时隔近十年，中国超算跑分再次飙赢全球。尤其这次灵晟（LineShine）以纯CPU架构，跑出2.198 Exaflop/s的双精度性能，峰值数据把美国El Capitan等异构计算系统都甩在身后。这不由给人以一种错觉——摒弃主流GPU异构路线，中国单凭纯CPU算力就能金刚不败。
振奋之余，业内不少人也在深思，这场“纯CPU”的跑分胜利，能否代表中国算力的发展方向？甚至像外界所说，英伟达GPU在CPU集群下已不足为恃，超智融合的异构攻坚只是“笨功夫”？单一CPU架构堆叠究竟是“划时代创新”，还是“开历史倒车”？
以史为鉴可知兴替。要回答以上问题，先把视野拉长，回顾一下全球芯片架构数十年分流史。
计算场景倒逼，架构分流不是谁拍脑袋决定的
早期的计算机没什么架构之争，CPU就是一切，串行处理包打天下。但随着计算需求变得越来越多元复杂，CPU架构的天花板暴露无遗。
英特尔当年强推安腾（IA-64），砸了十几年时间、上百亿美元，最后折戟沉沙。原因不是安腾不够先进，而是EPIC（显式并行指令计算）思路在当时有些脱节，尤其拒绝了兼容x86，这意味着所有已有的软件、操作系统、开发工具，都得推倒重来。
在那个年代，让整个生态为一个新架构重新适配，成本高得离谱，市场根本不买账。更关键的是，安腾试图用一套架构包揽从桌面到服务器的所有计算需求，而市场的真实走向却是在不断分化。事实证明，随后x86守住了通用计算的江山，GPU则在并行计算领域异军突起。
目前来看，安腾的倒下，本质上是市场用脚投票，宣告了“一套架构通吃天下”的幻想破灭。而计算架构的“物种多样性”，本质上是对物理世界复杂算力需求的映射：图形渲染要求海量并行，AI训练要求矩阵乘法的极致吞吐，科学仿真要求高精度一丝不苟......
在AI时代，这种分化愈演愈烈，异构计算也成为回应多元市场需求的主阵地。比如，AMD的MI300A直接把Zen 4 CPU和CDNA 3 GPU集成到同一封装，共享HBM3内存池。英伟达Grace Hopper把ARM CPU和Hopper GPU焊连，通过NVLink-C2C跑出900GB/s的互联带宽，CPU和GPU共享统一地址空间，这套UMA架构已经成为数据中心异构计算的标杆。
全球头部厂商都在往这条路上砸钱，根本原因即在于，算力需求的颗粒度已经细化到无法用一个工具干所有活了，CPU负责复杂逻辑调度，GPU负责大规模并行矩阵运算，这种既能各司其职、也能协同作战的异构融合路线，被视为全球市场大浪淘沙出来的最优路径。
CPU里塞个AI加速单元，不等于“超智融合”
灵晟的纯CPU路线，客观上确实降低了异构融合的难度，在超算峰值算力提升上不啻于一条“终南捷径”。横向来看，用纯CPU去扛双精度峰值，让灵晟在Linpack这道考卷上拿了个满分。但在HPL-MxP混合精度测试里，灵晟排在第四，落后于美国三台异构计算系统。
显然，从双精度切到混合精度时，纯CPU路线的性能提升相对有限，而通过集成专用低精度加速器的异构方案，提升幅度非常明显，甚至频频反超前者。这就像用“百米冲刺”的装备去跑“马拉松”赛场，场景变换下很容易掉队。
从官宣信息来看，灵晟也在强调“超智融合”，如LX2处理器原生集成了AI矩阵加速单元。然而，真正的“超智融合”，底层逻辑是CPU和GPU（抑或XPU）在物理上的分工，在系统层的协同，并通过统一内存架构消除数据搬运瓶颈。这种架构已经被大规模AI训练和科学计算验证了效率。
而灵晟的“融合”，更接近于在通用CPU基础上植入AI加速模块。这个思路听起来同样类于“超智融合”概念，还能省去CPU和GPU之间搬数据的开销，但问题在于，这种内嵌方案在当前工艺和生态下，AI加速模块的绝对算力和能效比，很难匹敌独立的专用芯片集群。
更关键的是，它忽略了异构计算最核心的难题——CPU和GPU之间如何高效协同、如何统一调度、如何让开发者不用重写代码就能跑起来。这些真正的硬骨头，现在不去啃，后期落进千行百业的AI计算场景中，都可能变成坑。
说白了，“超智融合”不是单纯的技术概念，而是真正聚焦解决多元异构计算场景底层工程难题的现实方案。如果在CPU里塞几个AI指令就叫“超智融合”，那x86这些年加的AVX-512、AI扩展指令集，岂不早就“超智融合”了？英伟达GPU近5万亿市值哪来的？
中国算力不能“一条腿走路”
说到这里，绝非要否定灵晟的价值，这次双精度成绩是实打实的，在气象模拟、流体力学、核物理这些高精度计算领域意义非凡，这一点必须鼓掌，值得大书特书。但更应警醒的是，如果行业把灵晟超算跑分登顶，误读为“纯CPU路线也能打赢AI时代”，那就危险了。
当前业内的真实现状是，国产算力生态趋于“碎片化”，不同芯片对应不同的开发框架、软件栈和算子库，异构算力的协同稳定问题尚未解决。在此背景下，如果把“纯CPU跑分高”当做正确方向，忽视了异构超智融合的长期攻坚，那等于主动放弃了一条AI时代的主赛道。
而国际巨头在干什么？NVIDIA在推Grace Hopper、RTX Spark，AMD在推MI300A，英特尔在推CXL内存池化，各家都在往“CPU+GPU+专用加速器”的异构融合方向狂奔。
毋庸置疑，AI Agent时代，CPU的角色从“调度者”加速回归核心地位，与GPU的关系正在转向“对等协作”。这意味着未来的算力竞争，不是比谁的CPU跑分高，而是比谁的异构系统能把不同计算单元调度得更顺、让开发者用得更顺手、让应用跑得更快。
毕竟，“有算力、难上手”的痛点在业内并不鲜见。如果国产算力在这个方向上缺位，中国AI产业的长期竞争力或将受制于算力供需结构性错位——硬件越堆越多、集群越造越大、参数越跑越高，但开发者不愿意用、用不好，算力空转，产业落地卡壳。
归根结底，国产算力以“用”为先，而落地壁垒正在于生态异构——不同芯片的计算单元架构、通信模型、内存模型各不相同，导致软件开发工具包各异、编程模型差异大、算子库重复建设。未来若仍旧一味的堆芯片，而忽视了让芯片协同工作的系统能力，无异于作茧自缚。
算力竞争的终局，不是比谁在局部赛道上跑得更快，更在于谁能把各类参赛选手编练入伍，在复杂场景中锻炼出组织战斗力。这条路比打榜更难，但也更符合中国AI产业的长期需要。
声明：本文来自网络，仅代表原作者观点，与技术领导力立场无关
热门跟贴