**
一、引言：算力时代的范式之问
当 OpenAI 宣布 GPT-5 参数规模预计突破 52 万亿时，整个 AI 行业意识到：传统服务器集群的时代正在落幕。从 2018 年 GPT-1 的 1.1 亿参数到如今的万亿级跃迁，大模型不仅改变了 AI 的应用边界，更在底层重构着智能超算的基础设施逻辑。我国 “东数西算” 工程明确提出要提升数据中心能源利用效率和可再生能源利用率，这一政策导向直指当前智能超算发展的核心矛盾 —— 单纯依靠硬件叠加的 “算力堆砌” 模式已难以为继，亟需向 “系统创新” 实现范式转变。
智能超算作为 AI 时代的核心生产力，其发展质量直接关系到数字经济的创新高度。但现实是，全球超算中心普遍面临算力利用率低下、能耗居高不下、通信延迟突出等困境。某东部枢纽数据中心改造前，非峰值时段闲置算力资源占比超 30%，而 GPT-4 训练采用传统集群时，跨节点数据交互耗时占比更是超过 40%。这些数据背后，是 “以服务器为中心” 的传统架构与 “以数据流动为核心” 的算力需求之间的深刻背离。华为轮值董事长徐直军指出：“当模型进化到千亿参数级，算力架构必须完成从‘积木式堆叠’到‘有机生命体’的质变”，这一判断精准揭示了智能超算的发展必然。
二、算力堆砌模式的四重困局
（一）通信瓶颈的指数级恶化
传统智能超算采用 “服务器堆叠 + 以太网连接” 的横向扩展架构，在大模型训练场景下暴露出致命的通信短板。随着 MoE（混合专家）等新型模型的兴起，任务被拆解为数百个专家并行处理，节点间通信量呈几何级增长。基于 RoCE 协议的 400G 网络在面对 TB 级数据传输时，时延高达 2ms 以上，导致大模型训练中 “等待数据” 的时间占比接近一半。
华为昇腾计算业务总裁张迪煊曾举例：“在 10 万卡规模的大模型训练中，传统集群的通信延迟会使训练周期延长 40% 以上”。这种瓶颈在参数规模突破千亿级后更为明显，成为制约训练效率的最大短板。某互联网企业实测显示，其万卡集群处理 MoE 模型时，跨节点通信耗时占比甚至达到 55%，相当于每训练 24 小时就有 13 小时在空等数据传输。
（二）资源利用的结构性浪费
算力堆砌模式下，资源分配呈现显著的粗放性特征。传统架构无法感知模型层间计算特征，只能进行静态资源划分，当 MoE 模型中不同层的专家数量动态变化时，常出现 “冷热不均” 现象 —— 部分节点过载运行，部分节点却处于闲置状态，导致整体训练效率下降 30% 以上。
这种浪费不仅体现在计算资源上，存储与网络资源的错配同样突出。济南超算在未进行系统优化前，高性能计算、云计算、人工智能计算等资源模块之间壁垒森严，3000P 算力中约有 25% 因调度不畅无法有效利用。东部某枢纽数据中心更曾出现极端情况：峰值时段算力缺口达 40%，而非峰值时段闲置算力却超过 35%，资源供需在时间与空间上的错配问题极为突出。
（三）能耗与成本的双重压力
“算力堆砌” 必然带来能耗的线性增长。传统超算中心采用空气冷却方案，PUE（电源使用效率）普遍在 1.4 以上，部分老旧机房甚至超过 1.8，意味着每消耗 1 度电用于计算，就要额外消耗 0.8 度电用于散热。西部某超算中心测算显示，采用传统架构时，每 PFLOPS 算力的年电力成本高达 1200 万元，占总运营成本的 65%。
成本压力还体现在 TCO（总拥有成本）的攀升上。英伟达 H100 集群的测算数据显示，当规模从 100 卡扩展至 1 万卡时，因通信效率下降导致的额外成本占比从 5% 升至 28%。某企业万卡集群平均每周因故障中断训练 2-3 次，每次损失超百万美元，这些隐性成本进一步加剧了经营压力。
（四）可靠性的脆弱性危机
大规模集群中，单个节点故障概率随规模呈线性增长，但传统系统的故障恢复机制却极为低效。当某一节点出现故障时，系统需重启整个计算任务，恢复时间常达数小时，期间所有训练数据需重新计算，造成巨大资源浪费。
华为在 2024 年的测试中发现，传统万卡集群的平均无故障运行时长仅为 18 小时，而故障恢复时长却超过 4 小时，这意味着近 22% 的时间都在处理故障恢复。对于需要连续训练数十天的大模型而言，这种可靠性缺陷可能导致项目延期甚至失败，某 AI 企业就曾因集群故障导致 GPT 类模型训练中断，直接损失达 800 万美元。
三、系统创新：破局的三大核心路径
（一）硬件架构革新：超节点重构算力根基
超节点技术的出现，从硬件层面打破了传统架构的桎梏。这种通过高速互联协议将多颗 AI 处理器整合为单一逻辑单元的 “纵向扩展” 方案，让数据中心从 “服务器堆” 变成了 “巨型计算机”。目前全球已形成三大技术路线，共同推动算力架构的根本性变革。
英伟达走 “极致整合的整机柜方案” 路线，其 GB200 NVL72 超节点用第五代 NVLink 技术将 72 个 Blackwell GPU、36 个 Grace CPU 全互联，显存统一寻址容量达 30TB，跨 GPU 通信时延压缩至百纳秒级。2025 年推出的 GB300 NVL72 更将 FP4 算力提升至 1080 PFLOPS，TCO 降低 25%，成为互联网巨头搭建大模型训练平台的优选方案。
华为则以灵衢（UnifiedBus）协议为核心，构建开放的超节点生态。与英伟达封闭架构不同，灵衢支持 CPU、NPU、GPU 等多类型组件池化，甚至允许不同厂商的芯片接入同一超节点。其 Atlas 960 超节点支持 15488 张昇腾卡组网，互联带宽是英伟达 Rubin 144 的 62 倍，单集群算力突破 4 ZFLOPS（FP4）。在通信性能上，昇腾超节点实现跨节点通信带宽提升 15 倍，时延从 2ms 降至 0.2ms，使计算与通信耗时比从 1:1 优化至 3:1。
阿里与中科曙光则聚焦 “高密度 + 低 PUE” 的实用主义路线。阿里磐久 AI Infra 2.0 实现 CPU 与 GPU 节点解耦，单柜支持 128 颗 GPU，用冷板式液冷将 PUE 控制在 1.1 以下；中科曙光 ScaleX640 单机柜集成 640 张 GPU，全浸没式相变液冷实现 PUE，96% 的电力都用于计算。在宁夏中卫智算中心，这类超节点集群已实现 150MW IT 负荷稳定运行，电价成本比东部低 40%。
（二）软件生态重构：开源与智能调度双轮驱动
硬件架构的突破需要软件生态的协同支撑，系统创新的深层价值体现在软件层面的重构与优化。华为在 2025 年昇腾产业峰会上明确四大决定：坚持昇腾硬件变现，CANN 编译器和虚拟指令集接口开放，Mind 系列应用使能套件及工具链全面开源，openPangu 基础大模型全面开源，且 CANN 等开源开放将与产品上市同步。
这种开源策略有效破解了传统封闭生态的适配难题。以 CANN 编译器开源为例，其支持多厂商芯片接入，某第三方 GPU 厂商通过适配灵衢协议，接入华为超节点后算力利用率提升 28%。Mind 系列工具链开源更降低了开发者门槛，济南超算基于开源工具链快速实现 DeepSeek 模型部署，使高校科研团队的模型微调周期从 2 周缩短至 3 天。
智能调度系统的升级则解决了资源利用的结构性问题。青云科技为济南超算打造的 AI 智算平台，实现 3000P 异构算力的统一调度，通过智能化算法动态分配资源：处理科学计算时调配高性能计算资源，进行 AI 训练时则精准分配 GPU 资源。该平台还引入故障监控与自愈系统，基于 1000 + 故障特征库实现秒级发现、分钟级自愈，故障恢复时长从小时级降至 15 分钟。
东部某枢纽数据中心应用智能调度后，全年非峰值时段闲置算力利用率提升 37%，电力成本下降 26%。跨区域算力调度平台更实现东部 AI 模型训练需求与西部绿色数据中心算力供给的动态匹配，使超算中心利用率提升至 75% 以上，年节电超 20 亿度。
（三）算网协同与生态共建：从单点创新到系统联动
系统创新的终极形态是形成 “算力 - 算法 - 数据 - 网络” 的协同生态。济南超算与青云科技的合作实践展现了这一方向：通过 SD-WAN 网络接入方式，建成以 “济南 - 青岛” 为核心、连接山东 16 市骨干节点和 100 余个边缘节点的省域算力网络，并参与科技部牵头的中国超算互联网，成立黄河流域算力联盟实现跨区域算力共享。
这种算网融合模式有效优化了算力资源的时空配置。在黄河流域算力联盟内，西部节点利用自然冷源实现年均 8000 小时绿色供能，东部节点则聚焦低时延应用需求，通过智能调度平台实现 “东数西算、西算东用”。某医疗影像分析项目通过该联盟调度，将数据存储在西部节点（成本降低 40%），推理计算在东部节点（时延控制在 50ms 内），实现成本与效率的平衡。
生态共建更激活了产业创新活力。华为通过 “硬件开放、软件开源” 双轮驱动，向全产业开放灵衢协议技术规范，吸引产业链伙伴共同打造场景化解决方案。济南超算围绕 “山河云” 平台形成数字经济生态创新圈，吸引近 20 家科研院所、30 多家科研平台入驻，上线 300 + 政务系统，推进智慧黄河模拟器等重大项目研发。这种生态集聚效应，使超算技术从实验室走向产业级应用，真正赋能千行百业。
四、范式转变的深层逻辑与未来挑战
（一）从 “硬件中心” 到 “数据中心” 的逻辑重构
智能超算的范式转变，本质是从 “以硬件堆叠为核心” 转向 “以数据流动为核心” 的逻辑重构。传统架构下，算力提升依赖芯片性能升级与数量叠加，遵循 “摩尔定律 + 规模效应” 的线性增长模式；而系统创新则通过架构优化、智能调度、生态协同，实现算力效率的指数级提升。
华为昇腾超节点的 “三维一体” 架构清晰展现了这一逻辑：硬件互联突破通信瓶颈，全局内存统一编址优化数据流动，智能调度实现资源精准匹配。这种重构使算力不再是孤立的硬件能力，而是可动态调配、高效流转的生产要素。正如徐直军所言：“当制程工艺逼近物理极限，架构创新就是新的摩尔定律”。
（二）自主可控与开放生态的平衡之道
在全球技术竞争加剧的背景下，系统创新必须处理好自主可控与开放生态的关系。华为昇腾的实践提供了有益借鉴：在芯片、互联协议等核心领域坚持自主研发，Ascend 950 系列芯片新增支持 FP8/MXFP8 等低精度格式，算力达 1-2P，互联带宽提升 2.5 倍至 2TB/s；同时通过软件开源、协议开放，吸引全球开发者参与生态建设，形成 “自主核心 + 开放生态” 的发展模式。
这种平衡既能保障技术主权，又能激发创新活力。济南超算的 “山河云” 平台正是基于此逻辑：核心调度系统自主研发，同时兼容 DeepSeek 等开源模型，支持第三方芯片接入，使平台既安全可控又能快速响应市场需求。
（三）未来发展的核心挑战
尽管系统创新已取得突破，但智能超算仍面临三大挑战：一是异构算力的深度适配难题，不同厂商的 CPU、GPU、NPU 之间的协同效率仍有提升空间；二是能耗优化的极限探索，如何在算力持续提升的同时进一步降低 PUE，考验液冷、余热利用等技术的创新能力；三是安全与效率的协同问题，大规模算力网络的调度需兼顾数据安全与传输效率。
应对这些挑战，需要技术创新与政策支持的双重发力。技术层面，需推进存算一体、光互联等前沿技术研发；政策层面，可依托 “东数西算” 工程，建立跨区域算力协同标准，完善能耗考核与补贴机制。
五、结语：算力时代的创新新征程
从 “算力堆砌” 到 “系统创新”，智能超算的范式转变不仅破解了当前的发展困境，更重塑了全球 AI 竞争的格局。华为的超节点技术、济南超算的算网实践、“东数西算” 的政策引导，共同勾勒出中国智能超算的创新路径 —— 以架构创新突破技术瓶颈，以开源生态激活产业活力，以算网协同优化资源配置。
当算力成为智能时代的核心生产力，这种范式转变将为人工智能、自动驾驶、科学计算等前沿领域提供强大支撑，更将为中国在全球算力竞争中赢得关键话语权。正如徐直军在华为全联接大会上所言：“算力，过去是，未来也将继续是人工智能的关键，更是中国人工智能的关键”。在系统创新的驱动下，智能超算正从 “大国重器” 转变为赋能数字经济的 “通用基础设施”，开启算力驱动创新的新征程。
