算力的重要性，再度得以凸显。
近段时间，GLM 5.2、Kimi K3.0上新叠加DeepSeek投资人会议纪要外泄，将算力紧张的现实摆上了桌面。
这意味着，国产大模型要再进一步，必须迈过算力门槛。
围绕算力的争议一度平息，为何当下再掀波澜？国产算力走到哪一步了？超节点会成为破局的关键抓手吗？
01、算力门槛无法绕过
曾几何时，堆算力在全球风靡一时，被业界戏称为“力大飞砖”。
由于种种缘由，这条路在国内并不好走，算力紧张一直困扰着行业，直到DeepSeek面世，通过算法优化等手段降低了对算力的依赖，才打破了以往的粗放思维。
这之后，借助技术手段为算力做减法，成为行业的共识：灵活启动MoE架构的参数规模，可以减少单次推理的计算量；优化注意力机制，可以缓解长上下文的显存压力；借助开源模型打造垂直模型，可以减低模型的训练量……
毕竟，花小钱办大事是国人最喜闻乐见的操作。
此背景下，永远缺算力的叙事在国内逐渐沉寂了下去，而消除算力溢价的叙事大行其道，相关担忧的声音自然逐渐平息。
不曾想，国产大模型后来居上，纷纷跻身国际第 一梯队，随之而来的则是算力相对不足，不得不采取限购、涨价等措施以抑制越来越火旺的需求。
于是乎，另辟蹊径可以绕过算力门槛的逻辑破产了。
复盘来看，单次推理效率优化，不等于可以满足算力总需求，一旦需求量高企，令模型满负荷工作，算力就可能出现缺口。
以Kimi K3为例，模型参数高达2.8T，但为了提高效率单个Token只激活104B参数，通常情况下足以游刃有余，但Kimi K3出圈之后Token消耗激增，Token的总吞吐量也水涨船高，最终抬高了对算力的需求。
“伯虎财经”表示：“Kimi K3主打长程编程和Agent任务，一次任务不是问答一轮，而是模型反复读代码、调用工具、自我纠错，用户看到的是一个请求，后台可能跑了几十次推理。”
这个现象，高度契合经济学的杰文斯悖论。
百度百科显示，1865年经济学家威廉·斯坦利·杰文斯提出一个理论，当技术进步提高了资源利用效率之后，反而可能导致资源的总消耗量增加，而不是减少。
通俗易懂地说，大模型的推理成本下降了，但模型能力却在不断变强，可以满足更多、更复杂的应用场景，从而吸引越来越多用户入局，一旦边界彻底打开，基本盘就会越做越大，在需求激增之下，算力扩容成为必由之路。
其实，针对算力的基础建设一直没有放松。
公开资料显示，2025年国内智能算力规模为1590 ExaFLOPS，到了2026年上半年，智能算力规模达2185EFLOPS，同比增长177%，呈现爆发式增长。
02、超节点堪称大模型的最 佳搭子
智能算力规模爆发式增长背后，则是国产AI芯片走到了舞台中央。
譬如，昆仑芯发布了第四代AI芯片M100，主要针对大规模推理场景（尤其是MOE模型）进行优化设计，以全国产对标NVIDIA H20，主打高性价比推理应用。
摩根大通的数据显示，百度昆仑芯片收入预计将从2025年的约13亿元飙升至2026年的83亿元，同比增长超6倍。
再譬如，平头哥发布了新一代AI芯片真武M890，性能较上一代提升了3倍，可以满足更大的大模型训练及推理需求。
官方数据显示，真武AI芯片累计出货56万片，服务20多个行业的400多家客户，其中在智驾行业已部署超13万卡、客户涵盖小鹏、理想、蔚来等头部造车新势力。
一言以蔽之，国产AI芯片崛起为国产算力提供了“定心丸”。
尤为值得一提的是，超节点走出了实验室，成为国产AI芯片下一个新战场，也为国产算力带来更大的想象力。
所谓超节点，即将数张、数十张、数百张AI芯片融为一体，组成具备一台计算机特征的超级计算系统，从而大幅提升性能缩小与国外高端芯片的差距，并大幅降低Token的成本。
沐曦股份研发副总裁黄向军表示：“随着模型规模越来越大，尤其是万亿参数的大模型，客观上需要更大规模的GPU，通过高带宽连接在一起。此外，MOE的模型专家间的通信，无论是训练还是推理都要求延迟越低越好，超节点这个架构比普通的服务器更适合。”
需要注意的是，超节点并不是简单的堆芯片。
超节点的核心竞争力是借助超大带宽、超低时延、软硬协同等技术优势，最 大程度实现“高效率、低成本”夙愿，将字面算力变成可用算力。
CHIP实验室主任罗国昭表示：“一个2万亿参数的MoE模型往往需要同时调用多个专家网络，每完成一步推理，都需要不同GPU之间频繁交换数据。如果互联带宽不足，大量GPU不得不停下来等待数据同步，即使理论算力充足，也难以真正发挥出来。这也是业内常说的‘GPU不是在计算，而是在等待’。”
不难看出，超节点是解决当下算力紧张的最 优解。
尽管如此，作为新物种的超节点也面临诸多技术分歧，其中排在首位的就是规模到底多大合适，不同企业有不同的答案。
一种声音认为，节点越大越好。
随着大模型进入万亿参数时代、上下文长度突破千万以及并发推理持续增长，超节点走向百卡、千卡甚至万卡是必然的。
唯有大节点，才可以满足大模型的全场景需求。
这条技术路径的典型代表是昇腾，其推出的384卡超节点已销售了750多套，目前已迭代至1024卡超节点，实现了业界最 大的256TB跨物理节点的内存统一编址空间，且将推出8192卡超节点，进一步探索超节点的满配技术上限。
另外一种声音认为，节点越经济越好。
大模型既要高带宽、高性能，也要低时延、强稳定，因而需要进行平衡，更为重要的是配置的AI芯片数量相对较少，成本也会随之降低，适合中小企业的实际需求，避免出现算力浪费。
如此一来，小节点也大行其道。
这条技术路径的典型代表是浪潮信息，先是推出64卡超节点，契合小节点的主流路线，最新产品降为32卡。
浪潮信息副总裁赵帅表示：“我们自己内部用万亿大模型做AI Coding，效率绝 对比用千亿大模型好，这就是万亿参数大模型带来的价值，所以再次推出32卡产品，让更多企业真正用得起。”
总而言之，超节点最初并不受重视，随着交付能力的提升以及算力紧张的肉眼可见，一跃成为大模型的最 佳搭子，百度、阿里巴巴、浪潮信息、沐曦科技、摩尔线程等大大小小的玩具纷纷入局，为AI基础设施生态注入了新动力。
那么，国产算力破局正当时。
