2026年的北京冬日，寒风凛冽，但中关村的ODCC大会现场却热得发烫。
在大会上，从阿里云的“磐久”新形态，到腾讯的“全光底座”，再到华为的“总线级级联”，各大厂不再掩饰自己的野心。这不仅是硬件的堆叠，更是一场关于互联协议、散热极限、供电架构与系统调度的立体战争。
本文将为你全景式拆解，在这场决定未来AI基础设施格局的大会上，各家大厂到底都在倒腾啥？
一、 阿里云：暴力美学与“内存墙”的终结者
作为国内云厂商的技术风向标，阿里云在此次大会上展示了其磐久AI Infra 3.0架构的核心组件——“玄武”超节点服务器（AL-SuperNode）。
阿里云这次端出了自研的单柜128卡的解决方案。
去Host化设计：传统服务器是“CPU控制GPU”，但在“玄武”架构中，CPU的存在感被极度削弱。阿里云采用了类似NVIDIA Grace架构的思路，利用自研的CIPU 3.0，使其不仅作为网络的大脑，更成为整个超节点的调度中枢，直接管理GPU间的显存寻址。
Scale-Up域：阿里云强调，在128卡范围内，实现了全带宽的Load/Store访问。这意味着，卡A访问卡B的显存，延迟低至亚微秒级，软件开发者完全不需要关心数据在哪张卡上。
2. CXL 3.1 的全面落地
这是阿里云本次演讲最大的技术干货。面对大模型训练中最大的瓶颈——显存容量不足（Memory Wall），阿里云激进地部署了CXL 3.1（Compute Express Link）技术。
远端内存池化：阿里云展示了一个连接在超节点背后的“内存柜”，通过CXL协议，为这128颗GPU额外扩展了PB级别的共享内存池。
核心观点：阿里云代表在圆桌上直言：“指望HBM（高带宽内存）降价是不现实的，扩容也受限于封装工艺。CXL内存池化是打破‘内存墙’的唯一解法。”
二、 腾讯：光进铜退，押注“以太网Scale-Up”
与阿里的“重构体系”不同，腾讯的风格一向是务实且强调标准化。在ODCC大会上，腾讯网络与数据中心负责人带来的核心议题是：当机柜越来越大，铜缆还能撑多久？
在过去两年的超节点设计中（如NVL72），铜缆因为低延迟、低功耗成为机柜内互联的首选。但腾讯指出，随着单Lane速率提升至224Gbps甚至448Gbps，铜缆的传输距离已经被压缩到不足0.5米。
腾讯的方案：全面推进NPO（Near Packaged Optics，近封装光学）。腾讯展示了与立讯技术等合作伙伴联合研发的3.2T NPO光引擎。他们主张在机柜内部、甚至板卡之间，就开始使用光互联，彻底解决信号衰减问题。
2. “星脉”网络的进化：以太网的逆袭
在Scale-Up（节点内扩展）领域，英伟达的NVLink是绝对霸主。但腾讯显然不想被绑定。腾讯在此次大会上高调发布了“腾讯超节点以太网规范 2.0”。
UEC（Ultra Ethernet Consortium）的实战化：腾讯是UEC联盟的重要推手。他们通过优化以太网的丢包处理和拥塞控制，宣称在256卡的超节点规模下，基于以太网的Scale-Up性能已经达到了专用私有协议的95%，但得益于通用交换芯片的规模效应，成本降低了40%。
三、 华为：定义“总线”，构建非美系生态
华为的演讲永远带着一种“体系化作战”的气场。在本次大会上，华为计算产品线并不是单独发布某一款服务器，而是发布一套标准——《灵衢（UnifiedBus）超节点互联架构白皮书》。
华为的核心逻辑在于：掌握了互联协议的话语权，就掌握了异构计算生态的“准入权”与“定义权”。
统一内存语义：华为展示了灵衢总线如何将NPU、CPU、SSD甚至网卡统一在一个地址空间下。这与阿里的CXL路线异曲同工，但华为做得更封闭、更紧耦合。
HCCS的超节点演进：基于HCCS（Huawei Cache Coherent System），华为展示了Atlas 900 SuperCluster的最新形态。重点在于解决“长尾延迟”。华为指出，在千卡级超节点中，0.1%的慢连接会拖垮整个集群。灵衢协议引入了硬件级的重传和纠错机制，大幅提升了大规模并行的线性度。
2. 算力原生的液冷设计
不同于其他厂商“先设计服务器，再考虑液冷”，华为强调了“原生液冷”。他们发布的超节点机柜，背板直接集成了流道，实现了100%的全液冷散热**（包括电源模块和光模块）。
四、百度：高密度集成，统一内存架构
百度的布局则体现了其“高密度集成、统一内存架构”的极致追求。百度基础设施AI资深架构师武正辉在演讲中强调：“端到端时延控制在微秒级，避免GPU空闲。” 这一目标直指MoE（Mixture of Experts）等稀疏激活模型的训练痛点——频繁的All-to-All通信极易因延迟而造成GPU等待，导致算力浪费。
百度推出了“天池”系列超节点产品，规划了从256卡到512卡乃至千卡级的演进路线。天池256超节点已实现卡间互联带宽较前代提升4倍，主流大模型推理任务单卡tokens吞吐提升3.5倍。其核心是全互联架构与统一内存架构，通过专用互联芯粒与高速协议，实现跨加速卡的内存共享，显著降低通信开销。在全栈布局上，百度从昆仑芯芯片、百舸AI计算平台到千帆大模型平台，构建了完整的AI Infra体系。其目标是通过系统级优化，将算力投资高效转化为业务成果，支撑文心大模型5.0（2.4万亿参数）等超大规模模型的训练与推理。百度的战略是通过全栈自研与高密度集成，打造资源利用率最大化、成本最优的AI算力引擎。
总结：2026，算力进入“拼积木”时代
通过各大厂的方案的分析，可以清晰地看到不同的技术路线与生态博弈。
在互联协议上，腾讯主推ETH-X，阿里支持UALink并兼容多种协议，华为坚持自研的灵衢（UB）协议，而百度则依托其全栈能力构建专有的天池架构。这反映了开放与自主之间的张力。
在规模目标上，华为的8192卡目标最为激进，百度规划了512卡及千卡级，阿里聚焦于128卡的高效节点，腾讯则从百卡级向更大规模演进。不同的规模选择，体现了各自对技术成熟度与市场需求的判断。
在开放策略上，阿里和腾讯通过支持或主导开放标准，推动跨厂商互操作；华为则选择开放其UB协议规范，吸引生态伙伴；百度则强调核心部件的全面国产化，保障供应链安全。这些策略共同指向一个目标：在激烈的竞争中，既要掌握核心技术，又要避免被孤立。
值得注意的是，所有企业都面临着“软节奏”与“硬周期”错配的共同挑战。AI模型的快速迭代要求互联技术必须具备高度的灵活性与可扩展性。GPU侧的IP供应商，这是解决这一问题的关键——通过将互联功能从主算力芯片解耦，可以灵活配置，支持多种协议，从而加速技术迭代，降低研发成本。
热门跟贴