2026年，超节点成为国产算力领域最受关注的技术方向。这一概念的核心逻辑在于：当单颗GPU无法承载AI算力需求时，将多颗GPU所在的服务器融合为一台超级计算机，从而将高速互连域从传统的8卡扩展到几十卡甚至上百卡，使卡间通信从网络传输转变为接近内存访问级别的低延迟操作。
超节点从概念走向产业共识，直接驱动力来自推理市场的爆发。大模型正从训练为主转向推理为主，用户对算力厂商的提问已从“能提供多少卡”转变为“每秒能稳定产出多少有效Token、成本是多少”。MoE架构的普及使前沿模型参数量快速突破万亿，DeepSeek R1拥有671B参数和256个路由专家，Kimi K2.5则达到1T参数和384个路由专家。每生成一个Token，模型内部需触发数十甚至上百次跨卡通信，传统服务器集群难以承受这一通信量级。
中科曙光高级副总裁李斌指出，行业衡量算力的标准已发生变化，过去主要看单颗芯片的峰值性能，现在更关注一套系统能持续输出多少有效算力。Agent的兴起进一步放大了这一需求，一次用户请求可能触发多轮模型调用、工具调用和并发任务，智能体推理需要生成比传统模型多近百倍的数据词元。
效率提升的幅度可从英伟达NVL72的对照实验中窥见。海外研究机构SemiAnalysis的开源推理基准InferenceX显示，在DeepSeek R1推理中，GB200 NVL72凭借72卡NVLink全互连，单卡吞吐最高达到HGX B200的4.4倍，峰值为每卡4130 Token/秒，而B200仅为941 Token/秒。两者使用同一代Blackwell GPU，唯一差异是系统架构。效率提升的主要来源并非单卡变快，而是互连域和系统架构对通信开销的压缩。
超节点落地需突破通信墙、功耗与散热墙、存储墙、复杂度墙四重瓶颈，考验的是计算、互连、供电、散热、存储、软件的系统级整合能力。中科曙光采用超节点内部高速互连与超节点之间scaleFabric高速网络的分层架构，浸没式相变液冷将PUE降至1.04，ParaStor系统围绕大规模并发访问和检查点读写进行优化。联想则将“海神液冷”品牌从通用服务器扩展至全部AI服务器，支持45度温水进水，其整机柜液冷产品单柜承重超过3吨、耗电达数百千瓦，工厂为此进行了承重加固和十兆瓦级供电改造。
在互连域规模上，各厂商路线存在分歧。联想问天超节点选择单节点40张GPU，认为40卡既能获得较高通信效率，又可避免超大规模互连在可靠性、运维上的挑战。曙光则同时提供十万卡AI超集群曙光8000和40卡scaleX40箱式超节点，对应不同客户需求。尽管路线各异，行业共识正在浮现：规模是手段而非目的，真正需要优化的一定规模约束下的系统效率。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
