國產算力下半場，拼的是系統能力

【摘要】國產算力的競爭，正在轉向系統能力。

過去，行業關注峰值算力、顯存帶寬和模型適配，今天，大模型訓練把瓶頸推向互聯、網絡、調度、液冷和運維。

從scaleX超節點到scaleFabric無損網絡，中科曙光正在提供一條值得關注的產業路徑：讓系統吸收硬件差異，讓工程能力兌現芯片算力。

國產算力下半場，真正的勝負在于能否把國產卡組織成穩定、高效、可持續運行的AI基礎設施。

以下為正文：

2012年，AlexNet在ImageNet上一戰成名時，很多人記住的不僅是深度學習的勝利，還有那篇論文背后的兩張GPU。它像一聲槍響，告訴整個計算產業：AI的發動機，不再被框定于傳統CPU的舊路線里。

此后十多年，故事一路加速。GPU從個人消費電子部件變成生產力工具，CUDA從開發工具變成生態入口，DGX從一臺機器變成一種交付方式。

到OpenAI、微軟、英偉達這些公司的故事里，算力已經不再是買幾張卡那么簡單，而是綜合了網絡、軟件、服務器、存儲、調度的龐大機器。

OpenAI早在2018年就提出，頂級AI訓練所消耗的計算量曾以約3.4個月翻倍的速度增長，微軟2020年披露為OpenAI打造的Azure超算時，提到超過28.5萬個CPU核心、1萬張GPU以及每臺GPU服務器400Gbps網絡連接。這些數字今天還在增長。

這也正是國產算力的處境。過去幾年，行業一直關注的是國產GPU能不能跑模型、進數據中心，現在則更多開始考慮國產卡如何完成從“能用”向“好用”的更高維度的努力。

這些處境指向一件事：芯片之外，系統性的組織能力提上日程，怎樣讓千卡、萬卡集群持續穩定地運行成為新一輪的關注重心。

01

瓶頸外移

過去十多年，AI算力產業的瓶頸一直在遷移。

AlexNet時代，問題是有沒有足夠便宜、足夠并行的計算發動機，GPU給了答案。之后，問題變成開發者能不能用起來，于是CUDA、cuDNN、NCCL這些軟件棧開始變成護城河。但再往后，當模型參數量和數據規模繼續膨脹，問題又變了：不是一張卡強不強，而是一群卡能不能像一臺機器一樣工作。

英偉達的成功本質是“芯片定義系統”。基于這個邏輯，英偉達后來賣的也越來越不是單張GPU，而變成了一整套“AI工廠”。

NVLink、NVSwitch、InfiniBand、DGX、SuperPOD這些技術和平臺，實質上是一套系統方法：先讓GPU之間高速互聯，再讓服務器之間低延遲通信，再讓軟件棧把并行訓練、故障恢復和資源調度壓到用戶感知以下。英偉達本身對NVLink/NVLink Switch的描述就是，面向AI訓練、推理和機架級GPU工作負載的高帶寬GPU到GPU通信架構。

這條變化，對國產算力同樣重要。國產GPU追趕的目標，以前和現在可能是單卡參數，未來一定要加上系統能力。

峰值算力、顯存帶寬、制程工藝確實重要，但進入大模型訓練，真正決定用戶體驗的，往往是穩定性。

也就是說，AI算力不是一場F1排位賽沖擊桿位，而是一整年的F1賽事年度冠軍。單卡性能是發動機馬力，互聯協議是傳動系統，網絡是底盤，軟件棧是駕駛控制，液冷和供電是耐久性，運維系統則是維修站。

所有的這些東西都做到優秀，才能拼出來一臺不錯的汽車并且去贏得年度冠軍。

國產算力從能用到好用的難點，就在這里。

上一階段，市場證明了國產卡可以進入一部分真實業務，下一階段，行業要證明國產卡可以被組織成穩定、高效、可運維的系統。

這個轉折，意味著國產廠商存在一些深度協同的機會，盡快把發動機們裝進一輛能交付的車，在商業模式上足夠有前景，也符合真正的國產替代進程。

02

不能再各跑各的

當產業還在解決“有沒有國產卡”的時候，多路線并存是一種活力。不同公司從通用GPU、CPU+協處理器、推理芯片等方向切進去，本質上是在用多條路試探同一個市場。那時候，碎片化還不一定是問題，甚至可能是創新的來源。

但當行業走到集群階段，碎片化會變成另一種成本。

一張卡可以有自己的架構，一家公司可以有自己的軟件棧，但千卡、萬卡集群不能每個節點都講一套方言。

接口越不統一，系統廠商要做的適配越多，通信語義越模糊，開發者和運維團隊越難判斷問題到底出在卡、網絡、驅動，還是集合通信庫。

這也是AI算力產業從芯片競爭走向系統競爭后，最容易被忽略的一層變化：互聯不只是物理連接，還有生態秩序。

大模型訓練需要低延遲、可預期、高吞吐、能被軟件棧理解的協同關系。GPU之間要有配合，集合通信要盡可能少等待，調度軟件要知道哪張卡、哪條鏈路、哪個節點處在什么狀態。

海外市場，英偉達可以依靠相對封閉的軟硬件生態建立這種秩序。但國產芯片路線更加多元，很難等待某一家廠商完成從芯片到軟件、從互聯到集群的全部閉環。

更現實的辦法是讓系統層成為不同技術路線之間的“公分母”：不要求所有芯片完全相同，而是通過互聯架構、節點設計、通信軟件和調度體系，盡可能吸收底層硬件的差異。

中科曙光scaleX40做的就是這件事情。公開資料顯示，scaleX40將40張AI加速卡組織在同一個高密度計算單元內，采用正交無線纜一級互聯架構，使計算節點與交換節點直接對插，減少傳統線纜帶來的信號損耗、部署復雜度和潛在故障點。

值得注意的是“一級全互聯”這個思路：先把幾十張卡組織成一個更緊耦合的計算單元，再把這個單元向更大集群擴展。

既能降低生態門檻，又能降低工程門檻，這是國產算力走出碎片化邁向系統化的重要一步。

對于國產GPU公司而言，未來，芯片公司不能只回答“卡有多少算力”，還要回答“卡能不能進入別人的系統”。適配開放互聯、配合集合通信庫、調度系統和大模型框架做端到端優化，都會變成新的產業門檻。

03

交付才是深水區

解決碎片化是第一步。更難的是，把已經連起來的硬件變成一套用戶敢長期使用的系統。

在這個過程中，通信瓶頸會吃掉訓練時間，熱密度會逼近機房邊界，存儲吞吐會影響數據供給，任何一處故障都可能被集群規模放大。

網絡就是一個典型的分水嶺。中科曙光官網文章援引研究稱，在大規模分布式訓練中，網絡通信耗時占比可達30%-50%。

這方面，中科曙光已經布局在前。2026年3月，曙光發布scaleFabric400，稱其從112G SerDes IP、硬件設備到管理軟件實現全棧自研。

通過scaleFabric400構建起的AI算力的“血管系統”，從底層112G SerDes IP到交換芯片的Crossbar架構實現完全自主可控，交換機單端口帶寬達800Gbps、整機雙向交換容量高達64Tbps，并集成硬件級遙測功能，以微秒級精度實時上報隊列深度，并已在近萬卡集群中穩定運行驗證。

此外，針對大模型訓練的高吞吐需求，ScaleFabric支持多軌通信，將巨額數據內容切片至多物理網口并行傳輸后重組，既成倍提升單節點帶寬，又通過負載均衡機制消除單鏈路故障對訓練任務的影響。

簡單來說，就是通過建立一座擁有多條車道的高速公路網，將巨型貨物拆分成無數個小包裹，讓成百上千輛貨車在不同的車道上同時全速狂奔，抵達目的地后再迅速拼裝還原。

再往上走，就是超節點。曙光scaleX640公開頁面顯示，它采用“一拖二”高密架構，實現單機柜640卡超高速總線互連，雙scaleX640可組成1280卡計算單元，并配套1.72MW級散熱能力。相當于把兩座“AI芯片工廠”并聯起來，每廠640條生產線高速互聯，散熱系統如巨型冷卻塔保障全速運轉。

同時通過軟硬協同全局優化，相比傳統架構可讓MoE大模型訓練效率與高通量推理吞吐提升30%-40%，并適配多品牌AI加速卡、兼容主流AI軟件生態、適配優化400+主流大模型。

就像整車里，發動機、變速箱、底盤、散熱、電子控制不能分開調配，AI集群里的芯片、互聯、網絡、液冷、存儲、調度也必須一起優化。

曙光這套路徑的產業意義，是嘗試以系統工程吸收不同芯片、不同軟件和不同應用場景之間的復雜性，把分散的硬件能力轉化為可以衡量、調度并且持續運行的集群效率。

從工程樣機走向生產系統，正是國產算力從“能用”邁向“好用”的關鍵一步。

04

尾聲

國產算力不可能簡單復制英偉達的封閉閉環，因為國內芯片路線更多元，客戶需求更分散，應用場景也更復雜。

更現實的路徑，是用開放互聯降低生態門檻，用超節點提高系統效率，用無損網絡承接大規模訓練，最后，用軟件棧和運維體系把國產硬件變成用戶愿意持續使用的算力產品。

這是中科曙光給行業留下的最大啟示。

對國產GPU公司來說，下一階段的競爭維度會被重寫。誰能進入開放互聯協議，誰能被超節點架構吸收，誰能和系統一起優化，誰就更可能領先。

國產GPU只有在開放互聯和系統工程里協同奔跑，AI基礎設施才算真正躍遷至下一個階段。