進博會觀察丨中國館唯一入選國產GPU企業,沐曦“同構”“異構”雙箭齊發
訂閱已訂閱已收藏
收藏國產算力這些年總被追問一道選擇題:當模型規模越來越大,算力需求越來越高,是把單機櫃做得更大、把集群堆得更多,還是通過異構設計,讓不同芯片分工組合?在第九屆中國國際進口博覽會上,作為中國館唯一入選的國產GPU企業,沐曦股份給出的答案是:不做選擇題。
第一支箭:超節點,把“同構”做大
“同構”這支箭,指向規模與效率。
開展首日,曦景S600超節點成為展台焦點。這款旗艦級超節點單機櫃可支持128卡全交換、無帶寬收斂,並可按業務規模橫向擴展(Scale-out)至萬卡集群,從而應對MoE、長上下文等主流大模型負載。
為什麼“超節點”會成為這一代算力基礎設施的關鍵詞?答案藏在通信裡。
當模型參數邁向萬億、訓練與推理被切分到成百上千張卡上時,卡與卡之間的數據交換正在取代單卡算力,成為新的瓶頸——業內稱之為“通信牆”。
超節點已成為行業打破通信牆的主要路徑之一。它將數百顆芯片組成統一資源池,用更大、更扁平的縱向擴展(Scale-up)域,把“通信牆”盡量推遠。沐曦曦景S600單櫃支持128卡全交換、無帶寬收斂,意味著在這一櫃之內,任意兩顆GPU之間的通信都不必“排隊”。
同時,超節點採用高密正交整機櫃與解耦模塊化架構,支持“三0”部署——計算節點0線纜、交換節點0線纜、計算與交換節點間0線纜,把傳統機房裡最容易被忽視的部署成本——布線、改造、運維——一並壓縮。對動輒千卡、萬卡的智算中心而言,這是能否規模化交付的前提。
第二支箭:多芯協同,把“異構”做對
而“異構”這支箭,指向結構與成本。
“沐曦股份X東方算芯”異構雙擎算力機櫃由沐曦股份與東方算芯聯合推出,由曦雲C600與東方算芯DF1000共同組成異構算力底座,面向雲端推理。異構算力機櫃在架構層面做分工:沐曦C600主要負責處理高並發、高吞吐的計算密集型任務,如長上下文關聯計算﹔東方算芯DF1000則主要負責對存儲、帶寬、通信延遲更敏感的訪存密集型任務,如稀疏激活﹔把不同類型的負載,交給更擅長的一方。
理解這一分工,可以回到一個經典的計算機體系結構框架——Roofline 模型。Roofline模型指出,一個程序的性能,要麼受限於算力,要麼受限於訪存帶寬,兩者之間最終達成平衡。過去二十年,算力的增長遠快於內存帶寬的增長,這道越來越大的鴻溝,就成了業內討論最多的“訪存牆”。
以混合專家(MoE)架構為例,其負載特征把訪存密集推到了較高程度。以DeepSeek公開的技術報告為例,DeepSeek-V4 Pro總參數1.6萬億、每Token僅激活約490億——這意味著,推理時絕大部分參數是“沉睡”的,瓶頸不在算力,而在把海量專家權重從顯存搬到計算單元的帶寬。用通用GPU去跑這類負載,很容易出現“算力空轉、帶寬打滿”的結構性浪費。
這正讓“雙芯分治”有了用武之地:將注意力與專家網絡在物理層面解耦,曦雲C600專注分秒必爭的上下文關聯計算,DF1000承擔稀疏激活的海量知識提取,使每顆芯片盡量處在自身Roofline模型的最優區間裡。
投機解碼則是另一個典型。投機編碼的核心思想是“先打草稿后驗証”,用一個輕量級的草稿模型快速“打草稿”,再由目標大模型批量“審稿”。兩個階段負載特征截然不同:草稿生成偏輕量、串行、訪存敏感﹔批量校驗則偏重計算、可並行。
沐曦股份的異構算力方案則在該場景中實現了“雙芯合璧”:東方算芯DF1000以低延遲流式生成草稿候選,沐曦C600以並行算力批量執行精審校驗,讓大模型在生成速度與准確率上達到最終平衡。
與傳統的單芯片Scale-up的縱向擴展不同,異構路線強調的是“跨架構任務分工”——在架構層面做分工,按工序分配,把不同類型的負載交給更擅長的一方。以系統級協作提升整體效率,而不是單純疊加單芯片性能。
當然,異構不是把兩顆芯片塞進一個機櫃那麼簡單。真正的難點在於“分工后如何協同”:編譯、調度、內存管理、通信路徑,都要能跨越兩種架構無縫銜接。
此次更重要的是,沐曦股份與東方算芯的這一方案把異構融合落到產業協同:芯片、模型、推理框架與雲平台按統一目標聯合優化,形成了一套可復制的國產雲端推理新范式。
標尺隻有一個:Token成本
當行業競爭從硬件參數轉向“每Token成本”,兩條路線的協同開始顯出戰略意義。
大模型進入 Agent、多模態與長上下文時代后,算力需求的性質變了。一個Agent要反復調用工具、多輪推理﹔一段長上下文意味著KV Cache隨序列長度線性膨脹,顯存與帶寬的壓力被成倍放大。
這兩支箭不是替代關系。訓練要“總量”,同構把一張卡的能力放大成機櫃、成集群﹔推理要“結構”,異構把不同特性的芯片擺到各自最擅長的工序上。一端是Scale-up的系統工程,一端是跨架構的任務分工,合起來才覆蓋從訓練到推理、從通用到專用的完整場景。國產算力過去常在這兩端之間“二選一”,代價是要麼推理成本下不來,要麼訓練規模上不去。
但最終,兩條路線最后都落在同一把標尺上:Token成本。當Token成為智能時代的基礎計量單位,算力的競爭從單卡峰值轉向系統效率——同構壓縮的是單位Token的規模成本,異構壓縮的是單位Token的時延成本。兩條曲線協同,引擎效率有望進一步提升。
從“單卡性能”到“系統能力”,從“訓練為王”到“推理落地”,從“參數競賽”到“Token 經濟”,行業評判算力的標尺一直在變。唯一不變的,是那道選擇題:國產算力,到底該走哪條路?沐曦的回答是——不做選擇題。
同構筑基,異構破局。同構把規模與能效做到極致,異構把結構與成本壓到最低﹔當兩條路線在一個體系裡並行,國產算力才真正具備了對沖不確定性的能力——既能在萬卡集群上承接大模型的磅礡訓練,也能在每一個Token的精細賬本裡,把成本逐步降下來。
作為中國館裡唯一入選的國產GPU企業,到千行百業的算力底座,沐曦股份呈現給行業的不僅是兩款算力硬件,更是一套關於國產算力如何突破瓶頸的系統解法。這或許才是“國產算力不做選擇題”的含義:不是回避選擇,而是用體系能力,把選擇權握在自己手裡。
分享讓更多人看到
- 評論
- 關注
































第一時間為您推送權威資訊
報道全球 傳播中國
關注人民網,傳播正能量