國產算力破局，超節點才是勝負手

國產大模型近期接連推出新版本，GLM 5.2、Kimi K3.0 相繼上線，再加上 DeepSeek 投資人會議紀要外洩，讓算力供給緊張的現實再度浮上檯面。業界普遍認為，國產大模型想要再往上突破，算力這道門檻非跨不可。曾幾何時，「堆算力」被視為「力大飛磚」的捷徑，但在國內受限於種種因素，算力不足一直是發展瓶頸。直到 DeepSeek 透過算法優化降低了對算力的依賴，市場才開始轉向精打細算的路線。MoE 架構的參數靈活調度、注意力機制的改良、以及借助開源模型打造垂直應用，都讓「花小錢辦大事」成為可能，算力溢價的討論也逐漸淡化。 然而，國產大模型迅速躋身國際第一梯隊後，需求端卻出現意料之外的變化。以 Kimi K3 為例，其模型參數高達 2.8T，但單次推理只激活 104B 參數，原本效率極高；然而出圈後 Token 消耗激增，總吞吐量跟著水漲船高，最終拉高了整體算力需求。正如「伯虎財經」所分析，Kimi K3 主打長程編程與 Agent 任務，一次任務可能包含數十次推理，用戶看到的只是一個請求，後台卻跑了幾十輪計算。這個現象恰好呼應了經濟學中的傑文斯悖論：當技術進步提高資源使用效率，反而可能導致資源總消耗量增加，而非減少。大模型推理成本下降，能力卻持續增強，吸引更多用戶與更複雜場景，算力擴容成為必然之路。 事實上，算力基礎建設從未鬆懈。根據公開資料，2025 年國內智能算力規模為 1590 ExaFLOPS，到了 2026 年上半年已成長至 2185 EFLOPS，年增率高達 177%，呈現爆發式增長。而這波擴張背後，國產 AI 晶片正逐步站上舞台中央。崑崙芯推出第四代 AI 晶片 M100，專為大規模推理場景（尤其是 MOE 模型）優化，以全國產方案對標 NVIDIA H20，主打高性價比推理應用。摩根大通數據顯示，百度崑崙晶片收入預計從 2025 年的約 13 億元飆升至 2026 年的 83 億元，年增超過 6 倍。另一家代表平頭哥則發布新一代 AI 晶片真武 M890，性能較上一代提升 3 倍，能滿足更大規模的訓練與推理需求。官方數據指出，真武 AI 晶片累計出貨 56 萬片，服務超過 400 家客戶，其中在智慧駕駛領域已部署超過 13 萬卡，客戶涵蓋小鵬、理想、蔚來等頭部造車新勢力。 國產 AI 晶片的崛起為算力自主提供了「定心丸」，但真正的關鍵卻在於超節點架構的出現。所謂超節點，是將數張、數十張甚至數百張 AI 晶片整合為一體，形成具備單一電腦特徵的超級計算系統，藉此大幅提升性能，縮小與國外高端晶片的差距，並顯著降低 Token 成本。沐曦股份研發副總裁黃向軍指出，隨著模型規模邁向萬億參數，尤其是 MoE 架構中專家間的通訊，無論訓練或推理都要求極低延遲，超節點架構比普通伺服器更能滿足需求。需要注意的是，超節點並非簡單的晶片堆疊，其核心競爭力在於透過超大頻寬、超低延遲與軟硬協同，將字面算力轉化為可用算力。CHIP 實驗室主任羅國昭解釋，一個 2 萬億參數的 MoE 模型，每完成一步推理就需要不同 GPU 之間頻繁交換數據；若互聯頻寬不足，大量 GPU 只能停下來等待，實際效能大打折扣。這正是業界常說的「GPU 不是在計算，而是在等待」。 超節點雖被視為解決算力緊張的最優解，但作為新物種，技術路線仍存在分歧，首要問題就是規模多大才合適。一種觀點認為節點越大越好，因為大模型進入萬億參數時代，上下文長度突破千萬，併發推理持續增長，百卡、千卡甚至萬卡超節點是必然走向。昇騰正是這條路線的代表，其推出的 384 卡超節點已銷售超過 750 套，目前迭代至 1024 卡超節點，實現了業界最大的 256TB 跨物理節點記憶體統一編址空間，並計畫推出 8192 卡超節點，持續探索技術上限。另一種觀點則強調節點越經濟越好，在追求高效能的同時，也需兼顧成本與穩定性，避免算力浪費，尤其適合中小企業的實際需求。浪潮信息是這條路線的代表，先推出 64 卡超節點，最新產品則降為 32 卡。浪潮信息副總裁趙帥表示，內部使用萬億大模型進行 AI Coding 時，效率明顯優於千億模型，因此再次推出 32 卡產品，讓更多企業真正用得起。 超節點最初並未受到太多重視，但隨著交付能力提升與算力緊張日益明顯，它已一躍成為大模型的最佳搭檔。百度、阿里巴巴、浪潮信息、沐曦科技、摩爾線程等大大小小的業者相繼投入，為 AI 基礎設施生態注入全新動力。從算法優化到晶片自研，再到超節點架構的落地，國產算力正在多路徑並進，破局之時已然到來。