首个全国产十万卡AI超集群落地！对话中科曙光高级副总裁李斌

智东西
作者 杨京丽
编辑 李水青

智东西7月10日报道，今日，在光合组织2026智能计算应用大会上，中国首个全国产十万卡AI超集群曙光8000（登峰）落成，并同步接入国家超算互联网。国产AI基础设施开始从万卡级迈向十万卡级部署阶段。

目前，曙光8000已完成300余项超智融合应用优化，超过70个应用实现万卡规模扩展。大会期间，曙光还与北京科学智能研究院达成战略合作，启动第二套全国产十万卡超智融合算力系统研制与建设，十万卡级算力中心开始走向规模化复制。此外，光合组织还推出“开放计算Token谱系”计划，推动Token转化成生产力。

会后，中科曙光高级副总裁李斌在接受智东西等媒体采访时提到，下一套十万卡系统会更有侧重性，增强对AI4S（AI for Science）等融合场景的支持能力。

随着大模型、AI4S和智能体应用加速发展，十万卡级AI超集群的考验，已经从算力规模延伸到系统效率、可靠性和应用支撑能力。

一、十万卡超集群落地，曙光8000完成全链路国产化验证

曙光8000（登峰）采用“超智融合”技术路线，面向高精度科学计算和低精度智能计算的复合需求，实现全类型计算原生一体化融合，支持FP64到INT8全精度，可覆盖科学计算、大模型训练、AI推理、工业仿真等科研和产业场景。

曙光8000的研制与部署经历了多个阶段：2024年完成系统研制，2025年完成工程建设，2026年2月3万卡上线试运行，2026年4月6万卡投入使用，2026年6月完成10万卡部署。

在系统建设上，曙光8000具备“芯片、计算、存储、网络、散热、应用、服务”全链路AI基础设施能力。其中，海光等国产芯片为系统提供底层支撑；scaleFabric类IB原生RDMA高速网络实现十万卡集群高可靠连接；ParaStor分布式存储支撑大模型训练和科学计算中的海量数据读写；浸没式相变液冷技术则支撑高功率密度部署，并提升集群能效。

二、接入国家超算互联网，300余项应用完成优化

曙光8000正式落成后，同步接入国家超算互联网。依托全国一体化算网，相关算力资源将面向科研高校、企业及个人用户开放普惠、高效、便捷的算力服务。

目前，在十万卡核心节点上，曙光8000已完成300余项超智融合应用优化，涵盖大模型、机器人、汽车、创新药、新材料、量子计算、天文气象等二十余领域。其中，超过70个应用实现万卡规模扩展，验证了核心节点在大规模、高负荷科研任务中的稳定性与可靠性。

在重点大应用方面，曙光8000已支撑蛋白质折叠模拟、万亿原子级水分子动力学模拟、百万亿网格湍流模拟等任务。这些应用分别指向生命科学、材料模拟、流体仿真和高端装备研发等场景，也说明国产算力正在进入真实科研任务。

大会期间，曙光还与北京科学智能研究院达成战略合作，启动第二套全国产十万卡超智融合算力系统研制与建设。面向AI4S、大模型等大规模算力需求，十万卡级全精度算力中心有望从示范性工程走向规模化复制。

三、李斌：下一套十万卡系统将会更聚焦AI4S

会后，中科曙光高级副总裁李斌，中科曙光北京公司总裁助理、分布式存储产品部总经理石静和中科曙光北京公司副总裁‌李柳接受智东西等媒体采访。

针对智东西提出的“第二套全国产十万卡超智融合算力系统，接下来主要会在哪些方面升级”这一问题，李斌称，下一套十万卡系统会更有侧重性，可能会更聚焦AI4S本身，增强对这类融合场景的支持能力。“超智融合是一个大的方向，后面的系统也会沿着这个方向继续迭代。”李斌提到，未来希望与国内做AI4S的顶尖科学家，针对未来算法方向探讨，更有针对性地做设计优化。

谈到十万卡集群建设难度，李斌认为，从万卡到十万卡“确实有很多挑战，不是简单乘10倍”。最大的难点来自规模扩大之后带来的问题。第一是能不能跑出系统应有的性能和效率，因为大规模科学计算和大模型训练都需要大量算力单元高度协同，系统中任何计算、网络或设计上的短板，都会影响性能发挥。

第二个挑战是可靠性。李斌说，规模变大后，元器件和部件数量增加，故障也会相应增加；同时，系统结构本身变得更复杂，也会增加可靠性难度。因此，曙光8000在研制过程中需要把单点能力做好，从小部件、板卡到整机系统，都要进一步提高可靠性。

对于算力供需问题，李斌认为，算力短缺或过剩可能存在阶段性、周期性变化，但从结构性来看，过去几年总体仍处于算力不足的状态。他提到，这一轮算力需求主要由AI带来，如果AI逻辑能够持续向前走，算力需求仍会继续存在。

结语：国产AI基础设施进入规模化复制阶段

曙光8000的落成，意味着国产AI基础设施已经跨过十万卡级部署的关键节点。但十万卡不是终点，真正的考验在于系统能否长期稳定运行、支撑复杂科研任务，让算力进入更多真实应用场景。

从全国产十万卡AI超集群落成，到接入国家超算互联网，再到第二套十万卡系统启动研制，国产算力正在从单点工程走向规模化复制。随着AI4S、大模型和智能体应用持续推进，下一阶段AI基础设施竞争，也将从“能建多大规模”，进一步转向“能跑多复杂任务、能支撑多少应用、能创造多少价值”。