2026-10-23 15:19:19
一张加速卡能跑多快，答案往往写在参数表上;成千上万张卡组成的集群能否跑出应有的效率，答案却在别处。
近年来，AI大模型参数规模与核心能力持续进阶，智能体将推理从简单问答推向更长链路、更高并发的任务，AI4S又把人工智能带入科学发现与工程计算现场，算力需求随之从千卡、万卡走向更大规模。
然而，对产业而言，问题已经不只是“有没有足够多的卡”，而是这些卡能否稳定协同、持续产出。AI基础设施的竞争，由此进入系统工程的深水区。
算力规模增长，将难题推向系统
近日，2026中国计算大会在成都召开，中科曙光集中展示了面向Token经济的智算基础设施方案，以及超节点、AI存储、高速网络、超集群等全栈能力体系。
中科曙光高级副总裁李斌在会上指出，“人工智能+”时代下，通用架构和多元融合已成为算力基础设施的重要发展方向。面向训练、推理、服务的全栈软硬件一体化工程体系(AI基础设施)，将是下一阶段AI算力竞争的主战场。
过去，人们谈论智能算力，首先关注的是芯片性能、服务器数量和集群规模。今天，这些指标依然重要，但已经不足以说明一套系统的真实能力。
一张卡跑得快，不代表成千上万张卡能够一起跑得快。大规模训练需要频繁交换数据，高并发推理需要快速响应，智能体任务又会带来复杂的调用链和更长的上下文。只要数据供给、网络传输、调度分配中的某个环节跟不上，性能再高的计算卡也可能陷入等待。
这正是AI基础设施与传统基础设施的不同之处。它面对的不是一组相互独立的设备，而是一个高度耦合的整体。计算、存储、网络、供电、散热、软件调度和运维管理彼此影响。计算能力越强，数据吞吐和网络带宽越不能拖后腿;集群规模越大，供电、冷却与可靠性越不能停留在“配套”层面。
更具体而言，可以把今天的大规模AI集群理解为一座高速运转的工厂。加速器是核心生产设备，存储负责原料供给，高速网络负责物料流转，供电和冷却维持生产环境，管理系统则负责看见全局、发现问题、调度资源。任何一个环节出现拥堵，整座工厂的产能都会受到影响。
因此，AI算力中心的建设逻辑正在发生变化。行业需要的，不再只是更多设备的叠加，而是一套能够把各类资源组织起来，并实现高效协同的全栈软硬件一体化工程体系。
让“芯算存网电冷”，真正协同起来
大规模AI集群首先要解决的，是“算得快”与“喂得上”之间的矛盾。
随着模型参数、上下文长度和并发请求增加，数据在显存、内存、本地缓存和共享存储之间的流动愈发频繁。尤其在长上下文和智能体应用中，KV Cache等数据需要被及时读取、共享和调度。存储跟不上，计算资源就会因等待数据而空转。
面向AI推理的基础设施，需要让计算、存储与传输形成更紧密的协同，使数据能够以合适的速度抵达需要它的地方。如中科曙光ParaStor分布式存储不仅为AI全流程提供了统一存储池，还针对模型训推进行了算存传深度协同优化。
其次是“传得快”。在大规模训练和推理中，大量计算节点必须持续交换参数、状态和结果。网络一旦出现拥塞、抖动或链路性能下降，影响的并不只是某一个端口，而是一整组作业的进度。随着集群由万卡走向十万卡，高速互连网络需要同时具备更高带宽、更低延迟、更大规模和更高可靠性。
这也决定了AI基础设施需要同时回答Scale-up与Scale-out两道题。前者强调在更紧耦合的范围内，实现低时延、高带宽的协同;后者强调跨节点、跨机柜乃至更大规模集群的扩展能力。二者服务的场景不同，却共同构成大规模智能算力的基础。
会上，中科曙光首次发布了高速网络智能运维管理平台Fabricview，该平台具备“自动化配置管理、主动性能压测筛查、业务拓扑感知调度、故障诊断自愈、全栈多维度可观测和智能运维管理”等功能，可集中纳管百万量级设备、端口与光模块。大规模网络环境下的故障定位与恢复由人工驱动转向AI代理驱动，显著提升了超大规模集群的运维效率与可靠性。
此外，集群功率密度持续提升，也让供电和散热成为系统设计的关键变量。芯片更强、机柜更密、集群更大，意味着电力传输效率、热量排出能力和运行稳定性都要同步升级。规模越大，组件故障越可能成为常态。
据公开数据，中科曙光相变浸没液冷散热系统已经形成整机柜级方案，最高支持单机柜兆瓦级功率，并支持全年自然冷却，数据中心PUE可低至1.04。对一座长期运行的智算中心来说，这意味着更高的能效空间，也代表着更清晰的运营账本。
从不同尺度验证全栈AI Infra能力
从scaleX40超节点到曙光8000十万卡AI超集群，中科曙光正在用真机实绩，深度展示AI Infra不同尺度的工程实践。
其中，scaleX40超节点通过一层组网实现全交换 scale-up，形成内存语义的百纳秒级低延迟网络，并通过无线缆正交结构与全电互连，大幅提高系统可用性，是构建高通量推理基础设施的标准单元，可帮助用户寻求更适用的甜点算力区间。
十万卡AI超集群则面对另一道题：当系统跨越更大规模，如何让高速网络、存储系统、调度能力与运维体系共同支撑训练、推理、AI4S和科学工程计算。它验证的并不只是硬件数量，更是超大规模系统在互连、管理、可靠性和应用承载上的协同能力。
目前，两大算力基础设施形态均已在产业一线场景中得到广泛验证。尤其在AI4S前沿领域，曙光依托强大完善的AI Infra布局，有效支持MatPL利用机器学习力场兼顾模拟精度与规模、AI辅助流体计算降低计算代价、数字育种将AI分析与生物学建模结合，并用于候选方案筛选。
有业内人士指出，超节点并非越大越好，超集群也并非简单地把更多设备连接起来。真正有效的AI基础设施，需要根据模型特点、任务类型、成本收益和可靠性要求，选择合适的系统架构，再以软硬件协同把这一架构落到工程实践中。
这也正是曙光极力夯实全栈软硬件一体化工程体系的意义所在。AI基础设施的本质不止是把若干部件简单堆砌到同一份解决方案，更在于将算力芯片、计算系统、存储、网络、供电、冷却与软件应用，组织成一个能够持续演进的有机整体。
长远来看，AI技术发展仍在快速向前，未来国产算力的长期竞争要素绝非某一项单点能力，而是让大规模算力稳定、高效、可持续运行的系统能力。AI基础设施的底盘，正是在这样的系统工程中被重新定义。
