中国首个全链路国产化的十万卡AI超集群——曙光8000（登峰），已在郑州正式落成并接入国家超算互联网。这是国内首个从芯片、服务器到交换机全部采用国产方案的十万卡集群，标志着国产算力在超大规模系统工程上取得关键突破。

十万张AI加速卡同时运转的算力规模相当可观。若全部用于模型推理，该集群可支撑当前中国5%至10% 的Token访问需求；若转向科学计算，则能在一天内完成过去需要数月才能跑完的复杂模拟任务。

然而，从万卡跨越到十万卡，绝非简单的算力堆叠。中科曙光高级副总裁李斌指出，算力规模每提升一个数量级，系统的工程难度、可靠性压力和协同复杂度都会呈几何倍数增长。任何一个部件、链路或调度环节的微小漏洞，在十万卡规模下都可能被无限放大，导致整体性能坍塌。这也是此前国内长期未能实现全国产十万卡集群落地的核心原因。

为解决这一难题，曙光8000采用了“原生超智融合”架构。传统方案通常将需要高精度浮点运算（FP64）的科学计算，与依赖低精度大吞吐（FP16/INT8）的大模型训练分开部署，导致数据搬运和任务切换效率低下。而曙光8000从底层芯片到系统架构实现了一体化融合，单芯片即可覆盖从FP64到INT8的全精度计算需求，在同一套系统内同时承接传统超算任务与AI训练推理。

在网络互联层面，曙光自研了scaleFabric高速互连网络，采用类InfiniBand的原生RDMA技术，可支撑十万卡集群的稳定连接，并具备毫秒级链路故障恢复能力。李斌透露，为提升可靠性，团队在柜级单元内优先使用铜互联而非光互联，因为铜的信号质量更好、故障率更低；只有当物理距离超出铜的驱动极限时，才会转向硅光共封装（CPO）技术。此外，系统还采用了浸没式液冷来控制温度波动，力求将每一个小部件的可靠性做到比通用计算设备高一个数量级。

在实际应用中，超智融合架构已展现出“一套系统干两套活”的效率优势。例如，8万张卡完成了蛋白质折叠全流程模拟，将传统方法耗时数年的工作压缩至数周甚至数天；9万张卡协同完成了3.16万亿原子的DFT高精度仿真；8.8万张卡完成了328万亿网格湍流直接模拟，这对航空发动机、船舶设计等工程研发至关重要。李斌还观察到，在这些大规模应用中，结合机器学习AI方法的比例远高于预期，说明国内头部应用团队正在快速采纳AI方法。

尽管十万卡集群的落成是一项了不起的工程成就，但其商业考卷才刚刚打开。中国科学院院士鄂维南近期公开表示，算力规模本身不是目的，能否让算力真正“可用”才是关键。当前行业热议的“算力泡沫”焦虑，本质是对算力价值落地难的担忧。曙光8000的实战表现则印证了结构性算力紧缺的现状：市场闲置的多为低端通用算力，而适配AI for Science、高端工业仿真和大模型深度训练的高稳定性国产优质算力，长期供不应求。尤其在2026年智能体应用全面爆发、AI产业进入推理时代的背景下，十万卡级大规模算力的刚需属性正持续凸显。

据企业官方信息，中科曙光已与北京科学智能研究院达成合作，启动第二套十万卡系统的研制与建设。从“第一套”到“第二套”的快速决策，显示出建设方对技术路线的信心。但十万卡集群要从示范工程走向商业可复制，仍需回答几个关键问题：大模型的软件工程化能力能否跟上硬件扩张速度，避免出现类似马斯克的xAI部署约55万张GPU但浮点运算利用率仅11% 的困境；推理需求的增长能否持续消化新增算力供给；以及在全生命周期成本上能否形成商业闭环。

李斌坦言，国产芯片单点能力与全球顶尖水平尚有差距，但可以通过更多芯片和更优的系统效率来弥补。曙光8000的意义不在于规模有多大，而在于它证明了中国有能力将超大规模算力组织起来、稳定运行并开放服务，这或许才是下一阶段AI应用竞争的真正入场券。