Related articles
前不久，中国首个全国产十万卡 AI 超集群曙光 8000（登峰） 在郑州正式落成，并同步接入国家超算互联网。而这也是国内首个从芯片到服务器再到交换机，全部完成国产化的十万卡集群。
十万张 AI 加速卡同时运转是什么概念？如果全部用于模型推理，它可以支撑当前中国 5%~10% 的 Token 访问需求。而如果用于科学计算，它可以在一天内完成过去数月才能跑完的模拟任务。
十万卡不仅是堆算力
截至 2025 年底，全国已建成万卡智算集群 42 个，但十万卡集群在此之前没有先例。而十万卡集群的难点在于，十万卡不仅是简单的堆算力，规模的扩大带来的挑战不是线性的，中科曙光高级副总裁李斌表示，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。传统算力集群的技术短板，在十万卡规模下会被无限放大，任何一个部件、链路、调度环节的微小漏洞，都会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。
就像一场十万人参与的交响乐演出。一个人走音不影响大局，但十万个人如果听不到指挥、看不到乐谱、互相之间没有配合，那奏出来的只能是噪音。李斌表示，曙光 8000 要解决的，恰恰是让这十万个“ 乐手” 精确合奏。
十万张卡需要高速协同计算，任何一个计算节点与网络的配合出问题，整体性能就会大幅衰减。“ 这个体系结构变得更复杂了，我们互联网络有集群的 Scale Out 网络，还有局部的 Scale Up 网络”，李斌强调。
传统做法是将科学计算和 AI 训练分成两套独立系统分别部署，因为两者对计算精度的要求截然不同：科学计算需要 FP64 双精度浮点运算，而大模型训练依赖 FP16 甚至 INT8 低精度大吞吐。而曙光 8000 采用"原生超智融合"架构，在同一套系统内同时支持从 FP64 到 INT8 的全精度计算。这意味着网络不仅要承载海量数据的传输，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呈几何级数上升。
为此，曙光自研了 scaleFabric 高速互连网络，采用类 InfiniBand 的原生 RDMA 技术，可支撑十万卡集群的稳定连接，并具备毫秒级链路故障恢复能力。李斌透露，为了提高可靠性，他们在柜级单元内优先使用铜互联而非光互联，因为铜的信号质量更好、故障率更低。只有当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。这一工程选择背后，是对系统稳定性的极致追求。
除此之外，应该整体体系过于复杂，如何确保集群可靠稳定运行，也是十万卡集群需要解决的关键问题。十万张卡的元器件数量是万卡的十倍，故障概率算术级上升。李斌坦言，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，“ 具体实现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工程手段。” 李斌介绍道。
在芯片层面，李斌也坦言，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、更优的系统效率弥补单点差距。而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。
一套系统干两套的活
此次落地的 AI 超集群核心技术路线是在同一套系统内同时支持高精度科学计算 （FP64） 和低精度 AI 训练 （FP16/INT8），也就是超智融合。传统做法中，科学计算和 AI 训练是两套独立系统。科学计算需要 FP64 双精度浮点运算，大模型训练依赖 FP16 甚至 INT8 低精度大吞吐。两套系统分开部署，数据和任务需要来回搬运。
简单来说，传统超算“ 够精准但不够智能”，无法适配 AI 算法迭代与大规模模型训练；传统智算“ 够灵活但精度不足”，难以支撑严谨的科学仿真与基础研究。这种结构性短板，导致我国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，也让国产算力基础设施始终滞后于前沿技术迭代速度。
曙光 8000 的思路是把它揉在一起。从底层芯片到计算单元到系统架构，实现全类型计算的原生一体化融合。单芯片即可覆盖从 FP64 到 INT8 的全精度计算需求，既能承接传统超算的高精度科学工程任务，也能支撑大模型训练和智能体推理。
从架构设计来看，这并非独创。国际上，部分超算中心也在探索类似方向。
这种通用性带来的好处是“1+1＞2”。以药物研发为例，研究团队做分子动力学模拟时需要调用超算资源，训练 AI 预测模型时又要切换到另一套 AI 集群，数据在两套系统之间搬运，中间的迁移、格式转换和重新配置消耗大量时间。而在超智融合的方案中，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。对于需要同时使用两种算力的用户而言，一套系统替代两套，基础设施投入和日常运维复杂度同步下降。
在具体案例中，8 万张卡完成了蛋白质折叠全流程模拟，而这一过程传统方法耗时数年，大规模算力可以将其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，这类模拟对航空发动机、船舶设计等领域的工程研发至关重要。
值得注意的是，在这些大规模应用中，有不少使用了机器深度学习 AI 的方法来结合传统数值计算。李斌坦言，这个比例比他们预想的要高很多，说明国内的头部应用团队正在快速采用 AI 方法。
此外，超智融合的另一个重要意义在于，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。这对于全球 AI 竞争而言，是一种具有中国特征的基础设施路径。
算力如何兑现价值？
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”，毕竟十万卡集群绝非单纯的行业面子工程，而是需要具备能将 Token 兑现成真正价值的能力。中国科学院院士鄂维南近期曾公开表示，算力规模本身不是目的，能否让算力真正"可用"才是关键。
从算力价值维度来看，全国产十万卡集群具备双向核心能力：全面转向模型推理服务时，可稳定支撑当前中国 5%-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、云端智能服务等普惠场景；聚焦科学计算场景时，可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，彻底改写了高端科研的算力效率边界。
算力价值的兑现，终究要落地于供需匹配、商业闭环、可持续复制。当下行业热议的“ 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，进一步印证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，长期处于供不应求的状态。尤其 2026 年智能体应用全面爆发后，AI 产业正式进入推理时代，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。
据企业官方信息，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，表明建设方对技术路线的信心。但十万卡集群若要从"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？当十万张卡摆在那里，软件能不能把硬件喂饱，是一个被低估的难题。行业里一个广为人知的案例是：马斯克的 xAI 部署了约 55 万张 GPU，但模型浮点运算利用率只有 11%。软件系统建设严重滞后于硬件扩张，不是花钱买卡就能解决的。
推理需求的增长能否持续消化新增供给？Token 调用量在涨，但单位 Token 的算力消耗也在快速下降。模型效率提升和算力供给扩张之间的赛跑，结果并不确定。
全生命周期成本能否形成商业闭环？十万卡集群的运营成本极其高昂，如果算力服务的单价持续走低，而运营成本难以同步下降，商业模型的可持续性就需要重新审视。
（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨杨林）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
