WAIC最安静的展品，和750个轰鸣的机房

摘要：

产品做出来，和有人真的拿来跑核心业务，是完全不同的两回事。

凤凰网科技 出品

作者｜杨乐多

编辑｜刘毓坤

WAIC 今年评了 10 件镇馆之宝。

9 件在你面前。会跳舞的机器人，能聊天的数字人，写代码的 Agent。拍照，互动，发朋友圈。

而位于 H2 馆 A101 展区那件，你得走过去才注意到，是一排机柜。这排机柜是昇腾 Atlas 950 SuperPoD，1024 张 NPU 卡在里面运行。没有交互界面，很少有人排队合影，它就那么亮着灯，路过的人扫一眼，可能就去找隔壁会动的机器人了。

问题是：一个机柜，凭什么评上镇馆之宝？

答案不在展台上。

AI 进入 Agent 时代，算力撞墙了

过去你跟 AI 聊天，你说一句，它回一句，一台机器就够用。

现在不一样了。你打开一个 Agent，说帮我订张去上海的机票。它要同时查航班、比价格、读退改规则、填乘客信息、调日历确认时间。十几件事并行推进，每一步都在计算，且用户对延迟的容忍度极低。

这时候加更多机器反而更慢。因为节点增加后，多机之间的通信延迟会急剧上升。你以为算力在跑模型，实际上大量时间耗在机器之间的数据搬运上。业界把这叫通信墙，机器算得再快，多机互联效率低，整体算力就会打折扣。

还有另一个瓶颈。大模型动辄万亿参数，MoE 架构的模型甚至朝着十万亿发展。一台机器的内存装不下整个模型，必须切开分到不同机器上。一旦切开，每次调用都要跨机搬运数据，导致显存利用率下降。业界管这叫显存墙。

通信墙影响协同效率，显存墙限制模型规模。两堵墙的解法其实是同一个：把多台独立的机器，在物理和逻辑上整合成一个计算单元。

超节点就是这么来的。

昇腾 Atlas 950 SuperPoD，简单说就是通过一套叫灵衢的高速互联协议，把 1024 张卡拼成一台计算机。由此实现了 1024 张卡共享同一段内存空间，不再各算各的再汇总。

还有两个关键词：256TB 统一编址。这意味着万亿参数的 MoE 模型跑在上面，跟跑在一张卡上一样流畅。跨机柜的数据搬运开销，被架构本身消化。通信墙和显存墙，同时被这一架构解决。

Atlas 950 SuperPoD 这次在 WAIC 做真机首展。单柜 64 卡，最大可扩展至 1024 卡，是业界目前最大规模的超节点。

这些数字背后真正的信号是什么？

过去五年，算力竞争围绕单卡性能展开，谁的制程更先进，谁的峰值算力更高。但 Agent 时代到来之后，模型规模突破单机极限，推理需求成倍增长，决定 AI 能跑多远的已经不是单卡速度，而是千卡能否像单卡一样协同工作。

可以看到，赛道已经在变化。

750 套跑通之后

产品做出来，和有人真的拿来跑核心业务，是完全不同的两回事。

Atlas 950 SuperPoD 虽然在展台上是第一次亮相，但昇腾超节点技术在市场上不是新面孔。这届WAIC上，鹏城实验室与全球计算联盟联合发布的《超节点定义与实践白皮书》明确提出，超节点已成为AI基础设施建设全新范式。其核心在于通过跨物理节点的统一内存编址，把多台独立机器在逻辑上变成一台计算机来调度，这恰恰解决了Agent时代最棘手的通信墙和显存墙问题。

更值得一提的是，上一代 384 卡超节点已经累计发货 750 套，每一套都是签了合同、付了钱、在生产环境里运行着的。覆盖互联网、运营商、金融、教育、医疗、交通、制造等 20 多个行业。

目前中国市场上规模商用的超节点方案，仅此一家。

750 套意味着什么？这已经过了需要推广的阶段，市场已经用订单验证过了。750 套证明的是跑得稳、用得起、回得来。

但规模商用只是第一步。算力生态要真正确立竞争壁垒，还需要行业标准与技术生态两根柱子协同支撑。

第一根柱子是行业标准，本届 WAIC 上，GCC 全球计算联盟联合鹏城实验室发布了《超节点定义与实践白皮书》，中国首次有了自己的超节点产业标准。这份文件定义了超节点的概念、架构特征和技术边界。标准这件事容易被当成一份技术文档略过去，但它是产业最底层的竞争。谁定义标准，后来者就按谁的规则走。中国从追赶标准到拿出标准，这个角色切换本身就是信号。

第二根柱子是技术生态，CANN 是昇腾的软件底座，角色类似 NVIDIA 的 CUDA，而今天CANN 已全面开源，67 个社区项目，1244 万行代码，月活超过 3500 位开发者。兼容 Triton、PyTorch、vLLM、SGLang，支持 600 多个开源生态算子。一个今天用 PyTorch 写模型、用 vLLM 做推理的开发者，明天切到昇腾上，工具链不用换，习惯不用改。

产品跑通了，标准立住了，生态打开了。三个条件在 2026 年同时到位。

接下来的问题是，谁已经把核心业务放上来了？

最输不起的两类用户

750 套里，有两类用户值得关注。体量未必最大，但他们对技术故障的容忍度最低。

先说国泰君安。

这是国内证券行业最大的液冷数据中心之一，核心 AI 负载运行在昇腾超节点上。券商对算力的要求与互联网公司完全不同。互联网追求快，响应再快一点，吞吐再高一点。券商第一要求是不出错。交易系统崩一秒，后果是可量化的资金损失；风控模型慢一分钟，风险敞口就多暴露一分钟。

金融行业选算力底座，从来不选参数跑分最高的，看的是谁已经经过足够长时间的稳定运行验证，谁有足够多的同行在用，出了问题是否有完善的兜底机制。

国泰君安把 AI 核心负载放上来，这个信号本身就比任何性能白皮书都有说服力。你跟券商讲参数，它不听；它只看你在谁家已经跑过，跑了多久，出没出过事。

除了金融风控，长周期科学计算对算力稳定性的要求同样苛刻，智源研究院则是另一个维度的案例。

智源研究院用昇腾超节点运行 Brainμ 神经科学大模型，基于 7 万多晚睡眠脑电数据，进行跨个体、跨模态分析，连续 10 个月稳定运转。今年 6 月，这项研究联合清华大学发表在 Science 上，首次证实睡眠中的记忆重激活可以反向调控睡眠结构，推翻了睡眠是被动恢复过程的传统认知。

这个过程中，科学家不需要瞬时峰值性能，需要的是连续 10 个月、每天面对不同实验条件的新数据，分析结果始终可靠。Brainμ 的分析结果经过超 3000 晚的人工双盲验证，与神经科学博士高度一致。Science 不会因为你的算力底座稳定就发论文，但底座不稳定，10 个月的实验数据出一次差错，论文就发不出来。

同一个底座上还运行着其他成果。中科大灵境造物用昇腾做新材料创制，消防服隔热能力提升 21 倍，直接关系到一线消防员的生命安全。中科院磐石 100 用昇腾做太阳耀斑预警，对 X 级耀斑实现 100% 捕获、零漏报。2003 年那次导致日本卫星损毁和瑞典电网崩溃的 X28 级耀斑，如果当时有这个系统，就能提前预警。

金融场景要求不能出错，科研要求长期撑得住。这两种严苛的业务需求，昇腾超节点都通过了实践检验。

拐点即起点

过去五年，AI 算力领域的叙事围绕一个字：快。制程更先进，峰值算力更高，带宽更大，每一代产品都在数字上追赶。

Atlas 950 SuperPoD 的亮相和 750 套商用同时出现在这届 WAIC 上，传递了一个不太一样的信号：单品性能竞赛的天花板已经可见，系统效率的竞争刚刚开始。

GCC 白皮书把超节点的定义写进了产业标准，CANN 的开源代码每天被下载 6 万多次，全国各地机房里的机器不分昼夜地运转。这些事实合在一起，指向同一个判断：AI 算力竞争的主战场，正在从芯片转向系统。

判断一项技术是否真的到了临界点，不看展台上的灯亮不亮。要看它离开展台之后，还能不能自己走下去。

2026 年，国产超节点过了这道门。