經濟觀察報記者 鄭晨燁

2025年下半以來年，AI算力市場的“功夫”熱詞，莫過于超節點（SuperNode/SuperPod）。

7月，在世界人工智能大會（WAIC）上，華為、中興通訊（000063.SZ）和超聚變數字技術有限公司各自展示了超節點方案；7月27日，紫光股份（000938.SZ）子公司新華三發布了H3C　Uni-PoD系列超節點；8月，浪潮信息（000977.SZ）推出了元腦SD200超節點；8月28日，百度發布了昆侖芯超節點；9月18日，華為在全聯接大會上發布了Atlas　950/960超節點；阿里巴巴也在當月的云棲大會上亮出了磐久128超節點；11月6日，中科曙光（603019.SH）在烏鎮發布了號稱“全球首個單機柜級640卡”的scaleX640；11月13日，百度在北京又拿出了天池256/512超節點。

各家發布的參數一個比一個“猛”，比如在2025年中國國際大數據產業博覽會上，華為數字政府系統部CTO馬華民表示，華為384超節點服務器的集群算力是英偉達同類設備的1.67倍。

超節點這個聽起來技術門檻很高的產品，到底是什么，又為何一夜之間成為國內廠商的標配？

起底超節點

在行業內，超節點這個詞時常被混用。

目前，業內對超節點至少有兩種層級的劃分，一是指在單機柜內部實現高速互聯，有廠商稱之為“SuperNode”；一種指由跨機柜組成的集群級互聯，英偉達最早提出的“SuperPod”就屬于這一類。

廠商扎堆發布超節點，與當前AI大模型面臨的瓶頸有關。

運行訓練參數超過萬億級別的AI大模型，一張芯片裝不下、也算不動，唯一的辦法是把活兒拆開，大家一起干，這在行業里叫“并行計算”。記者采訪業內人士了解到，在超高參數級別的大模型訓練中，計算單元約40%的時間都在“空等”通信，芯片們不是在“計算”，而是在“排隊等消息”。這個瓶頸被業內稱為“通信墻”。

為了拆掉這堵墻，超節點應運而生。

目前，行業主要有兩種構建大規模GPU（圖形處理器）集群的方式：Scale-Out（橫向擴展）和Scale-Up（縱向擴展）。其中，Scale-Out是傳統辦法，簡單來說就是把多臺獨立的服務器用網線連起來，組成擁有上百臺，乃至上千臺機器的集群。Scale-Up則是增加單個節點內的資源數量。節點指系統中一個獨立的計算單元。在AI訓練中，一塊GPU或一整臺訓練服務器都可以稱為一個節點。

超節點就是把幾十張乃至上百張卡放進一臺大機柜，用內部的“高速路”連接起來，讓它們像一塊超級芯片一樣工作。

在超節點的設計中，Scale-Up通過單機柜內集成更多芯片來提升性能，Scale-Out則通過跨機柜互聯實現更大規模的集群。

因此，各家廠商在發布超節點產品時所標注的數字，如“384”“640”“512”等，通常指該超節點單機柜或單系統內集成的AI訓練芯片（如GPU、NPU等）數量。例如，華為昇騰384超節點就表示在一個超節點單元中集成了384顆昇騰AI芯片。中科曙光scaleX640意味著單個標準機柜內可部署640張AI計算卡。

該數字也成為衡量超節點規模與算力密度的核心指標，能直觀反映相關廠商在系統集成和高速互連能力上的工程水平。

對于英偉達而言，Scale-Up和Scale-Out解決的問題不一樣。AI訓練中有多種“并行計算”方式。其中，PP（流水線并行）和DP（數據并行）的通信量相對較小，可以用Scale-Out的模式處理。但TP（張量并行）和EP（專家并行）的通信量極大，必須通過Scale-Up的方式解決。此外，兩者的性能差距非常大，Scale-Out網絡的通信時延通常在10微秒左右，而Scale-Up網絡（如英偉達的NVLink）的目標是要做到百納秒級別。

“通信墻”問題之所以在2025年變得如此尖銳，與AI應用本身的變化也有關系。比如，華南一家芯片企業的工程師王先生告訴記者，現在行業對于AI的需求正從“一個模型回答一個問題”，轉向需要多個模型協同工作的智能體，即AI　Agent；但“智能體”在執行一個復雜任務時，可能需要同時調用代碼模型、邏輯模型和知識模型，并讓它們進行實時交互。

這種多模型實時交互的模式，讓Token（數據量）的生成規模遠超傳統方式。這種高頻、海量的通信需求，也讓Scale-Out網絡“10微秒”的通信時延，累積成了性能瓶頸。廠商們必須轉向Scale-Up。

如果說英偉達選擇超節點是為了追求更極致的性能，國內廠商集體選擇這條路，更多是被現實倒逼的選擇。

11月12日，野村中國科技及電訊行業分析師段冰在接受經濟觀察報采訪時認為，目前國內單芯片的算力有一定短板，因此需要通過構建多卡的超節點模式獲得整體上算力的供應。

中科曙光總裁助理、智能計算產品事業部總經理杜夏威對記者說：“在單點芯片層面上，我們還是不能夠實現超越的。”

單卡追不上的現實迫使相關廠商在系統上尋找優勢，超節點成為了破局的關鍵。“既然單點有差距，（我們）就需要在系統級上有優勢。”杜夏威說。

對標

英偉達是超節點概念最早的提出者。當國內廠商集體涌入這條賽道時，對標英偉達甚至是超越英偉達，往往就會成為發布會的主題。

在9月18日的全聯接大會上，華為副董事長、輪值董事長徐直軍公開了華為的AI算力版圖，并宣布華為將于2026年四季度上市的Atlas950超節點（支持8192卡），將“在各項主要能力上都遠超業界主要產品”。

徐直軍還給出了對比數據：相比英偉達同樣將在明年下半年上市的NVL144，Atlas950超節點卡的規模是其56.8倍，總算力是其6.7倍，內存容量是其15倍，互聯帶寬是其62倍。

其他廠商也在參數上“寸土不讓”。英偉達在售的旗艦產品 GB200NVL72，是將72個GPU（圖形處理器）集成到一個液冷機柜中。國內廠商們也紛紛在“單柜集成度”上發起猛攻。

11月6日，中科曙光在烏鎮世界互聯網大會上發布的scaleX640超節點，宣稱是“全球首個單機柜級640卡”集成的產品。

將640張高功率芯片放進一個標準機柜，這在工程上要先解決三個“硬骨頭”。

“一是要有非常先進的冷卻技術；二是要有非常先進的供電技術；三是要有比較好的硬件架構，能把這么多卡連起來。”杜夏威稱，通過這些系統工程創新，scaleX640實現了“單機柜640卡超高速總線互連”，與業界同類產品相比，單機柜算力密度提升了20倍。

在當前國產AI芯片單卡算力、軟件生態尚難與英偉達H100/B100正面硬剛的情況下，“堆量”成為國內廠商相對務實的突圍策略：即用更高的集成密度，把更多計算單元放進同一個高速通信域里，從而在整體訓練效率和單位算力成本上扳回一城。

此外，AI訓練需要芯片間的高頻通信。在超節點內部互聯層面，行業內也出現了不同的技術路徑，一是以英偉達NVL72為代表的高速銅纜（電互聯）方案；二是以華為昇騰為代表的“去銅全光”（光互聯）方案。

杜夏威說，這是目前行業的主流思路，“柜體內用銅和電，柜間用光”。對于此中原因，杜夏威解釋稱，光模塊的“功耗、可靠性、成本都是沒有完全解決的問題”，銅互聯（電互聯）雖然可靠且成本低，但在傳輸距離上有限制，高速銅互聯的有效距離僅在1米左右。

國產廠商們的思路也因此變得清晰：盡可能在1米左右的銅互聯范圍內塞進更多計算卡。誰塞的卡越多（集成度越高），誰就能用更多的“銅”替代昂貴的“光”，從而在系統總成本和通信效率上獲得杜夏威口中的“競爭優勢”。

但堆量并非沒有代價。

第一個代價就是功耗和散熱。把幾百張高功率芯片塞進一個機柜，產生的熱量是驚人的。比如，英偉達的GB200NVL72，單柜72卡的功耗就已達到120千瓦（kW）。這使得“液冷”成為必需品，即將芯片等發熱部件直接泡在特殊液體里，依靠液體沸騰蒸發帶走熱量，達到散熱目的。

第二個代價是互連本身的工程復雜度。公開信息顯示，英偉達的GB200NVL72機柜，為了連接72張卡，內部需要鋪設5000多條、總長度接近3200米的獨立銅纜。當集成度從72卡提升到128卡、384卡乃至640卡，其內部走線和連接的復雜度可想而知。

另外，在核心的“互聯協議”，即芯片間“對話的語言”上，國內廠商也分化出了不同路徑。如英偉達的“護城河”就是其私有的NVLink協議。

華為選擇自研垂直一體的靈衢（U－nifiedBus）互聯協議。徐直軍稱其目標是“萬卡超節點，一臺計算機”。靈衢試圖做到“統一通信協議與內存編址”，讓系統內所有CPU（中央處理器）和NPU（神經網絡處理單元）能“聽懂彼此的話”，實現全局資源池化。在9月18日的大會上，徐直軍宣布將開放靈衢2.0技術規范，目的在于讓其他廠商能基于此開發產品，共建靈衢的開放生態。

阿里、新華三等則選擇了開放兼容。比如阿里的磐久AL128采用非以太的ALink協議，并支持UALink（加速卡超級互聯聯盟）國際開放標準；新華三也公開表示正積極參與UALink和UEC（超以太聯盟）等國際組織的標準建設。

挑戰

除了代價，堆量也不能解決所有問題。

段冰認為，對于當前的超節點而言，硬件層面的功耗、通信效率等問題都是客觀存在的，但這些硬件和工程層面的問題“不會是非常大的瓶頸”，隨著經驗的積累，國內廠商結合之前網絡技術方面的優勢，可以補上來。

真正的挑戰在其它方面，比如軟件生態和底層算力交互的軟件。段冰認為這些短板可能需要花更多時間才能補足。

軟件生態是國產算力廠商們面臨的共同挑戰，廠商自己對此也有清醒認知。

杜夏威表示，用戶在選擇方案時，首先會考慮這個應用能不能有效落地，能不能跑起來？這里的關鍵就在于有沒有很好的軟件生態。他認為硬件參數只是基礎，最終效果在于用戶能用得起來，而不僅僅是停留在噱頭層面。

硬件參數比拼激烈，軟件生態短板明顯，誰在為這些動輒數百卡、售價高昂的超節點買單？

在TrendForce集邦咨詢資深分析師龔明德看來，從全球AI服務器的需求看，未來兩到三年，主導角色還是大型互聯網企業，因為這些企業有客戶基礎，以及擁有較完整多元的服務形態。

龔明德認為另一個采購主力將是國家主導的主權云服務，這類算力中心的目的在于“提供本地化中小企業租賃服務或發展AI使用”。

大型互聯網企業和主權云構成了需求的主力，但其中也存在變數：頭部互聯網企業雖有技術能力消化高端算力，但其資本開支正在趨于理性；主權云雖有政策驅動，卻容易陷入“為建而建”的陷阱。

在工信部信息通信經濟專家委員會委員盤和林看來，國內AI算力的熱度與海外基本同步，并未脫離全球趨勢，“隨著海外算力出現泡沫，國內當然也會有一些泡沫，但這是全球趨勢，并非人為因素”。

盤和林擔心的是算力建設的“一廂情愿”。他認為建設算力中心應該是企業和市場決定的事，“政府和國企要避免‘一廂情愿’，比如在不需要算力的地方強行推進算力產業發展”，云計算廠商最懂得在哪些區域建設算力最經濟。

這種“一廂情愿”的風險還與AI應用的實際落地情況有關。盤和林說，目前AI算力最大的場景是AIGC（生成式AI），“現階段落地較快，場景很豐富”，但在其它被寄予厚望的領域，如“AI+”領域的智能制造，“對算力的預期和實際之間有落差”。“AIGC會是一種選擇，但不會是唯一方案，關鍵還是要看具體的需求場景。”盤和林說，算力的價值最終將由真實業務來定義，而非相反。

對于AIGC之外更大規模應用場景的爆發，段冰的態度比較樂觀。他認為，真正具備長期潛力的方向是機器人、高階自動駕駛等與先進制造深度綁定的領域，“這些場景一旦跑通，對算力的需求將是持續且剛性的”。

至于金融、醫療等行業，雖然已有不少試點項目，但段冰覺得這些行業目前仍處于“從單點驗證走向規模化復制”的早期階段。

這意味著國產廠商眼下這場圍繞超節點的突圍戰，除了要解決硬件代差、軟件生態等短板，還要耐心等待、甚至主動培育尚未完全到來的大場景需求。

（作者 鄭晨燁）