“这里面到底装了多少张gpu？”“为什么要做这么大的机柜？”在今年世界人工智能大会（waic 2026）主展区——上海世博展览馆内，几排高达两到三米、通体漆黑的机柜前始终围满了观众。
有人凑近细看液冷管道的走向，有人举起手机拍摄机柜顶部盘绕如蛛网般的高速线缆，还有人紧追展台工作人员追问：这一整柜的算力，究竟能干些什么？
华为Atlas 950 SuperPoD、中兴OEX、阿里云真武M890×磐久AL128……基础设施类产品极少能在展会上成为焦点，但超节点却成了例外。
四天展期里，《IT时报》记者走遍全场，深入采访多家已布局超节点的芯片与设备厂商，试图厘清一个核心问题：这个一年前还仅在少数企业内部流传的新概念，为何突然跃升为全行业的共同战略选择？
目标一致，路径各异
若说去年WAIC上，超节点尚属个别企业的前沿探索；那么今年，它已演变为国产算力阵营的集体行动纲领。
从华为、壁仞、燧原、中兴通讯、沐曦股份，到中科曙光、阿里云、百度智能云，几乎所有主流国产算力厂商都将超节点置于展台最核心位置。这也印证了WAIC释放出的关键信号：全球AI竞争主战场正加速向底层基础设施迁移，而超节点，正是支撑未来AI发展的关键底座。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
方向虽同，技术路径却各不相同。
华为坚持一体化集成路线。本次首次公开亮相的昇腾950超节点（Atlas 950 SuperPoD），由1024张计算卡构成，配备256TB统一内存，NPU端到端时延压缩至3微秒以内；借助统一内存编址技术，千余张计算卡可协同运作，宛如一台巨型单机。
《IT时报》记者在展场看到，整套系统几乎占据整面墙体，远观如一道沉稳厚重的“黑色算力墙”。而1024卡，只是起点。据现场工程师介绍，昇腾950超节点最高支持8192颗芯片互联，未来甚至有望扩展至超50万卡规模的超大规模集群。
相较华为的封闭集成，中兴则选择了更开放的架构策略。其OEX平台兼容CPU、GPU、交换芯片、智能网卡等多种异构硬件，联合壁仞科技、沐曦股份、燧原科技、天数智芯等国产芯片力量，共建可插拔、可组合、可演进的国产超节点生态底座，让用户能依据业务特性灵活配置芯片组合，在性能与成本之间实现最优平衡。
壁仞科技则聚焦于互联能力突破。依托自研BLink2.0互连协议，1024张GPU可共享同一内存空间，形成一个逻辑上统一调度的“超级GPU”，从而支撑更大规模模型的训练与推理任务。同时，该公司首次提出“NPO光互连+分布式解耦架构”，旨在突破传统铜缆在带宽密度、传输时延与物理距离上的多重瓶颈。
当AI重心从训练逐步转向推理，TPU正悄然成为超节点赛道中的另一支主力。
作为国内TPU代表厂商，中昊芯英此次正式发布新一代“须臾”AI芯片：混合精度浮点算力达896TFLOPS，8-bit推理峰值达1792TOPS；相比同档竞品，“须臾”单芯片功耗降低约50%。
凭借TPU原生面向AI负载优化的架构设计，单个超节点最高支持2048颗芯片直连，可高效承载万亿参数大模型训练、多智能体协同决策及海量并发推理任务。
中昊芯英创始人杨龚轶凡向《IT时报》记者表示：“GPU脱胎于图形渲染场景，其底层架构并非为大规模神经网络并行计算而生，在芯片级互联方面天然存在局限；而TPU从诞生之初就围绕大模型训练与高密度神经计算构建，因此更契合超节点所需的高带宽、低时延、强扩展性，也更容易迈向万卡级集群。”
除芯片厂商外，云服务商亦将超节点视为AI时代新型基础设施的核心单元。阿里云展出由真武M890芯片与磐久AL128超节点组成的端到端算力系统：真武M890基于平头哥自研并行计算架构，集成144GB高带宽显存，片间互联带宽高达800GB/s，全面适配大模型训练、推理及智能体应用等多元场景。
百度则展示基于昆仑芯P800打造的天池算力矩阵，支持256卡超节点，并具备向数十万卡集群持续扩展的能力，全面兼容文心、DeepSeek、智谱、MiniMax等主流开源与闭源大模型。
尽管方案百花齐放，但WAIC 2026传递的信息已然明确：国产算力竞争的主战场，已从单芯片性能比拼，全面转向整套计算系统的综合能力较量。
模型演进，“倒逼”超节点落地
为何今年所有玩家都押注超节点？答案不在展馆，而在模型本身。
“超节点并非凭空出现的概念，而是大模型发展到当前阶段的必然产物。”壁仞科技AI框架副总裁、AI软件首席架构师丁云帆在接受《IT时报》等媒体采访时指出。
在全球大模型以季度为单位快速迭代的节奏下，国产算力的竞争范式正在重构。受限于先进制程工艺，当前国产GPU在单芯片算力层面仍与国际领先水平存在3至5年的代际差距，短期内依靠单点突破实现反超并不现实。
与此同时，Agentic AI浪潮席卷而来，大模型呈现三大结构性变化，每一项都在强力驱动超节点走向规模化部署。
第一是MoE（专家混合）架构普及叠加Agent技术爆发。过去的大模型更像一个整体黑箱，每次推理均需调用全部参数；如今越来越多模型采用MoE结构，按需激活不同“专家”子网络。虽然计算效率提升，但GPU间的通信频次与数据量呈指数级增长。“专家并行对互联带宽要求极高，一旦通信链路跟不上，再强的芯片也会被‘锁死’。”丁云帆强调。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
第二是模型参数持续膨胀。千亿级曾是大模型门槛，如今万亿级已成为新基准。7月16日发布的Kimi K3，参数规模达2.8万亿，刷新全球开源模型纪录。业内普遍预测，未来几年5万亿参数模型或将陆续登场，对单一集群的算力吞吐能力提出更高要求。
第三是上下文长度不断拉长。代码Agent、科研Agent等新型智能体应用兴起，单次任务需处理的Token数量成倍增加——输入的文档、输出的代码层层叠加，对显存容量与实时算力的需求较以往高出一个数量级。
一边是单芯片性能提升遭遇物理天花板，一边是用户对模型能力的期待持续攀升，超节点由此从“可选项”变为“必选项”。
光互连，2028年或成标配
然而，当算力衡量标准从单芯片峰值转向系统级有效算力时，真正的挑战，深藏于机柜内部。
1024张GPU组成超节点后，决定其真实效能上限的，不再是某颗芯片跑得多快，而是互联带宽、网络拓扑、软件调度与系统协同能力。换言之，能否把一堆芯片真正捏合成一个高效运转的整体，比每颗芯片快多少更为关键。
但这同时也意味着系统构建难度呈指数级上升——尤其当GPU数量从百级跃升至千级、万级时，通信瓶颈成为最大拦路虎。
过去几十年，GPU间主要依赖铜缆传输电信号。但随着800G、1.6T高速互联时代到来，电信号传输距离急剧缩短、功耗持续攀升，铜互连正逼近物理极限。“铜缆已难以支撑下一代超节点需求。”一位现场技术人员坦言。
破局之道，在于“以光代电”。当前光互连主要有四大技术路径：传统可插拔（FRO）、线性直驱（LPO）、近封装光学（NPO）和共封装光学（CPO）。
丁云帆透露，今年以来产业界关注焦点已明显从相对成熟的FRO与LPO，转向更具前瞻性的NPO与CPO，其中NPO正成为产业链协同攻关的核心方向。
相较于传统光模块，NPO将光引擎部署在GPU或交换芯片附近，大幅压缩电信号传输路径，省去高功耗DSP芯片，在带宽、时延、功耗与成本之间取得更优平衡，且传输距离可拓展至数百米，更契合未来超大规模超节点部署需求。
据集邦咨询预测，CPO/NPO市场规模将从2025年的约1亿美元，飙升至2030年的390亿美元以上——五年内增长近400倍，阿里巴巴、腾讯等头部企业已将NPO列为近中期重点部署方向。
因此，本届WAIC上，《IT时报》记者明显感受到：无论是光模块厂商、交换机厂商，还是其他上下游伙伴，纷纷亮出NPO相关产品、解决方案，或至少明确公布技术演进路线。尽管多数仍处于研发或样机阶段，但整个产业已进入协同推进的关键期。
丁云帆认为，从技术角度看，国内已具备NPO产品研发的基础能力，不存在不可逾越的技术壁垒。真正需要的是时间沉淀与工程验证，预计未来一到两年内，相关产品将陆续推出并进入实际场景测试。
但在CPO领域，国内布局者仍属少数。
一方面，CPO需将光引擎直接集成至计算芯片内部，对芯片设计、先进封装、制程工艺等提出极高要求，技术复杂度远超NPO；目前部分先进工艺环节，国内与国际领先水平仍有差距。
另一方面，涉及产业分工重构。若效仿英伟达模式，将计算与光互连完全集成于一颗芯片，原本属于光模块厂商的价值空间将被芯片厂商吸收，引发产业链利益再分配。
“中国现阶段更适合走生态共建之路。”丁云帆指出，在NPO架构下，GPU厂商、交换机厂商、光模块厂商等均可发挥各自优势，在产业链中找准定位，共享产业发展红利，从而构建更健康、更具韧性的国产AI算力生态。
当前行业整体仍处于技术攻坚与样机验证阶段。壁仞科技计划于明年推出基于NPO的超节点产品，并逐步投入真实生产环境运行。随着产业链日趋成熟，预计至2028年前后，NPO光互连有望成为AI超节点的主流连接方案。
规模化落地，中国步伐更快
如果说通信与光互连是超节点的“筋骨”，那么决定其能走多远的，是另一个高频词——工程化。本届WAIC上，无论智能体工厂、大模型厂商，还是AI for Science科研平台，被问及最大挑战时，“系统工程”几乎成为统一答案。
杨龚轶凡举例说明：当海量芯片组成统一集群，并需同时承载多家客户业务时，如何降低分布式计算过程中的通信开销，是超节点必须攻克的核心难题；此外，多租户场景下的数据隔离与隐私保障、万卡集群带来的散热压力，以及分布式调度、集群运维、故障自愈等软件能力，同样亟待同步突破。
“超节点之争，本质是一场全产业链协同之战。”杨龚轶凡表示。决定超节点上限的，不只是芯片本身的性能，更取决于网络互联、散热系统、软件调度等系统级能力，以及上下游厂商的协同深度。封装、交换机、光模块、液冷、服务器、调度中间件……这些过去分散在不同环节的技术，如今因超节点被前所未有地紧密耦合在一起。
耐人寻味的是，在丁云帆看来，超节点规模化扩展的速度，国内甚至快于海外。正因单卡算力存在客观差距，国内产业界才更迫切地寻求系统级创新来弥补短板。这并非一次孤立的技术跃迁，而是一场覆盖全链条的体系化突围。
这也是杨龚轶凡坚定选择TPU路线的重要原因：作为专用AI架构，TPU所需适配的算子数量远少于通用GPU，使本土厂商有机会在特定垂直领域快速追赶，走出一条“换道超车”的可行路径。
四天展会落幕，这些沉默矗立的黑色“算力墙”，已被无数观众存入手机相册。或许多年之后回望，这些影像将成为中国AI发展历程中，一段珍贵而坚实的起点。
图片／ IT时报
本文来自微信公众号 “IT时报”（ID：vittimes），作者：贾天荣，36氪经授权发布。
