全国产十万卡集群加速落地：AI基础设施进入发展新阶段

算力领域的粗放式扩张模式正在终结。

年初，政府工作报告首次提及“超大规模智算集群”与“算电协同”发展路线，2026年将部署50+万卡集群、3万卡集群较上年增长233%、10万卡集群实现从无到有的突破。

然而，AI基础设施的建设节奏远超预期。

7月10日，中国首个完全自主研发的十万卡AI超算系统——曙光8000（登峰）正式投入运营。同期，中科曙光还与北京科学智能研究院建立合作关系，着手第二套全国产十万卡超智融合算力系统的研发与建设工作。

“十万卡”从零起步到成双成对，AI算力集群建设已然迈入高速发展期。

如此引人瞩目的进展，不禁引发业界思考：一套刚完成技术验证的系统，在首日就获得追加订单，这个“十万卡”究竟有何独特价值？

1.解决供需失衡：

“原生超智融合”算力新路径

过去两年，算力市场经历了一轮激烈的“抢购”热潮。各大企业以每年数百亿的资本投入布局算力基础设施，英伟达A100曾被哄抬至近10万元高价，却依然供不应求。

但在这场竞争的另一面，大量算力资源并未真正产生实际价值。

业内人士透露，2026年算力市场增速明显回落。许多算力设备“买了用不上”、“能运行却效率低下”。单纯的规模扩张已非万能良药，算力供需出现了结构性矛盾：低端算力供给过剩，而高端算力需求旺盛。

市场逻辑随之转变，从“全面上涨”到“分化发展”，算力市场呈现出“高端稀缺、中低端饱和”的两极分化态势。

问题究竟在哪里？

一个超大规模AI集群，建设投资动辄数十亿甚至上百亿元，准入门槛确实不低。但更核心的挑战在于：算力集群的规模并不等同于实际算力输出。这使得算力重资产配置变得更加审慎。

一方面，在大规模集群中，存储、计算、网络等环节存在较多瓶颈，约有近半算力可能在等待数据，而非持续运转。行业评估显示，万卡规模下集群的算力利用率通常仅约50%；

另一方面，由于底层芯片和计算系统架构的设计差异，集群算力精度往往难以完全匹配应用场景——超算集群在智能计算场景中表现欠佳，智算集群在超算应用中力不从心。

显然，打通“存算网”协同链路，构建“原生超智融合”的集群系统，成为解决算力供需失衡的最佳方案。

中科曙光高级副总裁李斌表示，当前人工智能正从传统大模型向更复杂、更多元的AI for Science和物理AI时代加速演进，这不仅需要更大规模的算力，更对算力架构提出全新挑战。

例如在AI4S和物理AI应用场景，高精度算力用于模拟仿真和科学计算，低精度算力用于智能体推理和大规模训练。两种精度需求的融合，使“混合精度计算”成为新算力系统的核心能力。

李斌介绍，曙光8000基于“原生超智融合”技术路线，摒弃传统分区模式，真正实现了全类型计算的原生一体化融合，可满足高精度科学计算和低精度智能计算的复合需求，提供从FP64到INT8的全精度算力支持。

也就是说，无论是科学研究，还是AI训练推理、工业仿真，建设一套集群即可全面覆盖。无需担忧能否发挥效率，能否落地产业应用。这也是“十万卡”迅速获得市场认可的关键原因。

2.十万卡成为“基准线”，

规模效应持续发挥作用

近年来，AI领域的“缩放定律”，正成为算力规模扩张的核心驱动力。

根据行业反复验证，在模型架构和训练方法保持不变的前提下，模型性能与参数量、数据量、计算量之间存在幂律关系。同步扩大这三项要素，模型性能会呈现可预期的提升。

这也意味着，要训练千亿甚至万亿参数模型，就必须投入海量计算资源。一个原本需要6个月的训练任务，通过万卡集群压缩到1个月完成，这种迭代速度带来的竞争优势是革命性的。

放眼全球市场，谷歌、微软、Meta等国际巨头纷纷加入算力规模竞争。谷歌投资最大的AI算力中心，TPU部署规模已达数十万片；微软智算中心(Azure)同样集成了15万颗GB200。

国内受益于政策和产业需求推动，各地AI计算集群的规划和建设也在加速推进，需求增长空间十分明显。而首个全国产十万卡AI超算集群的突破，不仅解决了“有而无”的困境，同时也为国产大算力市场确立了一个新的“基准”。

从曙光8000的实践成果来看，市场快速响应并不令人意外：

目前，在十万卡核心节点上，已完成300余项超智融合应用优化，覆盖大模型、机器人、汽车、创新药、新材料、量子计算、天文气象等二十余个领域。其中，超过70个应用实现了万卡规模扩展，验证了核心节点在大规模、高负荷科研任务中的稳定性与可靠性。在重点应用方面，已实现蛋白质折叠模拟、万亿原子级水分子动力学模拟、百万亿网格湍流模拟等突破。

毫无疑问，算力规模扩张带来的科研范式升级，为“十万卡”基准线再次提供了有力支撑。

3.规模竞争中的能效挑战：

系统级能力决胜未来

随着人工智能从大模型向智能体和具身智能快速演进，AI for Science推动基础研究和技术发明加速突破。这些变革催生了巨大的算力需求，同时也对大算力系统能效提出严峻考验。

试想一下，这么多计算单元聚合在一起，当然不是简单堆砌就能运作，其系统工程复杂度超乎想象。

前面提到，在大规模计算集群中，算力闲置等待数据的情况并不少见。同时，网络互联、算力调度、供电散热等环节紧密相连，任何一个环节出现问题都会造成严重的能效损失和稳定性风险。

为确保集群长期稳定可靠高效运转，中科曙光基于“芯片、计算、存储、网络、散热、应用、服务”全链路自主研发AI基础设施能力，对十万卡集群进行了系统级深度优化。

有业内人士坦言：“无论是万卡还是十万卡，关键在于能否真正将这些计算单元作为统一整体运行，发挥实际效能。”这也折射出一场行业变革——AI集群正从规模竞争进一步迈向能效竞争。