7月10日，光合组织2026智能计算应用大会在郑州举行 。会上 ，中科曙光宣布国内首个全国产十万卡AI超集群“曙光8000（登峰） ”正式落成并接入国家超算互联网 。
作为国产算力规模化部署的标志性事件 ，十万卡级系统的落地折射出行业正发生的深层变化：算力底座从单一AI训练转向超智融合，产业竞争从单点性能比拼转向全栈系统能力 ，商业化路径也从芯片供应走向“云边端 ”一体化。
中信证券计算机首席分析师杨泽原向记者指出 ，“云边端”体系，意味着提供从数据中心到生产现场的一体化解决方案 。这种能力能显著降低客户的系统迁移和部署成本 ，提升国产化方案落地效率 ，从而加速国产算力在这些关键行业的渗透率 。
十万卡重定义AI基础设施门槛
过去几年，行业谈论算力规模多以千卡、万卡为单位 ，而十万卡级系统的落地正在重新定义AI基础设施的能力门槛。
与万卡级系统相比 ，十万卡部署考验的不只是计算卡数量和理论峰值，更包括系统架构 、网络互连 、访存效率、能效控制与生态应用能力的综合工程水平 。中国工程院院士李国杰指出，算力基础设施是智能基础设施的根基 ，在可以看得见的未来 ，智能是离不开算力的 。
当前人工智能正在从大模型向智能体和具身智能快速演进，AI for Science正在推动基础研究和技术发明加速发展 ，这些变革催生的算力需求不再是单一精度的计算 ，而是需要同时支持高精度科学计算和低精度AI训练的超智融合能力。
十万卡级系统的落地，也推动大规模算力中心的评价重心发生转移——从单纯的规模堆叠和性能比拼 ，转向更综合的系统化能力 ，更重视实际应用效率与产业经济价值 。此次落成的曙光8000采用“超智融合 ”技术路线，摒弃传统分区方式 ，实现全类型计算的原生一体化融合 ，支持从FP64到INT8全精度，可覆盖科学计算 、大模型训练 、AI推理、工业仿真等多类科研和产业场景 。
中国科学院院士鄂维南也强调 ，AI for Science正在推动科学研究从传统模式走向系统化平台模式 ，并加速向工程应用和产业赋能延伸。面对庞大而异构的算力需求，构建开放 、高效 、协同的计算生态，已成为释放智能计算价值的关键。
从应用层面看 ，超智融合的算力底座已开始显现价值 。近来 该十万卡核心节点上已完成300余项超智融合应用优化 ，涵盖大模型、机器人 、汽车 、创新药、新材料、量子计算 、天文气象等二十余领域，其中超过70个应用实现了万卡规模扩展 ，蛋白质折叠模拟 、万亿原子级水分子动力学模拟、百万亿网格湍流模拟等前沿科研任务已在其上跑通 。
全链路系统能力成竞争下半场
十万卡级系统的全国产化落地 ，折射出一个关键行业变化：国产算力正在从单一芯片的性能追赶，转向全链条的系统工程能力比拼。
中科曙光高级副总裁李斌指出 ，顶级大算力系统面临的挑战是多维度的 ，核心可以归结为在复杂的体系结构和超大规模扩展的情况下，所带来的一系列科学和工程问题 ，包括性能 、效率 、可扩展性、能源能效 ，以及软件生态等方面 。在他看来，行业的破局之道在于两点：一是从单点突破转向系统工程的创新 ，二是通过开放架构促进软硬件协同 。
这一判断正在成为产业共识。光合组织近来 已聚集六千余家产业伙伴 ，覆盖从底层芯片到上层应用的完整产业条线，正在打通芯片 、整机 、基础软件一直到智能应用的全栈国产化链路 。李国杰评价，这实际上是在构建一个新时代的智能基础设施 ，具有深远的战略意义 。
全链路自主并不意味着封闭发展。面向未来构造“开放、高效 、协同 ”的计算生态 ，需要产学研各界的深度融合 。从底层基础设施的构建到科研价值的全面释放，其间跨越的绝非单凭一己之力就可以完成的任务 。开放协同的生态建设 ，是算力底座真正释放产业价值的必经之路。
软件生态的成熟度也正在成为算力竞争的关键变量 。国产算力厂商普遍在构建分层软件栈：底层实现硬件算力的软件化输送 ，中间层支撑大模型与AI开发的高效适配，上层则将算力封装为业务化接口 ，降低行业用户的使用门槛 。业内专家认为 ，软件生态的价值在于让行业用户无需关心底层精度与架构细节，即可像调用水电一样调用算力。
“云边端”体系加速产业渗透
算力基础设施的规模化建设 ，最终要回答的是商业化落地的问题。随着国产算力在性能和生态上的持续追赶 ，其在关键行业的渗透率正在进入加速期 。
从商业逻辑来看，这是从卖“芯片 ”到卖“算力服务 ”和“解决方案”的升级 。杨泽原指出 ，完整的“云边端 ”全栈式服务对客户有更强的吸引力和议价能力 ，可以让端侧方案快速适配行业应用，缩短项目交付周期。
行业应用的多元化也在倒推算力形态的演进 。加拿大工程院院士 、欧洲科学院院士、郑州大学学术副校长杨天若指出，随着智慧城市的蓬勃发展 ，物联化 、互联化 、智能化等趋势愈演愈烈 ，人类正在加速走向“人机物 ”三元空间，智能系统的架构设计非常关键 。近来 ，基于张量人工智能 ，大数据增量、分布式、安全计算模型得到进一步优化，多模态预测 、推荐 、分类及聚类方法快速完善 ，并在智慧交通等关键场景中广泛验证。
（文章来源：证券时报网）
