AI算力不再靠堆料，浪潮双产品破解两大瓶颈

长期以来，AI算力赛道的竞争逻辑似乎始终围绕着一个简单的思路：堆。堆叠计算卡、扩容机柜、加大发电功率……仿佛只要算力硬件的规模足够大，就能在行业中占据领先位置。但如今，算力是否够用的命题已经不再能通过单纯堆叠硬件解决，行业需求正在分化出越来越复杂的维度。

当前AI算力的挑战可以拆解为两个核心方向：一是智能上限，也就是算力系统能够支撑多强的智能能力；二是智能规模，即算力能够以多低的成本，生产出足够多的智能服务。这两个问题彼此独立又相互关联，只解决其中一个，无法突破全部的算力瓶颈。

在近期举办的人工智能计算大会2026上，相关行业机构发布的评估报告，正是从这两个维度展开了对当前算力格局的分析。

算力缺口的双重维度

随着智能体（Agent）技术的爆发，AI对算力的需求正在发生根本性变化。过去调用大模型更像是脉冲式的单次交互：用户提出一个问题，系统返回一次答案，算力调用仅持续短暂的时间。但当Agent接管任务后，情况完全不同——一个人类意图可能触发数十甚至数百次连续推理；当多个Agent组成协作网络时，系统连续运转的时长甚至可以达到数小时乃至数天。原本分散的单次算力请求，逐渐汇聚成持续不断的计算负载，给基础设施带来了全新的压力。

这种长时运行的算力压力，可以拆解为三个关键影响因子：

• 任务执行次数：据行业报告数据，到2030年，全球每年的AI推理任务将增长至4000万亿次；
• 单任务Token消耗量：过去一次简单问答仅消耗数十个Token，而如今一次多轮任务决策的Token消耗可达数十万；
• 多智能体协同的放大系数：单个用户操作会被拆解为多条Agent指令，Agent之间传递上下文、汇总结果进一步拉长了任务链路，放大了前两项的增长幅度。

这三个因子以乘法形式叠加，将算力需求的增长曲线推到了前所未有的高位。行业数据显示，从当前到2030年，全球Token消耗量的复合增长率将达到4822.6%，Agent消耗的Token规模正在急剧膨胀。

但算力供给的增长速度，却远远滞后于需求的变化。报告数据显示，全球AI算力需求满足率从2024年的79%持续下滑，2027年预计将跌至71%；即便后续上游半导体供应链压力有所缓解，到2030年需求满足率也仅能恢复到77%左右。看似小幅的百分比波动背后，是急速膨胀的需求基数：到2030年，算力缺口的绝对值将达到3809亿美元，规模扩大至2024年的近十倍。

过去弥补算力缺口的主要方式是“大力出奇迹”，通过扩大集群规模堆叠更多算力。但Agent时代的推理负载类型繁多，对算力设施的要求各不相同：Prefill阶段属于高并行、高计算密度的任务，Decode阶段则需要逐Token串行处理，对内存带宽要求更高；Attention模块需要频繁访问不断增长的KV Cache，MoE架构包含稀疏计算和大规模路由调度，多模态模型还拥有独立的Encoder模块……这些负载各有独特的计算特征，还会随着上下文长度、输出长度和并发规模动态变化。

以Agent任务为例，首轮对话的上下文可能仅有一两万个Token，但经过上百轮对话后会扩展到三四十万个，系统的瓶颈会在计算、显存、带宽和通信之间不断转移。因此，单纯堆叠硬件不仅无法带来线性的容量增长，反而会造成资源配比失衡，导致一部分算力长期闲置，另一部分则持续过载。

实际上，当前的算力缺口包含两个完全不同的维度：

第一个是能力上限：前沿模型的参数规模、上下文长度、推理深度都在同步提升，单台机器能否装下模型、能否快速运行、能否长时间稳定运行，成为了必须重新考量的核心问题。

第二个则关乎产能：Token需求在爆发，但不同推理阶段需要不同特征的算力，依靠单一类型算力的老路已经走不通。浪潮信息首席AI战略官刘军，将这两个方向概括为Capability（能力型智算）和Capacity（容量型智算）。

能力型智算（Capability AI Compute）用于支撑前沿模型探索过去无法触及的问题。如今，AI已经可以从靶点出发发现新的药物分子，完成筛选、设计并推进到临床试验；能够求解困扰学术界数十年的NS方程和孪生素数猜想；还可以自主设计AI芯片并持续迭代性能。这些任务的共同特征是推理链条长、模型规模大，对算力系统的承载能力和稳定性要求极高。

容量型智算（Capacity AI Compute）则致力于让智能供给更充足、更廉价，让更多个人和企业能够负担得起AI服务。算力的价值最终需要落地到普惠应用，仅有能力上限的突破还不够，让足够多的人能够使用，才能真正实现技术的价值。

两款新品破解双重难题

面对能力和产能的双重挑战，浪潮信息在本次AICC大会上发布了两款针对性产品：超节点AI服务器「元脑SD200 Ultra」和多元算力机组「元脑HC2000」。

突破单节点智能上限

SD200 Ultra主要解决前沿模型装不下、跑不快、跑不稳的核心问题。

“装得下”是实现模型运行的第一步，SD200 Ultra通过「紧致扩展」技术解决这一问题。它延续了前代SD200采用的3D Hyper Mesh架构，整机搭载的芯片数量从64颗提升至128颗，配套的显存和扩展存储也相应提升到8TB和64TB，将充足的计算、存储和通信资源整合在有限的物理空间内。目前全球最大的开源模型Kimi K3拥有2.8万亿参数，SD200 Ultra可以单机部署并高效运行；不仅如此，该服务器还支持在单机上部署10万亿参数的模型，提前为未来更先进的开源模型做好了基础设施准备。

解决了“装得下”的问题后，接下来需要提升运行速度。128颗芯片协同工作时，每秒跨芯片的数据交换可达数十万次，传统方式依赖软件调用和缓冲区中转搬运数据，会带来较大的延迟开销。SD200 Ultra通过两层技术优化解决这一问题：

第一层是「统一寻址」：通过全局统一编址、虚拟影子设备注册和跨域地址翻译，让128颗芯片的显存形成统一的地址空间，远端资源的访问从原本的消息通信加数据搬移，转变为地址空间内的直接访问。

第二层是「对称直连」：在统一寻址的基础上，通过对称内存技术实现GPU显存直连，GPU可以像访问本地显存一样直接读写远端GPU的显存，由GPU发起通信，跳过地址转换和封包中转，大幅缩短了通信路径。最终，SD200 Ultra的All to All通信时延缩短到0.69微秒，达到国际主流超节点产品的同等水平。

除了通信优化，计算效率也需要提升。以Kimi K3为例，其单步推理涉及数千个算子调用，运行时大量时间消耗在算子启动、数据搬运和同步等待上，真正用于计算的时间占比极低。SD200 Ultra构建了「超级算子」技术，将推理过程中的Attention、FFN、MoE等众多基础算子融合为计算与通信一体的大算子，算子数量降低至原来的十分之一，减少了内核启动次数和显存访问开销，同时隐藏了通信延迟。通过超级算子优化，SD200 Ultra运行Kimi K3的推理性能提升了3倍以上，Token生成时延低至5.85毫秒。值得一提的是，超级算子的优化过程正是使用K3来分析和重构推理流程，实现了模型自我改进执行效率的效果。

最后还有一个容易被忽略的稳定性问题。Agent的复杂任务可能连续运行数小时乃至数天，期间会经历大量模型调用、工具调用和数据读写，任何一次计算或通信故障都可能中断整条任务链路，导致此前所有的推理和执行功亏一篑。SD200 Ultra采用铜互联方案，减少了光电转换环节，降低了长时间运行中因电路故障导致任务中断的风险。

提升智能产能，降低使用成本

HC2000则面向另一个核心方向，解决Token产能不足的问题，其核心思路是让不同类型的算力各司其职，匹配不同推理阶段的需求。

HC2000的硬件基础是高密液冷AI整机柜，采用全液冷设计加上高通流供电，突破了传统风冷机柜的散热和供电瓶颈。单柜供电能力超过300千瓦，最多可承载256张AI加速卡，算力密度达到传统风冷机柜的4倍。其通信架构升级到Directcom 2.0，计算与通信带宽实现1:1均衡配比，柜内聚合带宽达200Tbps，能够跨柜多平面无损扩展，All to All通信性能提升50%以上。

在这个硬件底座上，HC2000实现了多元算力承载，让不同类型的芯片按照推理阶段分工协作：

• Prefill阶段选择大算力芯片配合成本更优的显存颗粒，匹配高并行、高计算密度的任务特征；
• Decode阶段选择大容量HBM芯片，兼顾显存容量和带宽需求；
• FFN计算环节选择3D RAM堆叠芯片，缩短数据搬运路径，缓存带宽可达数十TB每秒。

整机柜支持成熟的工业标准架构模组，能够适配多种算力芯片，让不同芯片承担最适合的负载。而负责协同这些不同类型算力的核心，是「MCIS多元算力协同推理软件栈」。

MCIS覆盖了从请求路由、PD分离推理到算力动态调整的全链路。在PD算力动态调整方面，MCIS构建了测量、分配、监控、调整的完整流程：在模型部署前通过性能仿真评估不同芯片组合和PD配比，找到最优配置方案；上线后则会对计算、缓存、传输各环节的实际表现进行全链路监控，识别瓶颈并与预测结果对比；当业务负载发生变化时，MCIS会重新评估PD配比和实例分配，持续优化资源分配方式。

在多元算力KV Cache管理方面，MCIS打通了不同类型算力之间的点对点数据直传，避免CPU中转和重复拷贝，数据传输性能提升近5倍。此外，MCIS还会根据KV Cache数据的冷热程度构建分级存储，结合多级流水并行聚合，使节点内磁盘I/O性能提升32倍，突破了KV Cache在大规模多元算力环境下的存储和传输瓶颈。

最终在典型的Agent任务场景中，HC2000搭配MCIS软件栈，可以在同等投资下实现10倍的Token产能提升。

从“提供算力”到“生产智能”

Capability和Capacity并非两条分道扬镳的路线，而是互为因果的循环：前沿能力的突破经过算法优化和工程迭代，会以更低的成本向下渗透，成为容量型智算可以规模化供给的服务；而容量型智算将智能服务送到更多用户手中后，会催生新的应用和需求，反过来推动下一轮前沿能力的突破，向着更高的天花板迈进。两个方向最终殊途同归，汇成了一条加速前进的螺旋。

去年，全球规模最大的开源模型是DeepSeek-R1，参数量为6710亿；今年这一位置被Kimi K3占据，参数量达到了2.8万亿。训练和运行这类超大规模模型需要极大的算力投入，仅有少数机构能够负担。但当前各模型厂商已经在通过更小的参数量和更低的推理成本，将前沿模型验证过的能力向下传递。

顶部的前沿突破不断制造新的智能能力，底部的工程优化不断将这些能力变得更廉价，中间的应用层则持续催生新的需求，推动这条螺旋不断向上。这种循环已经在企业端得到了验证：同一家企业会在需要探索突破的任务中调用前沿模型寻找未知答案，在已经验证过的日常流程中切换到更轻量的模型批量执行。能力型算力负责思考和规划，容量型算力负责执行和重复，两种算力在同一个业务场景中并行运转。

刘军在本次大会的演讲中提到了一个历史类比：“世界上第一台通用电子计算机ENIAC非常重要，但真正改变几十亿人工作和生活的是个人电脑和智能手机。最先进的发电技术非常重要，但真正改变工业社会的是稳定廉价的电力进入千家万户。AI正在经历同样的过程，前沿智能的首次突破决定了AI能做到什么，而智能的普及程度才决定它能改变什么。”

过去，知识、推理、判断、创造这些能力高度依赖人类个体，但一名科学家穷其一生能够深入研究的问题有限，高水平的智能天生属于稀缺资源。如今，AI让智能有可能像计算和电力一样，成为一种可以被大规模生产和供给的资源。这种变化正在重新定义算力产业的价值尺度：从“提供算力”，转向“生产智能”。正如刘军所说：“在生产智能的今天，用户购买算力设施，就应该像买电冰箱一样，插上电就能产Token。”