经济观察报记者 郑晨烨

2025年下半以来年，AI算力市场的“功夫”热词，莫过于超节点（SuperNode/SuperPod）。

7月，在世界人工智能大会（WAIC）上，华为、中兴通讯（000063.SZ）和超聚变数字技术有限公司各自展示了超节点方案；7月27日，紫光股份（000938.SZ）子公司新华三发布了H3C　Uni-PoD系列超节点；8月，浪潮信息（000977.SZ）推出了元脑SD200超节点；8月28日，百度发布了昆仑芯超节点；9月18日，华为在全联接大会上发布了Atlas　950/960超节点；阿里巴巴也在当月的云栖大会上亮出了磐久128超节点；11月6日，中科曙光（603019.SH）在乌镇发布了号称“全球首个单机柜级640卡”的scaleX640；11月13日，百度在北京又拿出了天池256/512超节点。

各家发布的参数一个比一个“猛”，比如在2025年中国国际大数据产业博览会上，华为数字政府系统部CTO马华民表示，华为384超节点服务器的集群算力是英伟达同类设备的1.67倍。

超节点这个听起来技术门槛很高的产品，到底是什么，又为何一夜之间成为国内厂商的标配？

起底超节点

在行业内，超节点这个词时常被混用。

目前，业内对超节点至少有两种层级的划分，一是指在单机柜内部实现高速互联，有厂商称之为“SuperNode”；一种指由跨机柜组成的集群级互联，英伟达最早提出的“SuperPod”就属于这一类。

厂商扎堆发布超节点，与当前AI大模型面临的瓶颈有关。

运行训练参数超过万亿级别的AI大模型，一张芯片装不下、也算不动，唯一的办法是把活儿拆开，大家一起干，这在行业里叫“并行计算”。记者采访业内人士了解到，在超高参数级别的大模型训练中，计算单元约40%的时间都在“空等”通信，芯片们不是在“计算”，而是在“排队等消息”。这个瓶颈被业内称为“通信墙”。

为了拆掉这堵墙，超节点应运而生。

目前，行业主要有两种构建大规模GPU（图形处理器）集群的方式：Scale-Out（横向扩展）和Scale-Up（纵向扩展）。其中，Scale-Out是传统办法，简单来说就是把多台独立的服务器用网线连起来，组成拥有上百台，乃至上千台机器的集群。Scale-Up则是增加单个节点内的资源数量。节点指系统中一个独立的计算单元。在AI训练中，一块GPU或一整台训练服务器都可以称为一个节点。

超节点就是把几十张乃至上百张卡放进一台大机柜，用内部的“高速路”连接起来，让它们像一块超级芯片一样工作。

在超节点的设计中，Scale-Up通过单机柜内集成更多芯片来提升性能，Scale-Out则通过跨机柜互联实现更大规模的集群。

因此，各家厂商在发布超节点产品时所标注的数字，如“384”“640”“512”等，通常指该超节点单机柜或单系统内集成的AI训练芯片（如GPU、NPU等）数量。例如，华为昇腾384超节点就表示在一个超节点单元中集成了384颗昇腾AI芯片。中科曙光scaleX640意味着单个标准机柜内可部署640张AI计算卡。

该数字也成为衡量超节点规模与算力密度的核心指标，能直观反映相关厂商在系统集成和高速互连能力上的工程水平。

对于英伟达而言，Scale-Up和Scale-Out解决的问题不一样。AI训练中有多种“并行计算”方式。其中，PP（流水线并行）和DP（数据并行）的通信量相对较小，可以用Scale-Out的模式处理。但TP（张量并行）和EP（专家并行）的通信量极大，必须通过Scale-Up的方式解决。此外，两者的性能差距非常大，Scale-Out网络的通信时延通常在10微秒左右，而Scale-Up网络（如英伟达的NVlink）的目标是要做到百纳秒级别。

“通信墙”问题之所以在2025年变得如此尖锐，与AI应用本身的变化也有关系。比如，华南一家芯片企业的工程师王先生告诉记者，现在行业对于AI的需求正从“一个模型回答一个问题”，转向需要多个模型协同工作的智能体，即AI　Agent；但“智能体”在执行一个复杂任务时，可能需要同时调用代码模型、逻辑模型和知识模型，并让它们进行实时交互。

这种多模型实时交互的模式，让Token（数据量）的生成规模远超传统方式。这种高频、海量的通信需求，也让Scale-Out网络“10微秒”的通信时延，累积成了性能瓶颈。厂商们必须转向Scale-Up。

如果说英伟达选择超节点是为了追求更极致的性能，国内厂商集体选择这条路，更多是被现实倒逼的选择。

11月12日，野村中国科技及电讯行业分析师段冰在接受经济观察报采访时认为，目前国内单芯片的算力有一定短板，因此需要通过构建多卡的超节点模式获得整体上算力的供应。

中科曙光总裁助理、智能计算产品事业部总经理杜夏威对记者说：“在单点芯片层面上，我们还是不能够实现超越的。”

单卡追不上的现实迫使相关厂商在系统上寻找优势，超节点成为了破局的关键。“既然单点有差距，（我们）就需要在系统级上有优势。”杜夏威说。

对标

英伟达是超节点概念最早的提出者。当国内厂商集体涌入这条赛道时，对标英伟达甚至是超越英伟达，往往就会成为发布会的主题。

在9月18日的全联接大会上，华为副董事长、轮值董事长徐直军公开了华为的AI算力版图，并宣布华为将于2026年四季度上市的Atlas950超节点（支持8192卡），将“在各项主要能力上都远超业界主要产品”。

徐直军还给出了对比数据：相比英伟达同样将在明年下半年上市的NVL144，Atlas950超节点卡的规模是其56.8倍，总算力是其6.7倍，内存容量是其15倍，互联带宽是其62倍。

其他厂商也在参数上“寸土不让”。英伟达在售的旗舰产品 GB200NVL72，是将72个GPU（图形处理器）集成到一个液冷机柜中。国内厂商们也纷纷在“单柜集成度”上发起猛攻。

11月6日，中科曙光在乌镇世界互联网大会上发布的scaleX640超节点，宣称是“全球首个单机柜级640卡”集成的产品。

将640张高功率芯片放进一个标准机柜，这在工程上要先解决三个“硬骨头”。

“一是要有非常先进的冷却技术；二是要有非常先进的供电技术；三是要有比较好的硬件架构，能把这么多卡连起来。”杜夏威称，通过这些系统工程创新，scaleX640实现了“单机柜640卡超高速总线互连”，与业界同类产品相比，单机柜算力密度提升了20倍。

在当前国产AI芯片单卡算力、软件生态尚难与英伟达H100/B100正面硬刚的情况下，“堆量”成为国内厂商相对务实的突围策略：即用更高的集成密度，把更多计算单元放进同一个高速通信域里，从而在整体训练效率和单位算力成本上扳回一城。

此外，AI训练需要芯片间的高频通信。在超节点内部互联层面，行业内也出现了不同的技术路径，一是以英伟达NVL72为代表的高速铜缆（电互联）方案；二是以华为昇腾为代表的“去铜全光”（光互联）方案。

杜夏威说，这是目前行业的主流思路，“柜体内用铜和电，柜间用光”。对于此中原因，杜夏威解释称，光模块的“功耗、可靠性、成本都是没有完全解决的问题”，铜互联（电互联）虽然可靠且成本低，但在传输距离上有限制，高速铜互联的有效距离仅在1米左右。

国产厂商们的思路也因此变得清晰：尽可能在1米左右的铜互联范围内塞进更多计算卡。谁塞的卡越多（集成度越高），谁就能用更多的“铜”替代昂贵的“光”，从而在系统总成本和通信效率上获得杜夏威口中的“竞争优势”。

但堆量并非没有代价。

第一个代价就是功耗和散热。把几百张高功率芯片塞进一个机柜，产生的热量是惊人的。比如，英伟达的GB200NVL72，单柜72卡的功耗就已达到120千瓦（kW）。这使得“液冷”成为必需品，即将芯片等发热部件直接泡在特殊液体里，依靠液体沸腾蒸发带走热量，达到散热目的。

第二个代价是互连本身的工程复杂度。公开信息显示，英伟达的GB200NVL72机柜，为了连接72张卡，内部需要铺设5000多条、总长度接近3200米的独立铜缆。当集成度从72卡提升到128卡、384卡乃至640卡，其内部走线和连接的复杂度可想而知。

另外，在核心的“互联协议”，即芯片间“对话的语言”上，国内厂商也分化出了不同路径。如英伟达的“护城河”就是其私有的NVlink协议。

华为选择自研垂直一体的灵衢（U－nifiedBus）互联协议。徐直军称其目标是“万卡超节点，一台计算机”。灵衢试图做到“统一通信协议与内存编址”，让系统内所有CPU（中央处理器）和NPU（神经网络处理单元）能“听懂彼此的话”，实现全局资源池化。在9月18日的大会上，徐直军宣布将开放灵衢2.0技术规范，目的在于让其他厂商能基于此开发产品，共建灵衢的开放生态。

阿里、新华三等则选择了开放兼容。比如阿里的磐久AL128采用非以太的Alink协议，并支持UAlink（加速卡超级互联联盟）国际开放标准；新华三也公开表示正积极参与UAlink和UEC（超以太联盟）等国际组织的标准建设。

挑战

除了代价，堆量也不能解决所有问题。

段冰认为，对于当前的超节点而言，硬件层面的功耗、通信效率等问题都是客观存在的，但这些硬件和工程层面的问题“不会是非常大的瓶颈”，随着经验的积累，国内厂商结合之前网络技术方面的优势，可以补上来。

真正的挑战在其它方面，比如软件生态和底层算力交互的软件。段冰认为这些短板可能需要花更多时间才能补足。

软件生态是国产算力厂商们面临的共同挑战，厂商自己对此也有清醒认知。

杜夏威表示，用户在选择方案时，首先会考虑这个应用能不能有效落地，能不能跑起来？这里的关键就在于有没有很好的软件生态。他认为硬件参数只是基础，最终效果在于用户能用得起来，而不仅仅是停留在噱头层面。

硬件参数比拼激烈，软件生态短板明显，谁在为这些动辄数百卡、售价高昂的超节点买单？

在TrendForce集邦咨询资深分析师龚明德看来，从全球AI服务器的需求看，未来两到三年，主导角色还是大型互联网企业，因为这些企业有客户基础，以及拥有较完整多元的服务形态。

龚明德认为另一个采购主力将是国家主导的主权云服务，这类算力中心的目的在于“提供本地化中小企业租赁服务或发展AI使用”。

大型互联网企业和主权云构成了需求的主力，但其中也存在变数：头部互联网企业虽有技术能力消化高端算力，但其资本开支正在趋于理性；主权云虽有政策驱动，却容易陷入“为建而建”的陷阱。

在工信部信息通信经济专家委员会委员盘和林看来，国内AI算力的热度与海外基本同步，并未脱离全球趋势，“随着海外算力出现泡沫，国内当然也会有一些泡沫，但这是全球趋势，并非人为因素”。

盘和林担心的是算力建设的“一厢情愿”。他认为建设算力中心应该是企业和市场决定的事，“政府和国企要避免‘一厢情愿’，比如在不需要算力的地方强行推进算力产业发展”，云计算厂商最懂得在哪些区域建设算力最经济。

这种“一厢情愿”的风险还与AI应用的实际落地情况有关。盘和林说，目前AI算力最大的场景是AIGC（生成式AI），“现阶段落地较快，场景很丰富”，但在其它被寄予厚望的领域，如“AI+”领域的智能制造，“对算力的预期和实际之间有落差”。“AIGC会是一种选择，但不会是唯一方案，关键还是要看具体的需求场景。”盘和林说，算力的价值最终将由真实业务来定义，而非相反。

对于AIGC之外更大规模应用场景的爆发，段冰的态度比较乐观。他认为，真正具备长期潜力的方向是机器人、高阶自动驾驶等与先进制造深度绑定的领域，“这些场景一旦跑通，对算力的需求将是持续且刚性的”。

至于金融、医疗等行业，虽然已有不少试点项目，但段冰觉得这些行业目前仍处于“从单点验证走向规模化复制”的早期阶段。

这意味着国产厂商眼下这场围绕超节点的突围战，除了要解决硬件代差、软件生态等短板，还要耐心等待、甚至主动培育尚未完全到来的大场景需求。

（作者 郑晨烨）

免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。

郑晨烨

深圳采访部记者 关注新能源、半导体、智能汽车等新产业领域，有线索欢迎联系：zhengchenye@eeo.com.cn，微信：zcy096x。