（文/孙梅欣 编辑/吕栋）
在今年的世界人工智能大会（WAIC）上，“超节点”成为行业热词。从华为昇腾 950、阿里磐久 AL128，到沐曦曦景 S 系列及中兴通讯 OEX，几乎所有算力底座厂商均推出了各自的超节点产品。
“超节点”概念虽由英伟达于 2023 年率先提出，但其核心逻辑在于通过高速总线互联内部 GPU，支撑更大规模的计算任务，加速参数交换与数据同步，从而缩短大模型训练周期。这一趋势标志着芯片厂商的竞争焦点，正从单一 GPU 销售转向提供 AI 超级计算机算力基础。
国产芯片厂商的集体入局，既折射出市场需求的深刻变化，也意味着国产 AI 芯片竞争已从单点突破迈向系统协同，从芯片层面的角逐升级为 AI 基础设施的整体较量。
“时间到了”：超节点为何爆发
面对展台上类似小型数据中心的超节点柜机，行业关注的核心在于：何为超节点？其本质是将分散的 AI 芯片，通过超高速互联、统一软件及系统调度，整合为一台“超级计算机”。关键不在于 GPU 数量的简单堆叠，而在于能否实现高效通信，使多卡协同如单卡般高性能运转。
业内人士指出，超节点在今年的爆发是因为“时间到了”。
从全球趋势看，随着大模型从训练向推理演进，单卡性能瓶颈日益凸显，边际效应递减。唯有通过系统集成与信息互联，方能支撑激增的算力需求。
从国内现状看，国产芯片在单卡性能上与英伟达等国际顶尖厂商仍存在差距。一位头部国产芯片厂商技术工程师坦言，受限于制造工艺与良率，目前国产主流产品大致对标英伟达 H20，与下一代 Rubin 架构相比仍有 1 至 1.5 代的代差。
良率是另一大掣肘。国际顶尖厂商芯片良率可达 90%，而国内部分厂商尚在提升过程中。从 50% 提升至 90% 的良率通常需要 3 至 5 年的经验积累，但 AI 需求的爆发式增长不允许等待。因此，通过集成方式提升整体性能成为必然选择。
传统“堆卡”模式已难以满足急剧膨胀的算力需求，芯片间的高效互通互联成为提升整体算力的关键。天数智芯副总裁石加圣比喻道：如同多人协作解题，单纯增加人数若缺乏分工与沟通，效率未必提升；唯有合理拆分任务、并行处理并高效汇总，才能将个人能力转化为团队合力。
继华为 CloudMatrix384 超节点集群提供思路后，该模式迅速在国产头部厂商中普及。数据显示，华为 Atlas 950 SuperPoD 可提供 1 EFLOPS FP8 及 2 EFLOPS FP4 算力；曙光 8000 单个计算单元密度提升 20 倍，并采用自研 ScaleFabric 技术实现十万卡规模无损互连；天数智芯实现 144 芯高速全互联；燧原科技与中兴通讯合作的云燧 ESL64-O 则可横向扩展至 16384 集群超节点。
以产业链协同弥补制程工艺短板
据悉，现场展示的部分超节点机柜，仅核心算力单元成本便高达上亿元。尽管研发、建设与使用成本高昂，各大厂商仍积极投入，根本原因在于市场对算力需求的急剧膨胀，以及企业需求从训练向推理的大规模转移。
相较于训练，面向大规模用户的在线推理服务对高吞吐和低延迟要求更为严苛。对于无法由单卡容纳的大模型，以及采用张量并行、专家并行或 Prefill/Decode 分离的推理系统，GPU 间需频繁交换激活数据、Token 或 KV Cache，这对互联带宽和通信延迟提出了极高要求。
这也是产业界大力发展超节点，并从芯片、互联、软件栈及运维等层面进行系统级优化的核心动因。
石加圣指出，随着模型参数量和上下文长度增加，单卡显存与算力难以满足需求，必须采用数据、张量、流水线或专家并行等方式切分任务。传统集群依赖高速网卡跨服务器通信，而超节点通过扩大高带宽、低延迟的 Scale-up 互联域，显著降低了跨 GPU 通信开销。
针对当前流行的 MoE（混合专家）架构，专家并行带来的频繁跨 GPU Token 路由和 All-to-All 通信，对带宽与延迟极为敏感。超节点有望在此类通信密集型任务中减少开销，在保障利用率的同时提升整体性能与性价比。
中科曙光技术工程师王德志强调，系统规模扩大并非复杂度的线性放大。大规模并行计算要求高度协同，任何网络或计算短板都会导致性能大幅损耗；同时，部件数量增加也推高了故障概率，对通讯、功耗、散热及系统可靠性提出严峻挑战。
除算力需求增长外，超节点也是国产芯片应对“卡脖子”困境的系统性解决方案。摩尔线程副总裁马鉴表示，超节点旨在通过更高密度解决单卡无法应对的问题，利用系统级提升对标国际先进超大规模集群，从而训练出同等先进的模型。
石加圣认为，中国拥有庞大的制造业基础及强大的产业协同、系统集成能力。算力产业的最终交付能力不仅取决于单颗芯片指标，更依赖于芯片、封装、存储、互联、软件栈及整机系统的全链路协同。面对部分环节的短板，可通过架构创新与系统级优化进行缓解，综合评估性能、功耗、成本与工程复杂度，探索可行的替代方案。