《科创板日报》10月21日讯（曾乐王楚凡）大模型驱动下，超节点已从概念验证走向工程落地。国产算力竞争的重心，正从“单卡算力指标比拼”转向“系统可用性、部署成本、长期运维能力”的综合较量。
今年10月，在2026中国国际工业博览会集成电路展上，天数智芯首发天垓300 IXL144，单机柜集成144颗GPU，为业界最高密度单机柜GPU超节点。整套方案搭载18颗配套CPU，整机共享显存约10.1TB；方案兼容CUDA等主流生态，在供电、承重和散热条件满足要求的情况下，可利用现有机房部署，减少额外改造投入。经该公司测算，每百万有效Token成本较国际主流方案降低40%。
成立于2015年的天数智芯，是通用GPU芯片及AI算力解决方案提供商。其总部位于上海，于今年1月登陆港交所主板。
近期，天数智芯副总裁石加圣、郭为共同接受《科创板日报》记者专访，围绕IXL144超节点方案的技术定位、高速互联能力、软件生态适配、云边端一体化布局以及AI算力行业未来趋势等话题，分享公司的最新进展与战略思考。
▍谈超节点核心竞争力：能否真正用起来、用得起
当前，国内超节点赛道进入集中发布期，多家厂商接连推出高密度算力硬件方案。在天数智芯副总裁、负责软件研发的石加圣看来，超节点的核心竞争力不在于纸面算力参数堆叠，而在于能否让客户真正用起来、用得起。
天数智芯推出的IXL144超节点，单机柜集成144颗GPU，为目前业界最高密度单机柜GPU超节点产品。
谈及144卡高速互联的设计初衷，石加圣表示，核心是在算力水平、显存容量与机柜物理规格之间寻找平衡。“如果堆叠更多，可能影响机柜规格，同时涉及互联拓扑能力，是多方面设计的综合。以目前的规模与算力水平，基本能够应对未来几年主流的AI需求。”
面对超节点架构对芯片高速互联能力提出的全新要求，石加圣将其归纳为三个维度：
一是通信效率。他表示，随着MoE大模型广泛应用，专家并行带来的All-to-All通信成为关键性能瓶颈之一，对通信延迟和带宽提出更高要求。传统集群中，模型参数量扩容后，跨机通信依赖网卡互联；即便采用高速网卡，对比超节点单机整机柜内全交换互联，仍存在明显差距。
二是原生内存语义。IXL144支持Load/Store语义，整机柜内全部GPU显存可视作统一内存地址域，“这也是当前大模型、智能体应用对底层硬件提出的新挑战。”
三是显存容量。随着模型规模增大、权重增加，叠加近一年Agent应用范式兴起，上下文长度要求持续走高，KVCache和context window均提升至新层级。“IXL144的高带宽互联域提供约10.1TB共享显存，均可通过Load/Store语义直接访问，机柜内GPU显存池之间依托整柜P2P高速直访，不依赖传统RDMA通信路径，为实现低延迟、高吞吐提供保障。”
适配场景方面，石加圣称：“超节点不仅适用于大规模模型训练，也能够满足复杂推理和Agent等新兴AI应用的算力需求。在训练场景中，高带宽、低延迟互联有助于提升大规模并行计算效率；在推理场景中，能够更好地应对长上下文、复杂推理等带来的显存和通信需求。通过计算、通信与软件栈的协同优化，超节点能够提升整体算力利用效率，为不同AI应用提供高效的算力支撑。”
线上炒股配资▍谈通用GPU生态优势：打破国产算力生态短板
业界普遍认为，软件栈与通信库仍是当前国产算力的阶段性短板。但在石加圣看来，“在天数智芯的方案层面，随着近年来产品迭代，以及国产芯片在商业场景逐步落地，相关能力已在重点客户和典型场景中得到工程验证，由基础可用推进至性能优化和规模化部署。”
石加圣将软件生态适配能力拆解为多个层面。在通信库层面，除常用集合原语外，天数智芯专门开发面向推理工作负载优化的通信库，在通算融合层面属于国内较早落地的厂商。“随着低精度数据类型应用范围扩大，通信库也支持低精度数据传输与集合规约场景”。
对于如何降低客户从海外算力平台迁移的成本，石加圣认为，核心在于两点：开发阶段，要兼容客户原有开发环境与工具，仅需少量代码修改即可完成迁移，“这也是天数智芯坚持GPGPU路线的原因”；开发交付后，运维能力同样关键。“能否长期稳定运行，是决定国产算力迁移落地的重要标尺。”其表示，公司在RAS适配、长期稳定性运维、开发者工具链等方向持续投入，保障客户业务稳定运行。
在石加圣看来，国内超节点产业方向明确，但行业仍处在起步阶段。从模型仿真与理论测算来看，超节点能够提供更优性价比，从经济学视角属于更优选择。
而超节点的规模化落地、机房适配、运维运营、工程实施，以及故障处置、冗余架构设计，与传统通用计算集群存在显著差异。这对芯片厂商提出更高要求：不能仅聚焦单颗芯片的研发设计，更要吃透行业场景、系统架构与高速互联技术。
天数智芯副总裁、边端事业部总经理郭为表示，“对于通用GPU而言，做超节点反而具备最大的优势。”他解释称，天数智芯倡导行业开放共建，长期坚守通用GPU技术路线，生态层面坚持开放兼容，原生适配主流软件体系。因此，“坚守通用路线的厂商，在超节点赛道具备天然禀赋；对客户而言，选择这类方案，理论上也是算力落地的最优解”。
元股证券:ygzq.hk▍谈云边端一体化布局：分层算力兑现商业价值
除高密度超节点方案外，截至目前，天数智芯已完成云边端一体化的全域算力布局。郭为将其概括为“算力分层，但并未割裂”的思路。
据介绍，该公司主业聚焦云端大算力，天垓300的目标对标对象为英伟达H200。与此同时，边缘侧与端侧均有成熟产品方案，面向边端场景的“彤央”系列已落地商用，在云、边、端各层级积累大量落地案例，覆盖多种垂直行业场景。
郭为介绍了这套布局的底层逻辑：“并非所有AI任务都依赖云端或超节点承载。超大参数量、高算力需求的模型与算法，适合放在云端运行；而边缘、端侧场景，出于数据隐私保护、本地自主部署的硬性要求，相关计算任务需就近完成。”
在郭为看来，对通用GPU厂商而言，云边端一体化方案最核心的价值，正是“算力分层，但体系互通”：云侧承载云端业务，端侧承接本地任务，云与端之间保持数据与能力互通，不存在体系壁垒。整套算力架构是统一、协同、完整的混合体系。
谈及云边协同落地实例，郭为以安防场景举例。行业传统方案长期依赖YOLO、CV算法，该路线沿用已有十年，但短板突出：图像分辨率不足时，识别准确率难以抬升。
据其介绍，天数智芯一体化方案融合YOLO与MoE大模型，依靠前端CV算法完成初筛，再由大模型做深度研判。在可控成本下，这套方案可在低分辨率画面中提升场景识别精度，在该客户落地场景下实测准确率可达97%以上。
石加圣补充了这套架构的数据闭环路径。他介绍，边端、终端设备产生海量真实推理数据，这些数据可回传至云端，用于模型微调与强化学习，持续迭代模型性能。“数据的具体使用方式，将根据客户需求与整体技术方案定制。依托一体化软件栈是实现这套闭环的基础：天数智芯打造统一完整软件栈，单套软件体系可适配生命周期内的全系芯片与产品，为开发者提供一致的开发体验”。
面向物理AI赛道，设备可靠性与算法迭代提出严苛要求。郭为认为，无论是端侧终端还是云端算力设备，都必须适配物理AI算法的快速迭代。相较成熟的大模型领域，物联网产业基础尚不成熟；自去年物理AI概念兴起后，行业迭代节奏进一步加快，物理AI底层算法仍在持续演进，核心计算逻辑依托通用计算框架。
“天数智芯的通用芯片架构、兼容开放的软件生态与云边端一体化布局，恰好适配物理AI持续迭代的需求。”郭为称，物理AI本身就是云边协同的典型场景：物理终端设备本地运行算法、采集感知数据，再将数据回传云端，开展深度模型训练与仿真校准，是近半年行业关注度最高的赛道之一。
▍谈商业化落地路径：架构复用撬动量产性价比
谈及研发投入与商业化之间的平衡，石加圣认为，云端、边端、终端产品复用同一套架构，正是GPGPU通用计算路线的核心优势：大量开发工作可迁移至软件侧实现，软件层面的迭代节奏相比芯片硬件研发更敏捷快速。
对于边端大算力落地的核心瓶颈，郭为将其归结为性价比：在满足客户性能指标的前提下，实现更优的成本控制。其认为，伴随国内30B及以下小参数开源模型能力快速迭代，端侧算力芯片已具备规模化落地的基础条件。
“性价比一定需要量产才能实现，没有量产就没有性价比。”郭为称，模型能力持续迭代，打开方案在更广场景落地的空间，客户接受度持续抬升，带动出货规模扩大；叠加硬件迭代与软件栈持续优化，整套方案的综合性价比将得到显著改善。
展望未来2-3年，石加圣判断，AI技术迭代将持续提速。从Chatbot、Vibe Coding到Agent规模化落地，技术落地周期持续压缩，商业化场景加速验证，除了大模型云端训推应用以外，目前公司也在金融、地质勘探、智能矿山等垂直行业实现落地。“AI时代工程实施与算力部署资源瓶颈正在消解，云边端协同、超节点这类新型算力架构将持续涌现，厂商核心要务是紧跟技术演进节奏，锚定客户真实需求”。
郭为补充称，行业需坚持开放共建、协同发展的思路，“我们希望帮行业把Token成本降下来，让更多人用上质量更高、成本更低的Token”。
整体来看，算力硬件之争，最终比拼的是落地价值。超节点并非高密度硬件的简单堆叠，只有统筹算力性能、迁移成本与长期运维稳定性，国产通用GPU算力方能跑通商业化闭环融资服务，持续支撑大模型、物理AI等新兴场景迭代。
元股证券股票配资移动端提示：本文来自互联网，不代表本网站观点。
