国产算力公司「各自为战」，曙光如何打通协作壁垒？

是什么契机，让国内耳熟能详的算力相关公司都济济一堂？

在2025世界智能产业博览会的AI计算开放架构暨新品发布会上，国产算力友商们拥有了某种向心力。而串联起他们的核心纽带，正是中科曙光发布的国内首个AI计算开放架构。

此次发布中，中科曙光协同AI芯片、AI整机、大模型等20多家产业链上下游企业，共同推出AI超集群系统。在开放多项技术能力的同时，也宣布依托国家先进计算产业创新中心，启动 “AI计算开放架构联合实验室” 的建设。

算力厂商们的集体亮相，背后也藏着大家对当前国内算力市场困局的共同焦虑：行业过去“强竞争、弱合作”，导致国内基础设施市场虽然火热，但不同厂商的服务器、存储设备、算力调度平台大多采用专有接口与协议，缺乏统一技术标准，从而难以形成合力，突破瓶颈。

那么，对当下的国内算力生态而言，曙光的这步尝试究竟价值何在？为了推动这场突破，他们又做了哪些准备？

算力产业链环节细分，内部却是“一盘散沙”

在外部生态护城河难以攻克之时，内部算力厂商却仍各自为战、缺乏协同，这是国内算力市场的一大瓶颈。

而这种局面的出现，一大原因是GPU领域内大量不同的品牌、厂商，彼此之间不同的算力密度、互联方式以及生态体系差别，筑起的异构壁垒。

2023年前后，异构问题的解决被越来越多厂商提上日程。然而，目前的尝试并不尽如人意——

在技术上，不同芯片算子库不同，运行时的技术适配差异会增大整合难度；同时，异构的协调需要对GPU性能进行预测及拆分，甚至涉及硬件协调。

在生态上，中科曙光总裁助理、智能计算产品事业部总经理杜夏威向雷峰网介绍，行业已习惯在国际主流生态的框架下运行，现有惯性难以打破；且产业迭代速度极快、技术更新频繁之下，AI各个产业板块发展都很活跃，这导致“齿轮”之间并没有严丝合缝协同。

这些问题没有解决，目前的异构混训就依然会对效率造成莫大牺牲——有业内人士指出，随着AI加速卡数量的增加和不同芯片类型加入，混训的鲁棒性和稳定性都会变差。杜夏威观察到“人们对打破壁垒的未知恐惧普遍存在”，但市场对厂商迈出这一步的需求，已迫在眉睫。

杜夏威指出，云计算时代，客户的起步往往较云计算提供商晚，市场教育周期可能较长；而在AI大模型时代，客户接受度极高，快速增长的海量需求反推数据中心的运营革新，市场正倒逼厂商啃下异构集群统一标准的“硬骨头”。

虽然有观点认为，异构需求只是国产芯片提升性能过程中的过渡性阶段，智算中心最终还是会回归到同构的基础架构；然而，在未来算力市场发展的短期内，异构需求只会有增无减：

一方面，数据中心的国产化比例要求逐渐严格，以前国产卡比例在数据中心内可能只占两成，但今年窗口指导等相关政策颁布后，未来可能有所升高。

另一方面，部分使用先进算力加国产化算力的组合集群的大模型客户，也明确拥有对混训能力的要求。

有见及此，2025智博会上，中科曙光协同AI芯片、AI整机、大模型等20多家产业链上下游企业，共同发布了国内首个AI计算开放架构，并基于该架构推出AI超集群系统。

这套超集群单机柜支持96张加速卡，可提供超过100P的AI算力，最高能够实现百万卡大规模扩展。它还能支持深度开发用户迭代自有程序，同时帮助传统行业用户快速复用AI模型、整合业务。

与专有封闭系统相比，这套系统可适配支持多品牌GPU加速卡，兼容CUDA等主流软件生态，为用户提供更多选择；同时也大幅降低硬件成本和软件开发适配成本，使得前期投资压力较小。

并且，曙光也携手众多产业链企业开放七项核心技术，包括CPU与AI加速器高性能接口协议、加速器互连协议，液冷基础设施层面的规范，以及软件栈的整合经验等。

“这个AI超集群最大的特点，就是多元化和包容化”，杜夏威说道。在他看来，异构并非局限地理解为把多个品牌揉在一个系统下，而是寻找大家在整个系统化工程中擅长的部分，尝试通过深度合作来形成对产业的良好支撑。

而曙光能成为开放架构号召人的角色，正源自其多年来的实验积累。

中科曙光高级副总裁李斌说道，过去十年，中科曙光建设了20多个大规模算力集群，累计部署超50万张异构加速卡。从大型机到集群，从小规模算力到超大规模算力系统，曙光在产业链各层级的沉淀，令其足以起串联上下游。

这种串联，一方面能让各个环节的算力公司不再“重复造轮子”，减少为多种不同架构重复研发的无效过程；另一方面，也能在当前国内算力供需匹配不足的情况下，有效整合起分散的算力资源。

不过，让算力资源有效运转的条件之一，是要保障集群能长久稳定地基础运营。为此，曙光做的准备远不止这些。

做好模型训练中的“脏活累活”

智博会上，中科曙光展台正中间立着AI超集群产品，其存储、液冷、生态等板块的细分展区分布四周，将其簇拥其中。

据介绍，这套AI超集群千卡集群大模型训推性能达到业界主流水平的2.3倍，其完善的工具链和软件栈能把开发效率提升4倍，人力和时间投入降低70%。

GPU时代对软硬件的协同优化提出更高要求，杜夏威说道，曙光的这套架构，也涵盖了资源运管调度、下层并行化等策略，以及专家并行、PD分离等技术，确保底层算力高效发挥。同时，也对底层通信库、算子库进行优化，能做到以软件栈的形态交付服务。

而在存算方面，曙光也提出了“以存提算”、存算一体，通过Burstbuffer数据缓存的使用，结合超级隧道降低交互，保障数据IO以及传输有自己高效的专属通道，让GPU算力效能增加了55%。

此外，那些在大模型时代发展早期被有意回避的“脏活累活”——提高稳定性、减少故障率、缩短故障恢复时间——反而成了曙光新品的亮眼名片：

在曙光的这套新集群中，其平均无故障时间（MTBF）提高了2.1倍，平均故障修复时间（MTTR）降低到原来的47%等。“把不影响原有业务运转的故障替换技术，逐步释放到整个AI超集群中”，是曙光下一步发展的目标。

高温，也是大集群稳定运行的一大克星。一般来说，芯片工作温度每升高10度，失效率就会翻倍。曙光数创CTO张鹏算了这样一笔账：目前，曙光通过液冷能做到PUE 1.04，相当于每带走100个单位的热量，只需额外花费4个单位的能量；而以往风冷的能量比效率只是1:1，相比起来，液冷的能耗节省非常明显。

不过，在冷板、浸没、喷淋三大液冷路线中，冷板虽先行落地成为主流，但面对目前已达1000w级GPU运行时的“热浪”，已有些捉襟见肘。

要让芯片算力得以充分释放，下一扇需要开启的门是“浸没”。而曙光已经率先握住了这把钥匙。

中科曙光在展会现场展出的相变浸没液冷设备，令雷峰网印象深刻——

透过玻璃视窗，可以看到8块GPU和2块CPU浸泡在无色液体中。细密的气泡从芯片上覆盖而过，旋即升腾、折向右侧，形成稳定而精确的“蒸汽轨道”。

据现场工作人员介绍，这些特殊液体的沸腾温度仅在50度左右，远低于芯片运行时80-90度的工作温度。于是，在持续的沸腾中，热量便被汽化的小气泡裹挟带走、随后消散。

做大型机和集群起家的曙光，从2011年就开始布局静默式冷板液冷，在2015年量产TC40冷板式高密度服务器。尽管如此，张鹏还是感慨，数据中心需求迅猛增长的这几年，已经对液冷发展提出近乎苛刻的高要求：

现在的智算中心比起传统通用数据中心，负载变化率很快——在训练和推理中，一个回车按下的毫秒里，所有需求就要达到满载。与此同时，单机柜功率密度在短短几年内从60千瓦，飙升至200千瓦甚至300千瓦。

曙光的这场发布，是一次团结国内算力生态的初尝试，具体效果有待时间检验，但至少，在“苹果生态”为王的算力市场里，他们已经打响构建“安卓生态”的第一枪。