2026世界人工智能大会将于7月17日举行，华为昇腾950真机也将在WAIC大会首发，核心看点不是单颗芯片参数，而是背后的超节点架构。

Atlas950包含了四层互连体系、最高支持8192卡组网，线性加速比超过90%，目前AI基础设施的竞争逻辑正在变化。

今天重点解读 超节点架构。

为什么超节点成为新焦点

过去看AI芯片，大家更多关注单卡算力、显存容量和能效。但进入大模型训练和高并发推理阶段，真正决定效率的，已经不是一张卡有多强，而是成百上千张卡能不能像一台机器一样工作。

卡越多，通信开销越大；模型越大，显存和KVCache压力越高；任务越复杂，调度和容错难度也越高。很多时候，算力不是没有买到，而是没有真正用起来。

超节点要解决的，就是规模扩大之后，“有效算力”被通信、内存和调度损耗吃掉的问题。

超节点，本质上不是普通服务器集群，而是一个被统一抽象出来的AI计算单元。它通过高速互连、统一内存、通信协议和系统软件，把多颗芯片、多台服务器、多组机柜，组织成一台更大的“逻辑计算机”。

不是卡越多越好，而是系统效率更高

超节点架构的关键，不在于把更多卡连起来，而在于让卡与卡之间的数据流动足够快、足够稳，同时尽量降低通信损耗。

公开信息看，昇腾950强调灵衢UB、UBoE、PCIe5.0和全局统一内存池四层互连体系。

其中，灵衢UB主要负责超节点内部NPU之间的数据同步，解决大模型训练中的梯度规约、参数同步和多卡协同问题。

UBoE把自研高速协议和以太网基础设施结合起来，降低机房网络改造成本。

PCIe5.0负责主机与NPU之间的高速通信，支撑任务下发和数据搬运。

全局统一内存池则直指大模型内存瓶颈，让多卡显存可以统一调度，缓解长上下文和高并发推理中的资源碎片问题。

这套技术路线的意义，是把AI算力竞争从“峰值算力”拉回到“有效算力”。

如果互连带宽不足、延迟过高，单卡再强也会被通信等待拖住；如果显存不能统一调度，模型越大，资源碎片越严重；如果系统软件调度能力不足，硬件规模越大，实际利用率反而越难提升。

超节点产业链

超节点带动的不是单一硬件，而是一整条AI基础设施产业链。

上游包括NPU/GPU、HBM、高速SerDes、PCIe交换芯片、光模块、光芯片、先进PCB、连接器、电源器件和液冷零部件。

随着集群规模扩大，互连芯片、光模块和连接器的重要性会持续上升。因为AI系统的瓶颈，往往不是能不能算，而是数据能不能快速流动。

中游包括AI服务器、整机柜、互联柜、交换网络、液冷系统、电源系统和智算中心建设。

过去服务器更多拼单机配置，未来更重要的是整柜交付、机柜互连、供电能力、液冷适配和集群管理。

下游主要面向大模型厂商、云厂商、运营商、政企智算中心和科研机构。

训练侧需要更高并行效率，推理侧需要更低时延和更低单位Token成本。随着多模态、长上下文和Agent应用发展，对超大内存、高带宽互连和稳定调度的需求会更加明确。

价值链看，芯片仍然是核心，但系统集成、互连网络、液冷电源和软件调优的价值会明显上升。未来决定最终体验的，往往不是单个器件性能，而是整套系统能不能持续、稳定、高效地跑起来。

真正的护城河，不在单一硬件，而在全栈协同。客户最终买的，不只是几千张卡，而是稳定、可用、可扩展、单位成本可控的算力能力。

超节点产业趋势

AI基础设施进入“超节点化”阶段

未来3—5年，超节点能否快速普及，主要看三个变量。

第一，大模型趋势。多模态、长上下文、Agent和世界模型都会推高训练和推理需求。模型越复杂，越依赖高带宽互连和统一内存调度。

第二，推理成本变化。AI应用要真正大规模商业化，不能只靠更大的模型，还要靠更低的单位Token成本。超节点如果能提高系统利用率，就有机会降低训练和推理的单位成本。

第三，国产算力生态。硬件只是第一步，通信库、编译器、框架适配、模型迁移和开发者工具，才决定最终可用性。

华为昇腾950超节点的出现，说明国产AI基础设施正在进入新阶段，不再只讨论单卡参数，而是开始讨论系统效率、网络架构、内存池、液冷、电力和生态适配。

未来几年，AI算力竞争会越来越像一场系统工程的竞赛。

超节点重点公司梳理

海外

NVIDIA（美国，全栈垂直整合超节点算力标杆）

Google（美国，光互联TPU超节点规模化部署）

AMD（美国，开放生态超节点能效优势显著）

MicrosoftAzure（美国，云原生超节点算力服务方案）

AWS（美国，云侧超节点算力集群服务）

国内

华为（深圳，全栈自研全对等互联超节点方案）

浪潮信息（济南，开放生态超节点系统集成交付）

中科曙光（天津，高密度液冷开放架构超节点）

新华三（杭州，企业级全场景超节点算力方案）

海光信息（天津，兼容生态国产DCU超节点方案）

阿里云（杭州，云原生内存池化超节点算力服务)