国产算力的“破壁时刻”：从芯片到超节点，中国算力底座全面跃迁

如果说算力租赁涨价是近一周算力领域最受资本市场关注的话题，那么国产算力基础设施的集体突破，则是本周最具产业纵深感的另一条主线。 短短十余天内，阿里平头哥发布算力提升三倍的真武V900芯片，华为推出全球首个采用NPO技术的昇腾960超节点，中科曙光发布全自主十万卡AI超算系统，中国移动北京节点落地昇腾950DT千卡超节点。与此同时，国务院国资委在9月28日明确表态，“十五五”时期中央企业要继续加大算力网投资力度，深化算电协同与算网融合。从芯片到超节点，从集群到政策，国产算力正在经历一场从“根”处发力的系统性突破。这场突破不仅关乎单点性能的追赶，更关乎系统架构、软件生态、能源协同和产业政策的全面重构。当全球AI算力竞争进入白热化阶段，中国算力产业正试图走出一条差异化、自主化、体系化的发展道路。

一、芯片破壁：真武V900与昇腾950的“硬实力觉醒”

国产AI芯片的竞争格局正在发生质变。过去很长一段时间，国产AI芯片面临“可用但不够好用”的困境：单卡性能与国际领先水平存在差距，软件生态不完善，集群扩展能力有限，导致大模型训练和推理高度依赖进口GPU。然而，这一局面正在被快速打破。

9月22日，在2026杭州云栖大会上，阿里旗下平头哥发布了目前中国算力性能最强的自研AI芯片真武V900，算力提升至上一代真武M890的3倍，单一集群可扩展至50万卡规模，计划于2027年**季度量产上市。阿里同时宣布，基于新一代架构的Qwen4大模型已在训练中，未来Qwen4.5、Qwen5等版本将扩展至5万亿至10万亿参数，并提出到2032年阿里云运营的全球数据中心规模超过20GW的目标。这意味着阿里不仅在芯片端发力，更在模型端和数据中心端形成了“芯片—模型—云”三位一体的闭环布局。真武V900的50万卡集群扩展能力，为未来十万亿级参数模型的训练提供了硬件基础；而20GW的数据中心目标，则显示出阿里对AI算力长期需求的战略判断。

华为方面，昇腾950智算集群服务已于9月底在国内商用，11月30日拓展至海外市场。在算力层面，该服务基于全链路可观测的五级快速恢复机制，实现云上训练40天稳定运行及10分钟内故障恢复。对于大模型训练而言，稳定性与故障恢复能力至关重要。一次训练任务往往需要数千张卡连续运行数周甚至数月，任何单点故障都可能导致训练中断、进度回退和成本飙升。华为的五级快速恢复机制，将故障恢复时间压缩到10分钟以内，显著提升了集群可用性，降低了训练成本。

更值得注意的是，阿里云灵骏真武M890超节点实例GP9A已对外提供服务，这是国内首个能够稳定运行超2万亿参数大模型的超节点形态算力，单节点实例可支撑十万卡级集群，已稳定运行Qwen3.8-Max、Kimi K3等前沿大模型。这意味着国产超节点不仅在硬件规格上达到新高度，更在实际大模型运行中得到了验证。稳定运行超2万亿参数模型，对内存带宽、互联时延、调度系统、散热能力都提出了极高要求，能够做到这一点，说明国产算力系统集成能力已经迈上新台阶。

两款旗舰芯片的相继落地，标志着国产AI芯片从“能用”向“好用”的关键跨越。平头哥首次公开了倚天系列服务器CPU的更新规划，完成算、存、网全栈自研产品布局。这种从芯片到系统层的全链路调优能力，将显著提升软硬协同效率，降低推理成本，为Agent时代的算力需求提供坚实底座。过去，国产芯片厂商往往只提供芯片，而系统集成、软件适配、集群运维需要下游厂商自行解决，导致整体效率偏低。如今，头部厂商开始提供从芯片、服务器、网络到云服务的全栈方案，软硬协同的深度大大增强。这不仅有助于提升单卡利用率，也能降低整体拥有成本，让国产算力在商业竞争中更具吸引力。

二、超节点革命：从千卡到百万卡的集群跃迁

超节点是本周国产算力最具技术含量的突破方向。随着大模型迈向十万亿级规模，传统服务器集群架构已难以满足高效训练与推理的需求。传统集群中，GPU之间通过PCIe或以太网互联，带宽有限、时延较高，当模型规模扩大到数万亿参数时，通信瓶颈会严重拖累训练效率。超节点通过系统级架构创新，将数千乃至数万张加速卡以极低时延互联，成为超大规模AI基础设施建设的必然选择。

9月17日，华为在全联接大会2026上发布了全球首个采用NPO（近封装光学）技术的超节点——昇腾960超节点。该超节点采用正交架构和全液冷设计，基于灵衢实现内存统一编址，单节点可扩展至4096卡规模，提供8 EFLOPS FP8、16 EFLOPS FP4算力。NPO技术将光引擎靠近封装基板，缩短电信号传输距离，降低功耗和时延，是超大规模集群互联的关键技术方向。全液冷设计则解决了高密度算力带来的散热难题，使得单节点4096卡的功率密度得以稳定运行。

华为同时推出了业界首个量产的NPO光引擎Hi-ONE，总传输容量达7.2T，以5500个Hi-ONE光引擎替代传统方案所需的4.8万颗800G光模块，功耗降低超550千瓦，系统无故障运行时间提升一倍，系统可用度达到99.8%。这一对比数据**冲击力：传统方案需要4.8万颗800G光模块，而Hi-ONE仅需5500个，不仅大幅减少了光模块数量，还降低了功耗和故障点。对于万卡级集群而言，光模块数量庞大，故障概率随之上升，减少光模块数量意味着更高的可靠性和更低的运维成本。99.8%的系统可用度，意味着全年不可用时间不到18小时，这对于大模型训练和推理服务而言至关重要。

更具战略意义的是集群扩展能力。多个昇腾960超节点通过灵衢网络或RoCE连接，采用二层CLOS四平面组网，**集群规模可达51.2万卡；结合多轨道拓扑技术，**可支持100万卡昇腾超节点集群。这意味着国产超节点已经具备了支撑十万亿级参数大模型训练的硬件基础。100万卡集群是一个什么概念？目前全球***的AI集群也大多在数万卡到数十万卡级别，百万卡集群将使得单次训练可以覆盖更庞大的参数规模和数据集，为下一代基础模型提供算力保障。当然，百万卡集群也带来巨大的挑战：网络拓扑、故障隔离、任务调度、电力供应、冷却系统都需要系统性创新。华为提出的多轨道拓扑和二层CLOS四平面组网，正是为了解决超大规模集群的通信瓶颈和扩展性问题。

超节点的落地并非停留在产品发布层面。9月29日，中国移动北京公司联合中国移动云公司宣布华为昇腾950DT千卡超节点正式落地昌平区信息港数据中心移动云北京节点。该千卡超节点基于华为超节点架构，单节点1024卡算力达1 EFLOPS（FP8），支持256TB统一内存和微秒级时延，能够支撑大模型训推、智能体开发等高阶需求。这是国产超节点从产品发布走向实际部署的重要标志。运营商拥有庞大的数据中心资源、网络资源和客户资源，其入局超节点部署，意味着国产超节点开始进入规模化商用阶段。中国移动北京节点的落地，不仅验证了昇腾950DT的工程化能力，也为后续更多运营商和行业客户采购国产超节点提供了参考案例。

三、算力生态：开源开放与全栈协同的“中国路径”

国产算力的突破不仅是硬件性能的提升，更是生态体系的重构。长期以来，英伟达的CUDA生态构成了极高的迁移壁垒，开发者习惯于CUDA工具链，模型代码、算子库、调优经验都围绕CUDA构建。国产芯片即使硬件性能接近，若软件生态不完善，也难以吸引开发者迁移。因此，生态建设成为国产算力能否真正立足的关键。

华为副董事长、轮值董事长汪涛在全联接大会上明确指出，华为AI战略的核心是算力，坚持围绕“超节点+集群”，通过系统架构创新构建竞争力，打造中国坚实算力底座，构建开源开放的算力生态，为世界构建新的选择。这一表态清晰传递了华为的战略路径：不追求单卡性能的简单超越，而是通过超节点和集群的系统级创新，结合开源开放生态，形成差异化竞争优势。

生态建设的关键进展在于CANN计算框架的全面开源开放。CANN已进入常态化的开源社区运营，从“可用”到“易用”，昇腾已跨越生态拐点。这一转变的意义在于，开源开放降低了开发者的迁移成本，使得更多主流大模型能够基于昇腾进行原生训练，从而形成从芯片到框架到模型的正向循环。过去，开发者迁移到昇腾需要大量适配工作，如今随着CANN开源和社区运营常态化，主流框架如PyTorch、TensorFlow对昇腾的支持更加完善，模型迁移成本大幅降低。当越来越多的模型在昇腾上原生训练，昇腾生态的算子库、调优工具、**实践也会日益丰富，形成正向循环。

在系统层面，华为将超节点架构引入通算系统，全新升级鲲鹏超节点，基于灵衢全光组网，**支持4096节点，形成256TB统一内存池，可显著提升Agent沙箱密度、启动速度及向量检索性能。同时发布了基于灵衢UnifiedBus总线的L3.5层PB级KV缓存解决方案OceanStor M900集群，支持“一跳直连”技术，优化数据访问效率。这些系统级创新针对的是AI Agent和推理场景的特殊需求。Agent沙箱需要快速启动、隔离运行、高效检索，鲲鹏超节点的统一内存池和全光组网能够显著提升这些操作的效率。OceanStor M900集群的PB级KV缓存和一跳直连技术，则针对大模型推理中的KV Cache访问瓶颈，提升推理吞吐和响应速度。

阿里方面，基于首创的全模块化设计架构CUBE 5.0，建设成本降低10%以上，单位面积算力密度达到上一代的5至10倍。五大系统在工厂并行制造后预调至集装箱，实现了算力基础设施的模块化交付。模块化交付的意义在于缩短建设周期、降低现场施工难度、提高部署一致性。传统数据中心建设周期长、现场工程复杂，而集装箱式模块化交付可以将大部分制造和预调工作放在工厂完成，现场只需吊装、连接水电和网络即可投入使用。这对于快速扩张算力规模、应对AI需求爆发至关重要。

四、算电协同：算力扩张的底层约束与政策护航

国产算力的规模化扩张，离不开电力与政策的双重支撑。算力基础设施是典型的高耗能产业，一个十万卡级AI集群的功耗可达数十兆瓦甚至上百兆瓦，相当于一座中小型城市的用电负荷。如果电力供给不稳定、电价过高，算力运营成本将难以控制。因此，算电协同成为算力产业可持续发展的关键。

9月28日，国务院国资委规划发展局局长戴希在国新办新闻发布会上表示，“十五五”时期，中央企业要继续加大算力网投资力度，合理布局、有序建设生态友好型的计算中心；深化算电协同算网融合，加快落地更多的绿电直连项目，推动人工智能和能源双向赋能。这一政策表述传递了两个关键信号。**，“算力网”被提升至与电网、交通网并列的基础设施高度，央企将成为算力网建设的主力军。第二，“算电协同”被明确为下一阶段的重点方向，意味着算力扩张将不再是单纯的GPU堆叠，而是需要与能源供给进行系统性协调。

政策端的持续加码为国产算力的长期扩张提供了制度性保障。与此同时，中国首个储算一体化项目已在内蒙古包头正式开工，通过储能电站与分布式智算中心协同建设，构建“输入电力、输出词元”的绿色产业闭环。算力基础设施正在从单一的计算中心向“算力+能源+网络”的综合体系演进。储算一体化项目的意义在于，它试图解决算力与电力之间的时空错配问题。风电、光伏等新能源发电具有波动性，而AI训练和推理需要稳定电力。通过储能电站，可以在电价低谷或新能源发电高峰时储电，在算力高峰时释放；通过分布式智算中心，可以就近消纳绿电，降低输电损耗。这种模式如果能够规模化复制，将显著改善算力中心的能源结构，降低碳排放和用电成本。

五、产业链共振：从芯片到液冷的全面受益

国产算力的突破正在带动整个产业链的共振。在液冷散热领域，中金公司测算，2026年全球智算中心液冷市场规模约为1147亿元，同比大增273%。随着GPU功率密度不断提升，传统风冷已经难以满足散热需求，液冷成为高密度算力中心的必然选择。液冷不仅能够提升散热效率，还能降低PUE，减少能耗。中科曙光发布的曙光8000登峰集群，是我国首个实现全自主可控的十万卡级人工智能超算系统，采用浸没式相变液冷技术，代表了国产超算在散热技术上的前沿探索。南网数字的高效液冷算力系列产品，数据中心浸没式液冷系统PUE低至1.086，冷板式液冷系统PUE达1.133，较水冷/风冷系统能耗降低30%以上。PUE越低，意味着用于散热的电力占比越小，算力中心的能源利用效率越高。浸没式液冷PUE低至1.086，已经接近理论极限，显示出国产液冷技术的成熟度。

在超算领域，清华大学计算机系高性能所“八卦炉2”获评2026中国算力大会**学术论文，展示了国产超算在学术前沿的持续探索。学术研究是产业创新的源头，国产超算在学术领域的突破，将为工业级算力系统提供算法、调度、容错等方面的理论支撑。

从投资端看，算力产业链的大单频现。行云科技全资子公司签署了5年期、含税总金额8.72亿元的智算资源租赁服务合同；光环新网拟对和林格尔智算中心项目追加投资12.65亿元，投资总额增至25亿元；迅策科技股东大会通过了不超过120亿元建设AI推理与计算中心的议案。这些大单和投资计划表明，产业资本对算力基础设施的长期需求保持乐观。算力租赁、数据中心建设、AI推理中心等环节都在吸引大量资金进入。与此同时，服务器、光模块、网络设备、电源、温控等上游环节也将受益于算力资本开支的增长。

结语：国产算力的“系统级突破”

从真武V900到昇腾960，从千卡超节点到百万卡集群，从芯片自研到生态开源，国产算力正在经历一场从点到面的系统性突破。这场突破的核心不在于单点性能的超越，而在于系统架构的创新——通过超节点互联、全栈协同、算电融合，在制程受限的条件下走出了一条差异化的技术路径。

正如新华网所评价的那样，国产算力正从应用层的追赶，转向技术、标准、模式的纵深突破，一场由“根”处发力的破壁之变已然开启。当算力网被纳入国家新型基础设施体系，当央企成为算力投资的主力军，当开源生态跨越“可用”走向“易用”，国产算力的天花板正在被不断抬高。这不仅是技术层面的进步，更是中国在全球AI算力竞争格局中话语权的实质性提升。未来，随着更多国产芯片、超节点、集群和生态成果落地，中国算力产业有望从“跟随者”转变为“并行者”，并在部分领域成为“引领者”。而这一切，才刚刚开始。