济新闻  nbdnews  原创文章｜

未经许可禁止转载、摘编、复制及镜像等使用