Token经济时代，超节点如何重塑AI算力供给？

21世纪经济报道记者雷晨 北京报道

2026年春天，一款名为OpenClaw（龙虾）的智能体应用突然走红，它不再局限于对话，而是试图接管用户的终端操作。

这种能力跃升，也让算力供给的深层矛盾浮出水面。当人工智能从训练为主转向推理与服务为主，背后的算力基础设施，正面临一场系统性重构。

3月26日，中科曙光在中关村论坛现场发布的世界首个无线缆箱式超节点scaleX40。中科曙光高级副总裁李斌对21世纪经济报道等媒体表示，“我们希望填补市场空缺，在高端训练场景与主流8卡服务器之间找到一个最佳收益点，真正让Token产出更加普惠化”。

在他看来，随着智能体应用爆发，算力系统正从传统的“算力工厂”转向以Token产出为核心的标准化服务，算力增长需求将是无限的。

AI产业进入落地期，模型应用从大型机构向中小企业和垂直行业扩散，算力的使用方式也在发生根本性转变。训练场景集中于少数大模型研发机构，而推理场景则覆盖大量行业用户。算力系统的核心任务，正从支撑模型训练，转向提供持续稳定的推理服务。

如今，行业对算力系统的评价不再只看峰值算力和芯片数量，而是更关注单位投入下的Token产出与服务稳定性。Token作为大模型处理信息、响应用户请求的基本单元，直接决定了用户的响应速度和并发访问稳定性。

李斌指出：“算力基础设施正在从算力工厂转向Token工厂，系统的价值由Token产出能力决定。”

他进一步解释道，算力运营机构需要平衡单个Token响应速度与整体并发吞吐量，在硬件投入、电力消耗和服务质量之间找到合理的区间。“普惠算力的直观表现，就是用户以相近成本，获得数倍于传统方案的收益。”

据李斌介绍，传统的算力评价体系以硬件参数为核心，与实际业务收益存在脱节。训练场景需要大规模、高互连密度的算力集群，而推理场景则对成本、部署灵活性和运维难度提出了更高要求。当前市场上，面向顶级训练场景的超节点配置往往过剩，采购与使用成本高昂，并不适用于推理场景；而主流的8卡服务器在互连带宽、显存调度和多卡协同方面存在明显瓶颈。两类产品之间，长期缺少适配大多数行业推理需求的中间方案。

相关专家也指出，推理市场在AI算力支出中的占比持续提升，预计到2028年成为市场主体。大模型进入行业落地阶段，推理算力需求增速已超过训练算力。

Token经济的核心，正是实现算力投入与业务收益的直接挂钩。李斌强调：“算力系统的主要服务对象，已经从支撑模型训练为主，转变为以服务推理为主。AI产业的发展，正在从技术驱动转向商业驱动。”

超节点是通过高速片间互连实现的紧耦合计算单元，早期主要用于解决大规模模型训练的通信瓶颈。传统的超节点以定制机柜为主体，对机房供电、散热和空间都有专门要求，部署流程复杂，运维门槛高，应用场景相对受限。

近两年，随着推理需求的爆发，产业界开始重新思考超节点的产品形态：能否在保持性能优势的同时，降低部署和使用门槛，使其适配更广泛的行业场景？

这一思考体现在中科曙光产品配置的选择上。李斌对21世纪经济报道等媒体解释：“当前主流模型与行业场景，需要在多卡配置中找到性价比平衡点。32卡是行业常用模式，40卡可以在保持部署灵活性的同时，提供额外算力冗余，更适合实际生产环境。”

在技术路径上，行业正在探索更优的互连方案。传统的节点间互连依赖铜缆或光缆，线缆数量多、布线复杂，既增加了散热压力，也抬高了故障概率。何水兵提到：“网络连接是集群部署中的主要故障点之一。”针对这一问题，一些厂商开始尝试无线缆正交架构，取消节点间的外部物理线缆，采用内部总线与正交连接方式，以减少物理连接带来的故障隐患。

互连架构的优化也在同步推进。与传统的二层组网相比，一级全互连架构能够显著缩短芯片间的通信路径，降低时延，提升带宽。更重要的是，这种架构支持内存语义访问，芯片之间可直接寻址交互，无需经过传统网络协议封装和传输。对于大模型推理中的多卡协同、显存共享和KV Cache调度而言，这种架构具备天然优势。

部署方式的变化同样关键。传统超节点往往需要定制机柜和专门的机房改造，周期长、成本高。而中科曙光新型超节点采用19英寸标准设计，尺寸符合通用机柜规范，可直接部署在现有数据中心，使用标准的供电和散热设备。标准化设计让中小规模用户无需改造机房，即可完成私有化部署，缩短上线周期。”

这些技术突破，让超节点具备了低成本、易部署、高性能的普及化能力。而供给端的变革，恰好迎来了需求端的爆发。

2026年，OpenClaw等智能体应用快速推广，AI的使用门槛进一步降低。智能体可自主完成任务规划、信息调用和多轮交互，对算力的需求呈现出全新特征：Token消耗量随任务复杂度上升，交互连续性要求提高，数据安全与隐私合规需求增强，共同推动算力部署模式从集中公共算力，向公共算力与私域算力并存的格局转变。

首先是Token需求规模的指数级扩大。李斌在采访中提到：“OpenClaw（爆火）以来，Token消耗翻了多少倍？算力输出变得标准化之后，增长需求是无限的。”智能体在执行跨平台操作、长流程任务、多轮对话时，需要持续调用模型能力，上下文长度与交互次数大幅增加。

其次是私域算力部署需求的明显上升。曙光信息产业（北京）有限公司副总裁李柳表示：“私域算力是未来重要方向，数据安全是行业选择私有化部署的主要原因。垂直行业的数据量与模型参数规模适中，40卡级超节点既可满足需求，又能保持部署灵活性。”智能体在处理企业内部数据、业务流程和敏感信息时，数据不能外流，公共云服务难以完全满足合规要求。科研、教育、政府、网络安全等行业，对数据私密性有严格要求，更倾向于采用私有化部署的算力系统。

第三是算力易用性要求的大幅提升。李斌指出，超节点普及的重要条件是“降低部署门槛”。中小企业与传统行业普遍缺少专业的AI运维团队，算力设备需要具备开箱即用、低维护、高稳定的特点。

谈及智能体的发展趋势，李斌表示，“智能体技术迭代速度很快，半年到一年的周期就能上来。安全性与普惠性是行业需要解决的核心问题。”他进一步指出，用户既担心权限开放带来的安全风险，又希望使用成本能够下降。“解决这个问题需要两个条件：一是算力普惠降低使用成本，为智能体普及提供基础支撑；二是通过技术优化与规则约束，降低安全风险。”

从行业发展来看，算力需求有望保持长期增长。李柳指出，AI应用正从互联网行业向制造、能源、政务、医疗等传统行业扩散，各行业都有私有化、定制化的算力需求。他同时提到，集中式大型算力中心承担大模型训练与公共服务，分布式私域算力承接行业应用与数据合规需求，两种形态相互补充。而超节点凭借其紧耦合、高集成、标准化的特点，同时适配两种部署模式，正在成为连接训练与推理、公共与私域的关键算力单元。