【摘要】AI算力竞赛正在告别单芯片英雄主义。真正稀缺的已不只是峰值算力，还有让上千颗芯片持续协同、把每一度电和每一张卡变成有效Token的系统能力。
本届WAIC，壁仞科技以BR2xx系列芯片、BLink 2.0超节点互连协议、NPO光互连超节点以及Token工厂为核心，通过系统级创新精准破解行业痛点，为中国AI产业的Agentic AI时代筑牢了坚实的算力底座。
一套超节点方案，正在揭开国产算力的新问题：制程之外，还有什么是改写牌局的路径？
以下为正文：
2016年，黄仁勋亲自把第一台DGX-1送到旧金山的OpenAI办公室。那是一只黑色机箱，里面装着8颗Tesla P100。英伟达称它为“盒子里的超级计算机”。
照片里的人们围着它微笑，当时可能还没人想到，仅仅十年后，决定AI竞争胜负的基本单元，就从8张卡的服务器扩张成数百乃至上千张卡协同工作的超节点。
OpenAl的研究人员聚集在首个AI超级计算机NVIDIA DGX-1周围
2026年的WAIC，恰好记录了这个尺度变化。壁仞科技的1024卡NPO光互连超节点方案登场，华为展出1024卡昇腾950超节点，百度天池512、阿里磐久AL128、中兴OEX、沐曦“曦景”S系列也相继出现。
一个明显的感觉是，大家愈发意识到，芯片必须在系统里才能兑现价值。成百上千张GPU能够高效、稳定地协同，才是一种生产能力。二者之间，隔着通信、内存、软件生态等多重关口。
这实际上也是“单芯片英雄主义”的退潮。当芯片数量从两张变成数百张、上千张，难题却没有改变。模型运行怎样足够快？一张卡失灵，整项任务能否继续？上一代卡算力尚在，却因软件和代际壁垒闲置，又该怎么办？
01
超节点重新定义“计算”这件事
2012年，AlexNet之所以被拆到两张各有3GB显存的GTX 580上运行，一个直接原因是单卡装不下。研究者让两张显卡分别承担一部分网络，只在必要的层交换数据。
这个看似窘迫的选择，提前揭示了AI硬件此后十余年的主线：模型增长总会越过单颗芯片的边界，然后迫使计算机重新定义自己。
四年后，DGX-1把8颗GPU封装成一个软硬一体单元；再往后，机柜成为基本单元；到了超节点时代，几十只机柜也要在软件看来像一台机器。
这一过程在MoE与Agent时代突然加速。MoE模型看似节省计算，每个Token不激活全部参数，只选择少数专家。但计算复杂度并没有凭空消失，它只是转移给了通信。专家分散在不同GPU上，Token每经过一层路由，都可能触发All-to-All数据交换。模型越稀疏、专家越多，网络越像车流骤增的十字路口。
Agent又增加了另一种压力。一次复杂任务往往包含多轮规划、调用工具、读取长文档和反复纠错。模型不只是在算，还要持续记。算力、显存容量、带宽与访问时延，任何一项落后都会让昂贵的计算单元停下来等数据。
这就是超节点与普通GPU集群的分界。Scale-up超节点把跨卡访问变成接近机器内部的动作。其目标是降低软件感知到的距离。
壁仞科技正是围绕这些痛点建立了技术优势。BR1xx以Chiplet组织封装内的多个芯粒，第一代BLink从设计之初就考虑跨节点互连;BR2xx进一步把内存语义、在网计算等纳入BLink 2.0。Chiplet与超节点看似分属芯片和系统，底层思想却相同——单个物理单元不再是能力边界，互连本身成为计算架构。
这也是壁仞科技方案的第一个产业价值。它能够把“差多少算力”的静态问题，转化为“多少算力能同时有效工作”的动态问题。前者由制程与晶体管决定，后者则给架构、互连和软件留下了创新空间。
这让市场意识到，国产GPU可以争夺的，还有整套系统——在一定时间、电力和故障率下，究竟交付多少可用Token。
02
物理上拆开，逻辑上更近
1976年问世的Cray-1，是计算机史上最容易辨认的机器之一。它没有被做成长方形机柜，而是弯成一个“C”形。
这个形状是直接服务于计算速度的工程设计。据计算机历史博物馆的资料，Cray-1内部有超过60英里的线缆，但为了减少信号延迟，没有一段超过3英尺。工程师把原本可能排成直线的机柜“弯”成约270度的弧形，把对速度最敏感的部件布置在内圈。
因此，历史告诉我们，几英尺的铜线，也属于计算机架构。
半个世纪后，超节点再次撞上同一堵墙。GPU互连带宽进入TB/s级，单端口速率迈向224Gbps，铜缆中的高频电信号会遭遇更大的衰减、串扰和功耗上升。
传统超节点的思路，本质是不断把卡做的更近：线越短，延迟越低。如此一来，GPU、交换机、供电、液冷和机柜就会锁成一台“现代大型机”。头部互联网公司凭借采购规模优势可以要求供应商为自己高度定制整机柜超节点，但大量运营商、智算中心和行业客户，却没有这样的采购规模和工程团队。
壁仞科技NPO光互连、分布式解耦架构超节点方案的有趣之处，是反过来处理距离。这是壁仞科技把超节点从一个大机柜推进到“跨机柜、可分布部署的逻辑整机”的实现路径。
它把NPO光引擎放到GPU或交换芯片附近，以极短电连接完成光电转换，再让低衰减光纤跨越机柜。壁仞科技给出的方案还去掉了传统可插拔光模块中的高功耗DSP，以降低光电转换带来的时延和能耗。
光纤的价值改变了系统设计中的距离函数。当数百米外仍能维持高速互连，GPU服务器和交换机便不必焊死在同一套定制柜体里。
壁仞科技选择这条路，与其此前积累有关。2025年，壁仞科技、曦智科技和中兴通讯以BR166、分布式光交换dOCS构建“光跃LightSphere X”超节点，获得WAIC最高奖SAIL奖，并在国家级智算平台落地2048卡光互连光交换集群。
dOCS与NPO不是同一条技术支线，却让壁仞科技提前经历了GPU、光器件、服务器和平台软件的联合调优。到BR2xx与BLink 2.0阶段，光互连进一步向千卡Scale-up域推进。
03
让旧卡重新上岗
实际上，热火朝天的AI产业一边喊算力短缺，另一边仍有算力沉睡。
智算中心分批建设，机房里同时存在不同代际、不同显存容量、不同互连能力甚至不同厂商的GPU。同构软件栈为了获得可预测性能，往往只把同型号卡编成集群。
新模型、新框架或新卡进入后，一些上一代卡虽然仍能计算，却因为算子、通信和性能差异退出核心任务。
这个沉睡的代价远比想象中高。Alphabet在2023年把服务器及部分网络设备的预计使用寿命调整为6年，当年折旧费用因此减少39亿美元。它揭示了一件事：当基础设施达到一定规模，即使能让设备多工作一年，也会节省下数十亿美元的成本，这是一个重要的市场。
壁仞科技软件栈里一个不容易被注意到的亮点，正是异构混合推理。大模型推理不是一种均匀劳动，用同一种GPU包办预填充和解码两个阶段，当然可以运行，却未必经济。
壁仞科技能够把不同代际、不同规格乃至不同厂商的GPU分配到更适合的阶段：计算能力强的卡，显存更大、带宽特征合适的卡，能够分配不同的任务，再由统一中间件、低时延通信和智能路由完成协同。
其披露的场景测试中，异构混推带来20%的有效吞吐提升。壁仞科技还参与DeepLink多元算力混推，在四家国产厂商的多款芯片之间进行联合调度，并牵头制定异构混推国家标准。
过去，新卡与旧卡是替代关系：新产品进入，旧产品逐步退出；异构混推成熟后，它们可能变成分工关系：如新卡算力更强则处理预填充任务，旧卡的显存容量和带宽尚可，则处理解码任务，继续发挥作用。
“Token工厂”延续了同一种经济学。Agent执行任务时，大量历史上下文会反复使用；若每次都重新计算KV Cache，最昂贵的GPU其实在重复生产已经存在的中间结果。壁仞科技用GPU显存、CPU内存、CXL扩展内存、磁盘和分布式共享存储组成五级缓存方案，在内部应用场景取得了95%以上的KV Cache命中率。既能节省时间，又能避免不必要的计算。
这也重新定义了壁仞科技的软件价值，软件是GPU资产的经营系统。对客户而言，这些指标最终都会汇入同一张表：单位Token的全生命周期成本。
04
尾声
回看计算机产业史，技术跃迁常常发生在边界出现的时刻。今天的超节点，面对的是怎样把数百上千颗芯片、内存和交换设备重新画进“一台计算机”的边界。
壁仞科技的特殊性，在于其路线存在一种连续的架构优势：从Chiplet开始，公司就倾向于通过互连组织多个计算单元；从BLink 1.0与dOCS，再到BLink 2.0与NPO，能够把这种组织能力从封装内推向机柜外。芯片、系统与软件其实是同一方法论在不同尺度上的展开。
评价超节点的尺度也应该改变了。不只是芯片数量叠加峰值算力，还要包含有效吞吐、资产寿命、能源、故障与迁移成本。
壁仞科技在WAIC上告诉我们，国产算力新增的供给不只来自下一片晶圆，也来自更短的数据路径、更灵活的系统组合，以及每一张仍能工作的旧卡。
热门跟贴