🐼Pandaily•最新收集於 2h
WAIC 2026：中國 AI 運算轉向系統級超級節點
💡了解中國 AI 基礎設施轉向 10 萬張顯卡規模系統級超級節點的最新趨勢。
⚡ 30-Second TL;DR
有什麼變化
從以晶片為中心的競爭轉向系統級 AI 超級節點架構。
為什麼重要
此轉變標誌著中國國內 AI 供應鏈的成熟，可能減少大規模模型訓練對國外硬體的依賴。這意味著開發者未來需更針對在地化的系統級叢集架構進行優化。
下一步行動
評估您的分散式訓練框架與中國國產硬體叢集的相容性，以確保未來具備可擴展性。
誰應關注：Developers & AI Engineers
關鍵要點
- •從以晶片為中心的競爭轉向系統級 AI 超級節點架構。
- •展示了用於國內 AI 工作負載的 10 萬張顯卡規模運算叢集。
- •Sugon Dawn 與 Hygon 處理器在高效能運算環境中的整合應用。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •中國 AI 基礎設施策略已明確轉向『軟硬體協同設計』，強調透過互連技術（Interconnect）解決大規模叢集中的通訊瓶頸。
- •曙光（Sugon）推出的超級節點架構採用了液冷散熱技術，以應對單一節點高達數十千瓦的功耗需求。
- •海光（Hygon）處理器在本次叢集中導入了針對大語言模型（LLM）訓練優化的特定指令集擴展，提升了矩陣運算效率。
- •此次 10 萬張顯卡規模的叢集整合了國產分散式儲存系統，旨在解決大規模模型訓練中常見的 I/O 讀寫延遲問題。
- •WAIC 2026 期間發布的技術白皮書顯示，該系統級架構支援動態資源排程，可將不同規模的運算任務在異質晶片間進行負載平衡。
📊 競品分析▸ Show
| 特性 | 曙光/海光超級節點 | NVIDIA DGX SuperPOD | 華為昇騰 Atlas 900 |
|---|---|---|---|
| 核心架構 | 海光 DCU (類 GPGPU) | NVIDIA Blackwell GPU | 昇騰 Ascend NPU |
| 互連技術 | 自研高速互連協議 | NVLink / NVSwitch | 昇騰集群互連 (HCCS) |
| 生態系統 | 深度適配國產框架 | CUDA (全球標準) | MindSpore (昇思) |
| 適用場景 | 國內政企/科研 AI 訓練 | 全球通用 AI 訓練 | 國內大型模型訓練 |
🛠️ 技術深入
- 採用模組化超級節點設計，每個節點整合 8-16 張海光 DCU 運算卡。
- 支援 RDMA（遠端直接記憶體存取）技術，實現叢集內低延遲資料傳輸。
- 整合自研的 AI 運算排程軟體，支援對主流深度學習框架（如 PyTorch、MindSpore）的無縫遷移。
- 採用全液冷散熱方案，PUE（能源使用效率）指標控制在 1.15 以下。
- 支援多級記憶體層次結構，透過高頻寬記憶體（HBM）與大容量快取提升模型訓練吞吐量。
🔮 前景展望AI analysis grounded in cited sources
國產 AI 運算叢集將在 2027 年前實現對主流國際模型訓練效能的 80% 覆蓋率。
隨著系統級整合技術的成熟與軟體生態的完善，硬體效能瓶頸將逐步被軟體優化所彌補。
液冷技術將成為中國大型 AI 資料中心的標準配置。
高密度超級節點架構帶來的散熱需求，使得傳統氣冷方案已無法滿足能效與穩定性要求。
⏳ 時間線
2023-07
曙光發布基於海光處理器的 AI 運算伺服器系列，初步建立國產 AI 基礎設施雛形。
2024-07
WAIC 2024 期間，曙光展示了萬卡級 AI 運算叢集的初步測試成果。
2025-05
海光發布新一代 DCU 處理器，顯著提升了 FP8 精度下的運算效能。
2026-07
WAIC 2026 正式發表 10 萬張顯卡規模的系統級超級節點架構。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Pandaily ↗