十万卡级全国产超集群落地 国产算力进入超智融合新阶段

发布时间：2026-07-17 09:54:54 来源：安智兰德资讯网 作者：时尚

7月10日，全阶段光合组织2026智能计算应用大会在郑州盛大召开。国产会上，超集产算中科曙光正式宣布国内首个全国产十万卡AI超集群——“曙光8000（登峰）”落成，群落并成功接入国家超算互联网。地国

这一里程碑事件标志着国产算力规模化部署进入深水区，力进折射出行业三大深层变革：算力底座由单一AI训练向超智融合转型；产业竞争焦点从单点性能比拼升级为全栈系统能力较量；商业化路径从单纯的入超芯片供应拓展至“云边端”一体化服务。

中信证券计算机首席分析师杨泽原指出，智融“云边端”体系意味着提供从数据中心到生产现场的合新一体化解决方案。这种全栈能力能显著降低客户的全阶段系统迁移与部署成本，提升国产化方案落地效率，国产从而加速国产算力在关键行业的超集产算渗透进程。

十万卡重定义AI基础设施门槛

过去几年，群落算力规模的地国讨论多以千卡、万卡为单位，力进而十万卡级系统的落地正在重新划定AI基础设施的能力基准线。

相较于万卡级系统，十万卡部署不仅考验计算卡的数量与理论峰值，更是对系统架构、网络互连、访存效率、能效控制及生态应用能力的综合工程大考。中国工程院院士李国杰强调，算力基础设施是智能基础设施的根基，在可预见的未来，智能化发展离不开算力的强力支撑。

当前，人工智能正从大模型向智能体（Agent）和具身智能快速演进，AI for Science（科学智能）正在加速基础研究与技术发明的突破。这些变革催生的算力需求，已不再是单一精度的计算，而是需要同时支持高精度科学计算与低精度AI训练的超智融合能力。

此次落成的曙光8000采用“超智融合”技术路线，摒弃传统分区模式，实现全类型计算的原生一体化融合，支持从FP64到INT8的全精度覆盖，能够广泛服务于科学计算、大模型训练、AI推理及工业仿真等多类科研与产业场景。这也推动大规模算力中心的评价重心，从单纯的规模堆叠转向更综合的系统化能力，更加重视实际应用效率与产业经济价值。

中国科学院院士鄂维南表示，AI for Science正推动科学研究从传统模式走向系统化平台模式，并加速向工程应用和产业赋能延伸。面对庞大且异构的算力需求，构建开放、高效、协同的计算生态，已成为释放智能计算价值的关键所在。

在应用层面，超智融合算力底座的价值已初步显现。目前，该十万卡核心节点已完成300余项超智融合应用优化，涵盖大模型、机器人、汽车、创新药、新材料、量子计算、天文气象等二十余领域。其中，超过70个应用实现了万卡规模扩展，蛋白质折叠模拟、万亿原子级水分子动力学模拟、百万亿网格湍流模拟等前沿科研任务已成功跑通。

全链路系统能力成竞争下半场

十万卡级系统的全国产化落地，揭示了一个关键行业趋势：国产算力正从单一芯片的性能追赶，转向全链条的系统工程能力比拼。

中科曙光高级副总裁李斌指出，顶级大算力系统面临多维挑战，核心在于复杂体系结构和超大规模扩展带来的科学及工程问题，包括性能、效率、可扩展性、能源能效及软件生态等。他认为，行业破局之道在于两点：一是从单点突破转向系统工程创新，二是通过开放架构促进软硬件协同。

这一判断已成为产业共识。光合组织目前已汇聚六千余家产业伙伴，覆盖从底层芯片到上层应用的完整产业链条，致力于打通芯片、整机、基础软件至智能应用的全栈国产化链路。李国杰评价，这实际上是在构建新时代的智能基础设施，具有深远的战略意义。

全链路自主并非封闭发展。面向未来，构建“开放、高效、协同”的计算生态需要产学研各界的深度融合。从底层基础设施构建到科研价值释放，绝非单凭一己之力可完成，开放协同的生态建设是算力底座真正释放产业价值的必经之路。

此外，软件生态的成熟度正成为算力竞争的关键变量。国产算力厂商普遍在构建分层软件栈：底层实现硬件算力的软件化输送，中间层支撑大模型与AI开发的高效适配，上层将算力封装为业务化接口，降低行业用户的使用门槛。业内专家认为，软件生态的核心价值在于让行业用户无需关注底层精度与架构细节，即可像调用水电一样便捷地调用算力。

“云边端”体系加速产业渗透

算力基础设施的规模化建设，最终需回答商业化落地的问题。随着国产算力在性能与生态上的持续追赶，其在关键行业的渗透率正进入加速期。

从商业逻辑看，这是从售卖“芯片”向售卖“算力服务”和“解决方案”的升级。杨泽原指出，完整的“云边端”全栈式服务对客户具备更强的吸引力和议价能力，能使端侧方案快速适配行业应用，大幅缩短项目交付周期。

行业应用的多元化也在倒推算力形态的演进。加拿大工程院院士、欧洲科学院院士、郑州大学学术副校长杨天若指出，随着智慧城市的蓬勃发展，物联化、互联化、智能化趋势日益显著，人类正加速走向“人机物”三元空间，智能系统的架构设计至关重要。目前，基于张量人工智能的大数据增量、分布式及安全计算模型得到进一步优化，多模态预测、推荐、分类及聚类方法快速完善，并已在智慧交通等关键场景中广泛验证。

相关文章