国产算力这些年总被追问一道选择题：当模型规模越来越大，算力需求越来越高，是把单机柜做得更大、把集群堆得更多，还是通过异构设计，让不同芯片分工组合？在第九届中国国际进口博览会上，作为中国馆唯一入选的国产GPU企业，沐曦股份给出的答案是：不做选择题。

第一支箭：超节点，把“同构”做大

“同构”这支箭，指向规模与效率。

开展首日，曦景S600超节点成为展台焦点。这款旗舰级超节点单机柜可支持128卡全交换、无带宽收敛，并可按业务规模横向扩展（Scale-out）至万卡集群，从而应对MoE、长上下文等主流大模型负载。

为什么“超节点”会成为这一代算力基础设施的关键词？答案藏在通信里。

当模型参数迈向万亿、训练与推理被切分到成百上千张卡上时，卡与卡之间的数据交换正在取代单卡算力，成为新的瓶颈——业内称之为“通信墙”。

超节点已成为行业打破通信墙的主要路径之一。它将数百颗芯片组成统一资源池，用更大、更扁平的纵向扩展（Scale-up）域，把“通信墙”尽量推远。沐曦曦景S600单柜支持128卡全交换、无带宽收敛，意味着在这一柜之内，任意两颗GPU之间的通信都不必“排队”。

同时，超节点采用高密正交整机柜与解耦模块化架构，支持“三0”部署——计算节点0线缆、交换节点0线缆、计算与交换节点间0线缆，把传统机房里最容易被忽视的部署成本——布线、改造、运维——一并压缩。对动辄千卡、万卡的智算中心而言，这是能否规模化交付的前提。

第二支箭：多芯协同，把“异构”做对

而“异构”这支箭，指向结构与成本。

“沐曦股份X东方算芯”异构双擎算力机柜由沐曦股份与东方算芯联合推出，由曦云C600与东方算芯DF1000共同组成异构算力底座，面向云端推理。异构算力机柜在架构层面做分工：沐曦C600主要负责处理高并发、高吞吐的计算密集型任务，如长上下文关联计算；东方算芯DF1000则主要负责对存储、带宽、通信延迟更敏感的访存密集型任务，如稀疏激活；把不同类型的负载，交给更擅长的一方。

理解这一分工，可以回到一个经典的计算机体系结构框架——Roofline 模型。Roofline模型指出，一个程序的性能，要么受限于算力，要么受限于访存带宽，两者之间最终达成平衡。过去二十年，算力的增长远快于内存带宽的增长，这道越来越大的鸿沟，就成了业内讨论最多的“访存墙”。

以混合专家（MoE）架构为例，其负载特征把访存密集推到了较高程度。以DeepSeek公开的技术报告为例，DeepSeek-V4 Pro总参数1.6万亿、每Token仅激活约490亿——这意味着，推理时绝大部分参数是“沉睡”的，瓶颈不在算力，而在把海量专家权重从显存搬到计算单元的带宽。用通用GPU去跑这类负载，很容易出现“算力空转、带宽打满”的结构性浪费。

这正让“双芯分治”有了用武之地：将注意力与专家网络在物理层面解耦，曦云C600专注分秒必争的上下文关联计算，DF1000承担稀疏激活的海量知识提取，使每颗芯片尽量处在自身Roofline模型的最优区间里。

投机解码则是另一个典型。投机编码的核心思想是“先打草稿后验证”，用一个轻量级的草稿模型快速“打草稿”，再由目标大模型批量“审稿”。两个阶段负载特征截然不同：草稿生成偏轻量、串行、访存敏感；批量校验则偏重计算、可并行。

沐曦股份的异构算力方案则在该场景中实现了“双芯合璧”：东方算芯DF1000以低延迟流式生成草稿候选，沐曦C600以并行算力批量执行精审校验，让大模型在生成速度与准确率上达到最终平衡。

与传统的单芯片Scale-up的纵向扩展不同，异构路线强调的是“跨架构任务分工”——在架构层面做分工，按工序分配，把不同类型的负载交给更擅长的一方。以系统级协作提升整体效率，而不是单纯叠加单芯片性能。

当然，异构不是把两颗芯片塞进一个机柜那么简单。真正的难点在于“分工后如何协同”：编译、调度、内存管理、通信路径，都要能跨越两种架构无缝衔接。

此次更重要的是，沐曦股份与东方算芯的这一方案把异构融合落到产业协同：芯片、模型、推理框架与云平台按统一目标联合优化，形成了一套可复制的国产云端推理新范式。

标尺只有一个：Token成本

当行业竞争从硬件参数转向“每Token成本”，两条路线的协同开始显出战略意义。

大模型进入 Agent、多模态与长上下文时代后，算力需求的性质变了。一个Agent要反复调用工具、多轮推理；一段长上下文意味着KV Cache随序列长度线性膨胀，显存与带宽的压力被成倍放大。

这两支箭不是替代关系。训练要“总量”，同构把一张卡的能力放大成机柜、成集群；推理要“结构”，异构把不同特性的芯片摆到各自最擅长的工序上。一端是Scale-up的系统工程，一端是跨架构的任务分工，合起来才覆盖从训练到推理、从通用到专用的完整场景。国产算力过去常在这两端之间“二选一”，代价是要么推理成本下不来，要么训练规模上不去。

但最终，两条路线最后都落在同一把标尺上：Token成本。当Token成为智能时代的基础计量单位，算力的竞争从单卡峰值转向系统效率——同构压缩的是单位Token的规模成本，异构压缩的是单位Token的时延成本。两条曲线协同，引擎效率有望进一步提升。

从“单卡性能”到“系统能力”，从“训练为王”到“推理落地”，从“参数竞赛”到“Token 经济”，行业评判算力的标尺一直在变。唯一不变的，是那道选择题：国产算力，到底该走哪条路？沐曦的回答是——不做选择题。

同构筑基，异构破局。同构把规模与能效做到极致，异构把结构与成本压到最低；当两条路线在一个体系里并行，国产算力才真正具备了对冲不确定性的能力——既能在万卡集群上承接大模型的磅礴训练，也能在每一个Token的精细账本里，把成本逐步降下来。

作为中国馆里唯一入选的国产GPU企业，到千行百业的算力底座，沐曦股份呈现给行业的不仅是两款算力硬件，更是一套关于国产算力如何突破瓶颈的系统解法。这或许才是“国产算力不做选择题”的含义：不是回避选择，而是用体系能力，把选择权握在自己手里。