昇思MindSpore实现超节点的「类单机开发体验」的三项关键能力

当大模型进入十万亿参数、长序列、稀疏化和非规则结构并行发展的阶段，AI算力基础设施正在发生一次根本性变化：从传统服务器集群，演进为以高速互联为核心的超节点架构。

2025年12月25日，昇思人工智能框架峰会在杭州召开。大会以“昇思MindSpore为超节点而生的AI框架”为主题，来自产业界、学术界和开源社区的多位嘉宾，从不同角度给出了一个共同判断：AI基础设施已经进入超节点时代，而AI框架正站在范式切换的临界点上。

超节点不再只是多台服务器的简单堆叠，而是通过高速互联，在逻辑层面“像一台机器一样学习、思考和推理”，具备资源池化、对等架构与网络拓扑分层多样的特征。

昇思MindSpore开源社区技术委员会主席金雪锋在演讲中指出，大模型的演进正在同时带来三重挑战：

• 一是模型规模持续增长，片上内存压力急剧上升；

• 二是模型结构从单一语言模型走向全模态，子模型组合更加复杂、不规则；

• 三是训推范式趋于异构，训练、推理与Agent运行需要协同编排。

金雪锋说，正是这些变化，推动AI基础设施从“服务器集群时代”迈入“超节点时代”，AI框架将迎来新的架构范式。

昇思MindSpore给出的答案是，把超节点当作一台“超级计算机”，在框架层面统一编程和调度，而不是让开发者直接面对复杂的集群拓扑和并行细节。

这一判断，也成为昇思MindSpore提出“为超节点而生”的核心逻辑起点。

HyperParallel架构：把复杂并行留给框架

“很多人听过超节点，但并不真正理解超节点。”

在峰会之后的媒体沟通会上，现任昇思MindSpore开源社区理事长王紫东强调这一点。

在他的解释中，超节点并不是简单地把更多NPU卡堆在一起，而是通过超高带宽互联，让大量计算单元在逻辑层面形成一个高度耦合的整体。卡与卡之间不再是“慢速通信的邻居”，而是随时可调度的数据通路。

这一变化，直接服务于一个现实需求：模型太大了，大到必须极致并行。

当模型被切分到数百、数千张卡上时，真正的瓶颈已经不再是算力本身，而是：

•数据什么时候该在哪一张卡上

•状态何时迁移

•通信与计算如何重叠

•并行策略如何随模型结构变化而调整

“硬件的性能上限提高了，但如果软件跟不上，性能是用不出来的。”王紫东直言，超节点越强，对AI框架的要求反而越高。

昇思MindSpore提出了一个清晰而激进的定位——
把复杂留给自己，把简单留给开发者。

在传统集群时代，开发者往往需要手动理解并行策略、通信模式和硬件拓扑，而在超节点时代，这种模式已经不可持续。集群拓扑越来越复杂，节点规模越来越大，如果复杂性继续外溢到开发层，开发效率和稳定性将迅速崩塌。

MindSpore的选择，是让AI框架本身承担更多系统级责任，其目标，是让开发者在超节点复杂算力环境中仍能保持“类单机”的开发体验，而HyperParallel架构正是实现这一目标的关键。

金雪锋在峰会上系统拆解了HyperParallel的三项关键能力。

首先是 HyperOffload。

随着模型规模持续扩大，片上内存容量成为制约训练和推理的重要瓶颈。HyperOffload通过实现计算与状态分离，利用超节点的池化存储能力，将模型状态卸载到远端内存中，从而释放片上资源。在实际应用中，MindSpore给出的数据是：训练性能提升20%以上，推理支持的序列长度提升70%以上，这不是简单的“搬数据”，而是对计算时序的精确调度。

其次是 HyperMPMD。

SPMD曾经是AI并行的黄金标准，但在多模态、强化学习、Agent 等场景下，它开始显得僵硬。HyperMPMD推动并行从 “所有节点做同一件事”，走向 “不同节点做不同任务”，这种 MPMD 模式，充分利用了超节点对等互联的优势，让通算并发成为常态，在相关场景中，算力利用率可提升 15% 以上。

第三是 HyperShard。

在传统命令式并行编程中，算法、并行策略与集群架构高度耦合，新模型一旦出现，往往需要对并行方案进行大规模重构。HyperShard引入声明式并行编程方式，将算法与并行策略解耦，同时屏蔽底层超节点网络拓扑的复杂性。金雪锋表示，在这一模式下，新算法的并行化改造时间可以压缩到1天以内，并行策略调优从“天级”缩短至“小时级”。

从HyperOffload到HyperMPMD，再到HyperShard，昇思MindSpore的目标并非单点性能提升，而是让超节点的复杂性由框架消化，而不是由开发者承担。

五年开源积累：超节点能力为何离不开社区

MindSpore为什么“突然变好用了”？

现任昇思MindSpore开源社区理事长王紫东并没有从性能参数或功能列表切入，而是给出了一个并不“市场化”的判断标准——社区Issue的自闭环率。

在他看来，一个健康的AI框架社区，并不是依赖官方不断“救火”，而是开发者之间能够围绕问题展开讨论，自主定位原因、提交修复，并通过PR形成持续正反馈。“问题能不能在社区内部被解决，往往比解决得有多快更重要。”王紫东说。

也正是在这一意义上，他将MindSpore五年来最重要的成果，归结为两个字：社区。

华为于2020年3月28日正式开源昇思MindSpore。五年来，这一社区逐步形成规模效应：覆盖全球156个国家和地区，累计下载量超过1300万次，代码合入量超过12万次，核心贡献开发者超过5.2万人，并联合2000多家社区伙伴，孵化出3100多个行业应用。

这些数字本身并不新鲜，但它们背后所指向的，是一条已经被反复验证的路径——自主AI框架并非封闭体系，而可以通过开放协作，形成持续演进的技术能力。

时任昇思MindSpore开源社区理事长丁诚在峰会上表示，昇思始终坚持开放治理，践行“共建、共治、共享”的社区理念。一方面持续推进框架技术演进，另一方面也通过课程、竞赛和工程实践，支持AI人才从入门到深度参与开源生态，逐步成长为产业中的中坚力量。

当这种社区能力与超节点架构结合时，其价值开始在真实工程场景中显现。

中国工程院院士、中国商飞首席科学家吴光辉在演讲中介绍，中国商飞上海飞机设计研究院基于昇思MindSpore框架，推出了民机超临界翼型气动设计智能体“御风·智翼”，构建了基于工程经验的超临界翼型智能一站式解决方案。

吴光辉指出，大飞机是“工业皇冠上的明珠”，而飞机气动设计直接决定民用飞机的关键性能，通过将AI框架与工程经验深度结合，相关设计研发正在向更加智能化、一体化的方向演进。这一实践，也成为昇思MindSpore在复杂工程领域落地的一个缩影。

从服务器集群到超节点，从单一模型训练到多任务并行运行，AI 算力形态正在发生根本性变化。在这条变化曲线上，AI框架的角色也随之转变——它不再只是“让模型跑起来”的工具，而正在演变为连接算力、模型与应用的组织者。

昇思MindSpore给出的选择，是将超节点带来的复杂性尽可能收敛到框架内部，让开发者不必直接面对集群拓扑与并行细节，也不必在模型结构变化时反复推倒重来。

这种选择并不轻松。它意味着更重的系统工程投入、更长周期的技术积累，也意味着必须依托一个真实活跃的开源社区，在实践中不断校正方向。

但在超节点逐渐成为主流算力形态、Agent 与多任务运行走向常态的背景下，AI 框架是否具备“消化复杂性”的能力，正在成为新的分水岭。

或许正是在这个意义上，昇思 MindSpore 围绕超节点与开源展开的探索，并不是一次孤立的技术发布，而是一种关于AI框架如何参与下一轮算力演进的现实回答。

雷峰网（雷峰网）