在当前全球AI算力竞争格局中，国产单颗AI芯片在制程工艺和峰值性能上仍与英伟达H100、GB200等先进芯片存在客观差距。

然而这个方面，我们主要是单芯片性能对比。

但在真实的AI算力战场，谁的GPU峰值算力更高虽然重要，但谁能以更低的成本、更高的效率、更稳定的供给，完成大规模模型的训练与推理，这方面也是重点

换句话说，AI算力的竞争，正在从“芯片竞赛”转向“系统工程竞赛”。

而国内正在这条新赛道上，走出一条典型的“非对称路径”。

一、物理的极限，用系统来突破

我们先面对现实：在工艺迭代趋缓的背景下，国产AI芯片在单点性能上短期内难以追平H100或GB200。

这是事实，无需回避。

但问题在于：AI大模型训练是否必须依赖单颗超强芯片？答案是否定的。

hw在今年推出的昇腾384超节点（Ascend SuperPod） 给出了另一种解法，用384颗昇腾NPU + 192颗鲲鹏CPU，通过高速互联，构建一个等效于“巨型GPU”的算力实体。

这个系统通过12个计算柜和4个通信柜组成，采用hw自研的MatrixLink互联架构，实现384颗芯片之间的全互联通信，总算力达300PFLOPs。

根据第三方实测算力对比，其在典型大模型训练场景下的有效算力输出，约为英伟达GB200系统的1.7倍。

注意，是“有效算力”，不是“峰值算力”。

这意味着，在真实任务中，这套系统的资源利用率、通信效率和调度能力，反而更优。

这背后，是以hw为代表的行业内部提出的提过的用数学补物理，非摩尔补摩尔，用群计算补单芯片。

数学补物理：通过CANN架构优化、算子融合、通信压缩算法，降低数据传输开销；

非摩尔补摩尔：不依赖制程微缩，而是靠架构创新提升单位能效；

群计算补单芯片：以大规模并行+高效互联，弥补单点性能差距。

二、算力瓶颈已从“计算”转移到“连接”

很多人只盯着GPU，却忽略了AI集群真正的瓶颈，互联带宽与通信延迟。

在超节点架构中，一旦芯片数量上到数百级，交换网络就成了算力的“神经系统”。

如果连接效率低，再多的芯片也只是“一盘散沙”。

这两天hw的会议，特别是以昇腾384为例，其内部部署了6912个400G光模块，通过3168根光纤构建起低延迟、高吞吐的通信网络。

整个系统的通信带宽高达PB级，端到端延迟控制在微秒级。

这带来一个关键变化，交换机从“配角”变成了“主角”。

而在交换机的核心，交换芯片，过去传统依赖海外高端交换芯片的格局正在变化。

但这一局面正在被打破。

国内厂商已推出支持2.4Tbps交换容量的高端芯片，进入小批量验证阶段。

虽然性能仍略逊于博通最新款，但在国产AI集群的封闭生态内，已能满足需求。

更重要的是，它实现了从设计到制造的关键环节具备国内供应能力。

三、昇腾384超节点的优势是什么？推得动吗？

除了性能（基本上可跟上gb200），还有两个维度常被忽视：能耗与供应链安全。

先看能耗。

昇腾384超节点采用浸没式液冷方案，可将数据中心PUE（能源使用效率）降至1.12，相比传统风冷降低40%功耗。

在电费占TCO（总拥有成本）40%以上的AI数据中心，这是实打实的成本优势。

再看供应链。

根据产业链调研，昇腾384的国产化率已突破70%，涵盖交换芯片、光模块、电源、散热、结构件等关键环节。

这意味着，在AI超节点的“连接层”，国内已经建立起从芯片到模块的自主能力。

写在最后

国内在设备供应链存在不确定性的情况下，但我们有全球最大规模的AI应用场景、最迫切的自主需求、最完整的硬件产业链。

这三者结合，催生出一条独特的技术路径——不追求单点极致，但追求系统最优。

这条路不会一蹴而就，也会面临软件生态薄弱、能效比待提升等挑战。但它或许提供了一个现实选择。

特别声明：以上内容绝不构成任何投资建议、引导或承诺，仅供学术研讨。

如果觉得资料有用，希望各位能够多多支持，您一次点赞、一次转发、随手分享，都是小猎豹坚持的动力~