作者 | 陈泊丞

　　今天，Agentic AI把算力的需求彻底改了。

　　过去大模型时代的算力消耗以训练为中心，一次训练是一次性的高峰，跑完即止。智能体时代，模型上线只是开始，多轮对话、工具调用、AI编程，推理业务全年无休地在线，而且要得更急，时延大多以毫秒计。

　　相比之下，训练是一次性的高峰，推理和智能体是常年在线。评判算力的单位也就从“一张卡”变成了“一个Token”，整个行业比的不再是峰值，而是单位成本。那么，顺着这条线往下推，我们也会得到一个看似技术、其实很常识的结论：算力贵不贵，跟一张卡跑得多快关系不大，跟“这些卡里有多少算力真的被用上了”关系很大。

　　而“让卡里的算力真正被用上”，恰恰是传统集群逐渐暴露的短板。上千张卡堆进一个机房，卡与卡之间隔着通信时延，显存被切成一座座孤岛，调度各归各家——它们始终是“一千张卡”，而不是“一台机器”，空转和等待，就是账本上最贵的部分。

　　要把这部分成本挤出去，单卡提速已经不够用了，得把卡与卡之间的墙拆掉。这正是今年超节点走红的根本原因——算力的最小使用单位，在行业需求的调整中正在从“一张卡”变成“一台计算机”。

　　但客观而言，这台“计算机”能否真正成立，需要两件事同时发生：造它的人，得让千张卡工作逻辑上像“一台计算器”一样工作;用它的人，得愿意在这台机器上写代码。具体应该如何去推动?前不久的华为全联接大会上，腾摆出了两个动作，值得拆解。

　　一是腾950超节点正式上市，二是在去年就已全面开源开放的CANN与Mind系列软件基础上，腾这一年深耕开发者体验，推动软件从“好用”迈向“易用”。两个动作，正好一一对应上面的两个条件——硬件上市，回答的是“这台机器造不造得出来、交不交得出”;软件与生态的演进，回答的是“开发者愿不愿意站上来写代码”。市场的问题能不能被真正解开，或许能在这里找到一个更具体的答案。

　　超节点“狂飙”，是需求倒逼的

　　超节点这个词今年被说得很热，2026年也是超节点集体上市的一年。牌桌上不止一家，路线也在分岔——自研互联、光电融合、开放混插，各有拥趸。有意思的是，吵归吵，今年产业界反而罕见地形成了“什么才算超节点”的共识：多个计算节点通过高速互联协议紧密连接，具备跨物理节点统一内存编址能力，在逻辑上具备“一台计算机”特征的计算系统。

　　为什么今年超节点“狂飙”了?它不是被概念催出来的，是被算力需求的变化逼出来的。

　　华为腾计算产品线总裁张迪煊在峰会上给出过一个判断：大模型每一波迭代都带来新的AI负载需求，腾要用确定的架构，去应对AI负载变化的不确定性。展开来看就是，模型参数从1T走向10T，集群规模从万卡走向十万卡，MoE成为主流架构，上下文越拉越长，推理规模化落地——客户真正关心的，一是有效算力能不能随规模线性增长，二是单位TCO下的吞吐够不够高。

　　具体的，大模型推理分为Prefill(计算密集)和Decode(访存密集)两个阶段，真正的成本大头出自Decode阶段。而它的瓶颈不在峰值算力，而在内存带宽、通信时延和显存容量。对应来看，当前市场面临的问题，正好是超节点能解决的，即超大带宽、超低时延、跨物理节点的统一内存编址所带来的系统性优势。

　　因此，各家路线虽然不同，但拆解到最后，其本质都要回答同一组问题：卡与卡之间的墙，拆得够不够彻底?真正跑起来，Token的成本到底降没降?具体评估一家厂商的成色，参数表恰恰是最不重要的部分。

　　以这次华为全联接大会——腾AI人工智能产业峰会上正式上市的Atlas 950 SuperPoD为例，它面向大规模数据中心建设、万亿级大模型训练与中心高并发推理场景，也是目前业界最大规模的商用超节点——单个超节点集成了1024颗NPU。

　　在「智能相对论」的视角中，这一产品真正值得注意的，不是1 EFLOPS FP8的算力数字，而是256TB全局统一内存编址：万亿参数模型连同智能体常驻的KV缓存，得以在“一台机器”内部装下并统一调度，而不必在卡与卡之间来回搬运。同时，TB级互联带宽与小于10毫秒超低时延，则是给MoE模型高频的专家路由，修了一条不堵车的高速路。

　　这些架构选择落到实际运行上，带来的价值是显而易见的：训练MFU(模型有效算力利用率)提升1.5~1.7倍——注意这个指标，它量化的正是开头那个问题：“这些卡里有多少算力真的被用上了”。其他的，万卡集群实现月级稳定训练，千卡MTBF高达300小时，领先业界25%以上，推理性能相比传统集群提升2~3倍——倍数本身不重要，重要的是它们换算下来，同样在回答最核心的问题：同样的卡，干出了更多的活。

　　当然，对于用户而言，性能再强还得放在实际的市场应用中，而市场应用的第一个关键门槛，就是交付。

　　关于这一点，腾的落地值得一提。截至目前，腾超节点累计部署超1000套，累计超过6.5亿在线卡时。同时，40多个大模型在腾上完成了原生预训练，腾也是目前国内唯一支持预训练的算力底座。

　　把镜头拉近到行业，这份交付清单的含金量会更直观。蚂蚁的AI医疗健康应用阿福，基于腾构筑“离线持续优化、在线实时纠偏”的双反馈体系，业务数据显示，负反馈率下降20.43%、正反馈率上升11.99%。从汽车电子走向具身智能的德赛西威，基于腾超节点构建算力底座，训推性能超过业界GPU平台，其工业机器人任务成功率不低于99%、生产效率平均提升30%。

　　超节点好不好用，最终还得是这些业务数字在说话。那么，遵循这个思路，我们可以发现，AI算力的变革方向往往更贴近大多数企业的现实。此前超节点基本绑定液冷数据中心，而大量企业级机房是通用风冷——要上超节点，先得过液冷改造这道坎，周期长、成本高，这道门槛卡住的恰恰是规模最大的存量市场。

　　由此，这次同步上市的Atlas 850E风冷超节点，又给我们提供了一个新解法——依托自研相变散热技术，标准机柜直接上架，现有风冷机房无需改造。同时，通过灵衢互联设备，单层组网支持32、64和96超节点，双层组网可扩展至768超节点。叠加大规模专家并行优化，在万亿MoE模型上实现5-10ms的极致低时延，单卡吞吐比业界风冷集群提升2.5倍。原生覆盖FP8、mxFP4等低精度格式，支持M级长上下文。

　　这也就意味着，超节点不再是某类数据中心的专属，而是面向不同场景的形态之选——大规模数据中心建设有液冷超节点，企业通用机房有风冷超节点，客户可以按自身业务需求选用合适的超节点形态。换句话说，互联网、金融、政府、教育这些以风冷机房为主的行业，也正式接入了超节点的选项清单。

　　说到底，超节点狂飙的真正推手不是概念，而是Agentic AI落进千行百业时，那些实实在在的算力需求所激发的。

　　“一台计算机”要立得住，硬件之外还得看生态

　　当然，新架构计算机往往都逃不开同一个历史规律：硬件决定它能跑多快，生态则决定它能不能活下来。硬件越是把算力做成“一台机器”，那么瓶颈就越会从机房转移到开发者的工位上。

　　而腾在软件这一侧的动作，本质上就是这个判断的延续——新架构能不能立住，取决于有多少人愿意在上面写代码。众所周知，CANN和Mind系列软件在去年就已经完成了全面开源开放——驱动、运行时、算子编程、算子库、通信库、工具，悉数开放。站在开发者的视角，这相当于把过去层层封装的“黑盒”变成了“白盒”：开发者不再只是腾的使用者，随时可以变成腾的改造者。

　　但开源从来不是终点，更像是起点，接下来腾如何围绕“好用易用”这条主线，持续往深处走，恰恰是其今年想要回答的问题。

　　往深处走的第一步，是社区化运作。一年多下来，CANN已有30多个SIG组、70多个开源项目，月活开发者超过5000，是中国最活跃的AI开源社区，目前多个行业和不同高校的开发者都已入驻，在社区提交贡献。从这里来看，这套开源体系就基本进入“活的”状态，进而带来持续进化的可能。

　　紧接着，再往深处走，身份的变化继续打破开发者的顾虑。今年7月，腾NPU正式上线PyTorch官网，是首个官方支持的中国硬件厂，PyTorch社区CI/CD已接入腾，已实现L3级流水线(标签触发，上游PR可见腾CI结果)，100%用例覆盖与可视化实时看护，未来双方携手共建 Agentic AI 超节点原生软件栈;思MindSpore以组件化方式开放能力，超节点分布式并行组件 HyperParallel与PyTorch融合表现出卓越的训练性能，深度支持PyTorch生态;Triton Ascend成为Triton官方社区支持的首个国产加速后端——把这些动作凑在一起来看，不难发现，腾正在从主流生态的“适配者”变成“原住民”。

　　回到开发者的视角来看，这两种身份的差别是本质性的。适配意味着“迁就”——代码要改、习惯要换、坑要自己踩，出了问题只能找厂商。而原生意味着“默认”——目前腾已兼容Megatron、vLLM、SGLang、PyTorch、Triton等90余个业界主流开源项目，贡献超38.8万代码到主流社区，从适配走向原生共建。MindStudio工具链就与verl社区联合创新RL-Insight，填补了强化学习可视化性能调优的空白。通过与社区不断交流融合，照着社区文档写的代码几乎不用改就能跑，工具链和社区经验可以平移，迁移成本趋近于零。

　　当然，身份是名头，好不好用还得看事实。对于想要转向腾生态的开发者而言，改变已经在发生，有三个维度可以验证。

　　一是生态已经能实现反向贡献——高校共建算子仓、上游社区接收代码成了现实。二是新模型实现了0 Day适配——DeepSeek、Kimi、GLM等85款主流系列模型均在发布当天上线腾。三是客户场景里真有算子被产出、被复用——仅CANNBot就已在50余家头部客户场景落地算子50余个。

　　在此基础上，腾还把4000多名专家在开发、调试、调优中的实践经验沉淀为Skills，开源了200多个，构建起覆盖算子生成、精度调试、性能调优、模型部署等10大核心场景的Agentic编程体系：开发者用自然语言下达指令，CANNBot就能自动完成算子的设计、开发与测试，纯Vector/Cube类算子3小时生成、1天内部署;48亿Token的算子数据集正式开源，社区同步上线CANN-Bench评测平台，让算子生成的质量有据可评。

　　说白了，腾在用AI降低AI的开发门槛——算力基础设施的易用性问题，正在交给AI自己来解决。这大概是Agentic AI时代里，最自洽的一种解法。

　　而门槛每降低一分，愿意走进来的人就会多一批，整个AI算力的复利效应也随之转起来：用的人越多，模型适配越快;模型越丰富，又反过来吸引更多的人——算力在“一台计算机”里高速流转，而不是在机房里闲置。

　　这也正是开头那“两件事”的意义所在：让上千张卡在逻辑上像一台计算机一样高效工作，解决的是算力的供给;让人愿意在这台计算机上写代码，解决的是算力的兑现。接下来超节点要成为业内主流方案，这两半缺一不可。

　　结语

　　总的来说，算力的最小使用单位从“一张卡”变成“一台计算机”，同时改写了两边的命题——硬件要负责拆墙，软件要负责接人。在「智能相对论」看来，这两件事做不成一件，超节点就只是更贵的机柜，开源就只是一份更长的代码仓库。

　　这也是为什么说，2026年超节点集体狂飙，但真正的“加速档”从来不在超节点这个硬件形态身上，而在软件与生态的咬合处。

　　再往前看一步，这轮竞赛里，一条清晰的路径是把单点上的差距，用系统能力补回来——靠互联、架构、软件和生态的系统工程去换时间。这条路走不走得通，接下来的三年是关键窗口期，而验证这一路径的关键，恰恰是交付清单和生态开发者的数量。