央视《超级工程》揭秘：曙光8000十万颗芯片这样拧成一股绳

IT时报记者 孙妍

80多组高密度机柜，10万颗智能计算芯片，构成当今世界最强大的算力集群之一。9月25日起，央视纪录片《超级工程——曙光8000》在CCTV-9纪录频道每晚连续播出，首次将这套AI超集群的工程细节完整展现在公众面前。

曾记录港珠澳大桥、中国高铁的《超级工程》，此次对准人工智能界的超级工程——国内首个采用超智融合技术路线的十万卡级AI超集群。第二集《探极境》提出了一个直观的问题：庞大的硬件规模，如何转化为实际的计算能力？

答案并不在某一颗更强的芯片上。在硬件与算力之间，横着三堵看不见的“墙”：通信墙、存储墙、散热墙。拆掉这三堵墙，十万颗芯片才能真正拧成一股绳。

通信墙：等不起的5分钟

在算力集群内部，网络绝不只是连接设备的通道，更是释放算力、保障算力的关键。曙光8000要织一张中国迄今规模最大的微秒级高速网络，连接超过一万个计算节点。接过这张“空白图纸”的，是年仅30多岁的万伟，他成为曙光8000 AI超集群高速互连网络总架构师。国内第一次做，他在片中坦言“觉得遥不可及”。而十万卡工程没有试错机会，一步走错，芯片高效协同的蓝图便成一纸空想。

信号在高速网络中的传输会发生错误，这是概率性事件：单条链路的出错率小到可以忽略，但曙光8000由几万个部件联网组成，再小的概率乘上庞大基数，都会被放大成“必然”。按规模推算，十万卡集群每小时会出现2.7次传输错误。

错误本身不可怕，可怕的是纠错速度。传统方案如同铁路调度中心：链路一旦故障，先上报控制中心，重算全网路由，再下发指令。测算显示：系统规模到一万卡，查找、纠错时间超过30秒；到十万卡，长达5分钟。“这绝对是不行的。”万伟说。5分钟的通信中断，意味着算力全面停滞，所有计算付诸东流。

在北京最繁华的路口，没有人逐一指挥每个人往哪走，每个人只需做一次简单判断：向左一步，向右一步，快一点，慢一点，无数个微小的选择叠加，拥挤的人流便有序穿过路口。“这就是我们网络自主决策想要达到的目标。”万伟意识到，要变革的不是网络的调度方式，而是赋予网络设备自主应变的能力。

近百人联合攻关随之展开：芯片团队为交换机增加切换能力，这是“自主”的基础；软件团队确保局部路由策略从全局看也是最优；高速信号团队继续压低故障概率。最终方案是在交换芯片中植入“智能开关”，并为每一个地址预设备用路线，一旦检测到路径故障，开关便以毫秒级速度自行切换信号，无须等待调度中心指令。

测试现场，工程师手动拔掉一条网络通路，监控程序只轻微抖动了一下，便恢复稳定运行。凭借这套从零起步的网络，故障恢复时间不再随规模增长，相关技术已于2026年3月以“scaleFabric”之名发布，走向更多计算场景。

存储墙：为数据修一条专属车道

网络打通，数据洪流随之而来。曙光8000的存储系统由超十万块硬盘组成庞大阵列，设计目标是每秒完成近亿次读写请求，数据延时要控制在亚毫秒级。否则，再澎湃的算力也难以完全释放。

曙光8000 AI超集群存储研发负责人郭照斌面对的最大挑战依然是规模：数十亿个请求涌进集群后“各自为战”，有的跑得快，有的特别慢，最慢的那条请求，会拉低整个存储系统的响应时间。矛盾焦点是数据通道，“共用一条数据通道，就会产生竞争，就像十几辆货车，堵在我们的门口，谁也进不来。”郭照斌解释道。

在自动化物流仓库里，管理系统为不同方向的机器人规划独立通道，互不干扰。能不能给每一路数据修一条专属车道？团队把新架构命名为“超级隧道”：数据从网卡进来，就近交给离网卡最近的CPU核心，再写入离该核心最近的硬盘，从进门到出门，全程跑在自己的独立通道上，不跨道、不争抢。

一个计算节点与后端存储之间要建立一万个高速通道，十万个计算节点，“十万乘一万，基本就是十亿的量级”。“隧道打通”的测试现场，团队盯了一分多钟屏幕：“终于起来了！”通路性能较此前将近翻倍，存储硬件性能得以完整释放。这项技术此后直接应用于中科曙光的集中式存储FlashNexus系列，分布式存储ParaStor也采用了相关技术理念，让“超级隧道”在千行百业的场景中落地。

散热墙：把金刚石焊进芯片

通信墙与存储墙都打通了，还有最后一堵墙——散热。纪录片给了一个直观的换算：十万颗计算芯片全速运转，持续运行一年半释放的热量，能让西湖里的水瞬间沸腾。曙光8000的刀片服务器，在厚度仅60多毫米的空间里容纳5层主板、20颗计算芯片，单颗芯片满载功耗是办公电脑CPU的5倍以上。

曙光8000的散热底子本不差：浸没式相变液冷，把主板和芯片整个泡进沸点约50℃的冷媒中，芯片一发热，冷媒就在表面沸腾冒泡，热量随之带走，这是业界公认的顶尖散热方案。但芯片功率提升太快，发热量水涨船高。2024年，曙光8000 AI超集群液冷系统设计师常乾坤领衔团队向物理极限攻坚，但从研发到交付周期已不足两年。

解题的钥匙藏在材料里。数十种候选材料被陆续送进实验室，经过一轮轮严苛验证比对，最后留下的是自然界中散热能力最强的材料——金刚石。团队把金刚石粉与铜结合成金刚石铜合金，散热能力达到铜的2倍以上。但满载测试依旧不达标，此时距最终交付只剩6个月。

常乾坤抛出一个大胆的构想：舍弃处理器的金属上盖，砍掉多层导热介质，把金刚石铜散热器直接与芯片裸片焊接，导热路径从传统的4层压到2层。方案逻辑清晰，工艺却是无人区。“焊接时采用什么样的参数标准，谁也给不出来。”常乾坤说，更凶险的是，焊接瞬间散热器与芯片之间极易产生气泡，而气泡正是散热的最大敌人，一旦出现气泡，该区域的散热就会变得非常差。空洞一度让量产按下暂停键。

团队只能自己去闯“无人区”。白天工厂生产完，团队晚上坐卧铺把部件送到焊接厂，工艺迭代十几二十次，硬生生抢回近一个月。X光扫描下，焊接层气泡显著减少。历经50天极限攻关，焊接参数终于被精准锁定。“效果甚至超过了预期。”常乾坤说，这个产品的落地，属于一次“压哨绝杀”。

从单兵作战到体系作战

三堵墙，三种拆墙思路，逻辑却出奇一致：规模大到一定程度，任何单点的“更优”都不再够用，必须靠系统层面的协同重构。网络再快，一次中断就能让十万颗芯片集体待机；存储再大，一条慢请求就能拖垮整体；散热再强，一层多余的介质就能压垮极限工况。十万卡集群的算力，不是芯片性能的简单加法，而是由系统里最短的那块板决定的。

这正是央视纪录片第二集《探极境》之问的答案：硬件规模转化为实际计算能力，中间隔着通信、存储、散热等一整套“综合问题”的系统解。算力的竞争，已从芯片的单兵作战，升级为全系统协同突破的体系化较量。

这套体系的价值已在真实任务中检验：依托曙光8000，中国气象局地球系统数值预报中心实现了1小时完成全球未来10天、5公里分辨率的预报计算；中科曙光联合多家科研机构，在全球首次完成具有量子力学精度的“万亿原子”分子动力学模拟，刷新多尺度模拟世界纪录。

“要想富，先修路。”万伟这样形容网络之于算力基建的意义，它是“支撑国家向更大算力发展的基石，未来20万卡、百万卡这样规模的一个重要基石”。郭照斌说：“我们也是时代洪流中的一个分子，随着这些挑战一步步去克服，我个人也是乐在其中。”

纪录片的下一幕，是超十亿个精密部件悉数就位后，安装攻坚战的打响。而三堵墙的故事已经证明：让十万个部件像一个人一样协同工作，才是算力基础设施真正的“超级工程”。