、天数智芯等厂商均带来了超节点产品。在世博展览馆H2馆华为展区，映入眼帘的是体形巨大的昇腾950超节点，吸引了一波又一波人流。
联合曦智科技、壁仞科技、沐曦股份、燧原科技、天数智芯打造国产高性能Matrix超节点；中科曙光首发scaleX十万卡超智融合集群系统，这也是国内规模最大的AI4S计算集群。
国内头部GPU厂商壁仞科技也带来了超节点方案，包括16卡超节点、128卡超节点以及1024卡超节点。其中，16卡/128卡超节点使用电互联，而1024卡超节点则用上了光互联。
无独有偶，另一家GPU厂商天数智芯也带来超节点。据悉，天数超节点面向大模型训练与高并发推理场景，以国产通用GPU为核心，实现144芯高速全互联，通过高带宽互联、统一资源调度和软硬件协同优化，提供稳定、可靠、可扩展的高质量算力。
在世博展览馆H2馆华为展区，从左至右排列了20个机柜。两边各有8个计算柜，中间是4个灵衢机柜。具体到计算柜，最上层是电源模块，中间层的正面是光模块、LPO的插槽，其后方是正交结构的CPU刀片、NPU刀片以及交换网板，最下层为液冷模块。
对于为何打造如此庞大的超节点，而不是利用传统的Scale out组计算集群，华为工作人员表示：“装在一个POD里面，带宽会更大。因为现在大模型推理对带宽的要求非常高。”
当下，随着Agent和大模型推理的盛行，AI的瓶颈逐渐从计算转为存储和互联。那么，超节点内部又是如何互联的呢？
工作人员向
与英伟达超节点相比，华为950超节点的独特之处在于Scale up内部的光互联。英伟达超节点，Scale up内部主要由正交背板实现电互连，即华为实现了Scale up的部分“以光代电”。
把时间拨回3年前，大模型一脚油门，驶入了一场停不下来的极限竞赛。彼时，超节点还不是一个被反复谈论的名词，尽管模型已经开始加速膨胀，但无论是参数规模还是训练方式，都没有真正触碰到传统算力架构的天花板。在这场极限竞赛中，大模型以近乎垂直的指数曲线演进，从数十亿参数直奔万亿参数而去，牌局开始发生改变。
今年4月发布的DeepSeek V4采用了约1.6万亿参数的MoE架构，庞大参数量意味着模型训练过程中已经不可能依赖单卡完成，而必须拆分到大量GPU或NPU上共同执行。问题不在于模型的大，而在于大带来的代价。
此前，一家超节点厂商工作人员向
计算可以并行，但同步无法省略。当GPU数量不断增加，真正限制训练效率的，已经不再只是计算能力，而是通信能力，此前一场展会上，华为超节点展区工作人员曾向
于是，竞争的焦点发生了位移，从比谁更聪明，变成了比谁之间的连接更紧密。互联，成了新的战场。芯片、交换机、光互联、散热、电源、软件调度，都开始成为决定最终性能的关键角色，从这个意义上说，超节点并不是某一种单独的新产品，而更像是一种新的基础设施形态。
模型越大，对它的需求就越强烈。壁仞科技AI框架架构副总裁丁云帆也提到，当前AI发展面临三大核心挑战，模型参数从千亿迈向数万亿、Agent等应用场景要求百万级上下文长度、推理和训练都需要成千上万张GPU协同工作。仅凭单张GPU的算力性能，已难以独立承载上述复杂任务。在此背景下，如何实现海量GPU高效协同运行，使之如同一台一体化超级计算机开展工作，正是超节点架构着力破解的核心难题。
清微智能研发副总裁李彬在接受
作为当下全球商用超节点主流方案厂商，英伟达最早提出了超节点的概念，其GB200、GB300 NVL72整机柜方案，也成了行业对标的范本。不过，与国产厂商不断向384卡、4096卡迈进不同，英伟达目前的单柜规模仍停留在72张GPU左右。
为什么没有继续扩大？问题并不在GPU，而在互联，英伟达目前主要依赖NVLink电互联技术完成GPU之间的数据交换，但电互联技术，存在天生的距离诅咒：传输距离超过约一米，损耗会明显增加，稳定性也会受到影响。因此，英伟达选择的是一种相对集中的方案：在一个机柜内，把通信效率做到极致。
由于先进制程、HBM等核心环节被卡住脖子，国产AI芯片在单点性能上追赶国际顶尖产品的路注定崎岖。于是，一场思路的根本性转变发生了：不再执拗于让单颗芯片成为无敌的勇士，而是试图用系统工程的红利，弥补单点能力的不足。
华为是这条路的坚定践行者，Scale Up这条路，通过堆叠更多计算资源，实现整体算力的跃升。与此同时，尝试用全光互联这根纽带，完成机柜间的高速连接，以期打破距离魔咒，扩大超节点规模，让GPU的等待时间无限逼近于零。
互联的边界就是算力的边界。快思慢想研究院院长田丰认为：“华为超节点核心是万卡级昇腾NPU集群，配套灵衢高速互联、OCS全光交换、液冷、800G/1.6T光模块、高速算力交换机；节点内部走灵衢UB总线+铜缆/短距光互联，节点之间用OCS全光交换机替代传统电交换机。”
不过，田丰也指出：“OCS目前仍有MEMS、液晶、压电、硅波导四条技术路线并行，每条路线的延迟、带宽、切换速度各有不同。毫秒级切换的MEMS满足AI集群的Flow级流量调度，但对突发性通信的适应仍不如电交换灵活。这个技术鸿沟如何填补，是产业当前的待解题。”
李彬则认为，美国长期限制先进工艺出口，加之摩尔定律逐渐逼近极限，仅依赖制程升级已经越来越难实现算力的大幅提升。因此，未来提升性价比，更重要的是架构创新，而不是继续在线宽上竞争。
不过，无论是强调通信能力，还是系统集成，在单卡性能短期难以平视对手的背景下，通过系统设计、通信架构、集群组织方式的创新，依然能打开优化的空间。
越来越多厂商把超节点视为推理时代的核心基础设施，无论是PD分离、LPU，还是算力池化、光互联，其最终目标都指向同一个方向：降低用户等待第一个Token的时间。
这也是为什么DeepSeek将未来服务价格下降与昇腾950超节点量产联系在一起。4月，DeepSeek在发布V4预览版时提到：受限于高端算力供给，Pro服务吞吐能力仍然有限，预计随着昇腾950超节点批量上市，相关服务价格将进一步下降。
对于大模型厂商而言，真正决定商业化能力的，不只是模型性能，还有每生成一个Token需要付出多少成本。
李彬认为，未来算力成本下降将来自两个维度：一是模型算法不断优化，同样智能水平的模型成本越来越低；二是芯片和系统架构持续提升效率，让同样硬件能够完成更多任务。
这是超节点试图回答的核心问题：在模型能力持续提升的情况下，如何用更低的成本，把越来越集中的算力需求组织起来。
训练效率仍需进一步验证；软件生态仍在建设；开发者的迁移成本，则像无形的阻力，拖慢变革的脚步；不同技术路线之间，也还远未到胜负分晓的时刻。
但有一点已经越来越清晰：未来的AI竞争，正在从单颗芯片的竞争，演变为整个系统工程能力的竞争。
对于整个产业而言，超节点或许不会直接决定最终胜负，但它正在改变竞争的方式。这场竞争，已经不再只是关于一张芯片，而是关于如何让成千上万张芯片，真正像一张芯片那样工作。
又回到最初的问题：一千个人一起做一道数学题，如果每计算一步，一千个人都必须停下来，等待所有人都完成计算、对完答案，再继续下一步，那么人数越多，等待彼此的时间反而越长。
数量，在某些时刻可能变成效率的敌人，而在超节点这场战役中，组织的艺术，正在尝试让计算的轰鸣声，吞没等待的沉默。
