Full text · 原文
1,827 字
允中 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
国内智算基础设施，正跨过一个关键的分水岭。<br>
2月5日，由中科曙光提供的3套scaleX万卡超集群，在国家超算互联网核心节点同时上线试运行。<br>
由此，全国首个实现3万卡部署、且实际投入运营的最大国产AI算力池正式形成。<br>
过去，万卡集群更像是头部玩家的实力勋章。如今，当万卡规模的算力开始实现“多套并行、同时落地、即刻应用”，国产超集群便跨过了单点突破的阶段，正式步入规模化落地的工程成熟期。<br>
从产业角度，这释放了三层明确信号：<br>
第一，国产万卡超集群开始进入规模化落地阶段；<br>
第二，系统创新正在取代“单点算力参数”，成为竞争主战场；<br>
第三，万卡超集群已实现从“做出来”向“让真实业务跑起来”的跨越。<br>
能落地、稳得住，才是万卡时代的“入场券”<br>
万卡超集群的难点，早已从单纯的“做出一套系统”，转向了能否实现规模化复制和落地。<br>
规模化落地，说到底是系统工程能力的集中较量。<br>
周期可控、性能可复现、故障可定位、成本可核算——这些硬核能力，才是长期玩家真正的入场券。<br>
万卡超集群的竞争，正在从“总卡数、总算力”转向“系统级协同”：即网络、存储、散热、供配电、调度与运维的联动优化，才是把大规模算力变成稳定产能的关键。<br>
以scaleX万卡超集群为例，其scaleFabric网络不仅能实现万卡超集群400Gb/s超高带宽、低于1微秒端侧通信延迟，更具备未来面向十万卡、百万卡演进的扩展能力。<br>
同时，通过高密设计、低PUE导向的工程方案，以及智能调度等系统能力，让集群不止于“建得起来”，更能“稳得住、用得好”。<br>
到了规模化落地阶段，系统级创新就不是虚词了，效率高不高、稳不稳、好不好维护、TCO（总成本）划不划算，才是见真章的地方。<br>
说到底，这些实打实的指标，才是撑起万卡超集群大规模复制的“压舱石”。<br>
万卡超集群真正的胜负手：规模化应用<br>
搞定万卡的稳定供应，充其量只是拿到了“及格分”。<br>
真正的终极考题在于：这些卡能不能实实在在地转化成真实业务的生产力。<br>
过去行业里有个怪象，不少万卡项目更像是“样子工程”，停留在展示和跑分上，一旦拉到真实业务里去“练兵”，就显得底气不足，那是因为缺少持续业务负载的实际检验。<br>
规模化应用背后，至少包含三层要素。<br>
1、开放兼容，决定万卡超集群应用门槛与广度<br>
一个封闭生态的万卡超集群，即便性能很强，也会在迁移成本上劝退大量用户。<br>
相反，开放兼容意味着更低的适配门槛、更快的上手速度、更可控的改造成本。<br>
曙光scaleX超集群基于AI计算开放架构，可全面兼容CUDA等主流软件生态，支持多品牌国产加速卡混合部署，加速国产AI生态繁荣。<br>
2、万卡超集群不应是“大公司专属”，公共基础设施属性正在形成<br>
过去，万卡超集群过去给很多人的直观印象是：只有极少数巨头公司用得起、用得好。<br>
但在万卡超集群进驻国家级算力网络的核心节点后，它就从单纯的技术设施，真正转变为一种公共基础设施，成为制造、能源、交通、科研、教育、医疗、金融领域等千行百业的算力“水煤电”。<br>
3、用真实业务把万卡超集群变成各行各业生产力<br>
万卡超集群能不能行，跑通几个模型和应用只是“及格线”，能不能扛住千行百业实打实的业务负载，才是真正的“分水岭”。<br>
以scaleX万卡超集群为例，其已完成400余个主流大模型与世界模型的适配与优化，并依托国家超算互联网实现上千款应用对接运行，链接更多AI产业生态伙伴，推动形成“算力+应用”协同的一体化落地模式。<br>
在实战应用中，scaleX万卡超集群的价值，在三个维度得到了充分释放：<br>
第一，在大模型训练场景下，主打“稳”字。<br>
它能稳稳托住万亿参数级模型的整机训练，并提供容错与快速恢复能力，保障超长周期训练稳定连续。<br>
第二，在高通量推理场景下，强调“实”字。<br>
通过软硬协同与端到端联合优化，将推理能力沉淀为可长期承载核心业务的服务化能力，目前已服务于多家头部互联网用户的核心智能化业务。<br>
第三，在AI for Science场景下，突出“快”字。<br>
将算力直接变现为科研效率。无论是支撑材料研发大模型刷新全球评测纪录，还是将蛋白质研究效率提升百万倍（3-6个数量级），它都在加速科学发现的进程。<br>
3套scaleX万卡超集群上线背后，释放了一个信号——<br>
单纯堆砌算力规模已不再是核心胜负手。<br>
未来的赢家，必须要能让万卡集群在业务一线持续“出力”，并能把这种复杂的工程能力大规模地铺向全行业。