2025中国算力发展之AI计算开放架构研究报告

2025

中国算力发展之AI计算开放架构研究报告2025中国算力发展之AI计算开放架构研究报告CONTENTS

·

目录目录CONTENTS一

、

AI计算开放架构研究背景.........................................................011.1AI计算需求持续增长..............................................................................021）大模型持续发展，AI算力需求不断攀升..............................................022）AI应用泛在化，万卡集群建设加速推进..............................................033）大模型持续创新与应用深入，驱动AI计算模式升级........................034）万卡、十万卡超大规模集群不断涌现..................................................041.2国内异构算力发展趋势..........................................................................041）算力多元异构融合发展...........................................................................042）异构算力系统的发展现状与趋势..........................................................053）智算中心的异构算力发展趋势...............................................................061.3中国人工智能发展面临算力瓶颈..........................................................061）AI芯片单卡性能相比国际先进水平存在代差......................................072）发展集群算力是突破算力瓶颈的关键举措..........................................073）智算配套生态系统不完善，削弱整体算力效能..................................08二、

AI计算开放架构：概念与意义................................................092.1计算架构演变史：合久必分，分久必合..............................................101）大型机时代...............................................................................................102）集群时代...................................................................................................103）智能时代...................................................................................................102.2集群组网方式：ScaleUp与ScaleOut............................................111）开放架构协议发展...................................................................................112）ScaleUp超节点与ScaleOut分布式扩展..........................................122025

中国算力发展之AI计算开放架构研究报告2.3AI计算开放架构的概念与定义.............................................................142.4国内外AI计算架构发展一览................................................................161）国外AI计算架构发展一览.....................................................................162）国内AI计算架构发展一览.....................................................................172.5AI计算开放架构产品、方案.................................................................181）国内外相关机构现状及进展...................................................................182）国内外相关开放架构产品发展情况......................................................212.6AI计算开放架构的意义与价值.............................................................251）有助于推动跨层协作，加速AI技术迭代创新.....................................252）有助于破解算力瓶颈，弥补性能和供给缺口......................................253）有助于降低使用成本，推进全行业算力普惠......................................264）有助于强化产业协同，构建共建共赢的生态......................................26三、

开放架构面临的挑战与应对......................................................273.1面临的困难与挑战.................................................................................283.2AI计算开放架构的目标.........................................................................303.3业界应对举措..........................................................................................32四、

智算中心AI计算开放架构部署案例.......................................334.1曙光AI超集群系统案例........................................................................344.2沐曦AI计算集群部署案例....................................................................36CONTENTS

·

目录五、

展望：智能时代的中国智算产业生态.....................................375.1智算产业生态未来趋势...........................................................................381）算力规模不断扩大，呈多元化创新趋势..............................................382）

芯片国产替代加速，国产GPU百花齐放............................................383）

布局端边云协同，算力部署进一步优化.............................................395.2AI计算开放架构发展倡议.....................................................................391）加快标准研制，构建产业协同生态......................................................392）攻关技术难题，突破算力效率瓶颈......................................................403）优化运营管理，提升智算服务质量......................................................402025

中国算力发展之AI计算开放架构研究报告12025

中国算力发展之AI计算开放架构研究报告HAPT追RAI计算开放架构研究背景CHAPTER1·

AI计算开放架构研究背景1.1

AI计算需求持续增长1）大模型持续发展，AI算力需求不断攀升近年来，以

ChatGPT、Sora、DeepSeek

等为代表的预训练大模型持续取得突破，模型规模进一步扩大，推动人工智能从感知向认知、从分析判断式向生成式、从专用向通用转变，进入快速发展的新阶段，技术迭代叠加

AI应用规模落地，带动AI计算爆发式增长。根据Scaling

Law（规模定律）

，模型性能与参数量、训练数据量和计算资源之间存在幂律关系。2020年，GPT-3的发布标志着大模型时代的开启。从GPT-1到GPT-3，模型在各项任务表现提升的同时，参数量也增长了

1500倍，据

OpenAI公布，GPT-3最大的一个模型拥有的参数量是1750亿。2023年，

随着GPT-4模型的发布，其在逻辑推理和文本理解上展示出了强大能力，GPT-4模型生产的内容已接近人类创作水平，而其训练的参数量也相应增长至1.8万亿，需要在

2.5万张A100上训练90-100天。GPT-5模型参数规模和训练数据量官方尚未披露，但根据各方推测，参数可能达到3-5万亿甚至更高水平，训练token数量估计在13-30万亿之间。GPT五代模型的演进在其参数规模上呈现出明显的指数级增长。2025年初，DeepSeek大模型的发布，标志着国内大模型技术的长足进步，达到了世界领先水平，

DeepSeek大模型的快速推广应用，进一步激发了各行业领域对AI计算的需求。22025

中国算力发展之AI计算开放架构研究报告2）AI应用泛在化，万卡集群建设加速推进智算需求

迅猛

增长，万卡集

群建设加速推

进。随着AIGC技术

发展，以DeepSeek为代表的开源大模型正逐渐渗透到诸多行业，引发新一代人工智能技术发展新浪潮，带动了一批新兴业务的快速发展，如MOE基础模型预训练、强化学习训练、高通量集群推理、智能体、科学智能（AI

for

Science）等，这些新兴业务往往需要高性能计算能力和大规模数据处理能力，以应对复杂的算法和模型，处理海量数据，支撑各类应用和业务创新。同时，多模态融合技术的兴起，将文本、图像、音频等多种数据模态进行融合处理，Sora、GPT-4o、Gemini等多模态大模型的海量数据、高清晰度的多轮去噪也将带来算力百倍以上的增长。以文生视频大模型Sora为例，Sora生成60秒视频对比GPT-3生成3000字文本，对应推理计算负荷增加超600倍。根据测算，与语言大模型（GPT-3）相比，

Sora训练阶段的算力需求达170多倍；推理阶段，完成一项常规任务，算力需求是大语言模型600多倍。《2025人工智能指数报告》显示，标准人工智能训练模型的计算需求约每5个月翻一番，大语言模型训练数据集规模约每8个月翻一番。随着模型参数和训练集群规模越来越大，训练也从单机单卡转变成多机多卡，甚至万卡集群的训练，以支持千亿级甚至万亿级参数规模的大模型训练，从而大幅压缩大模型训练时间，以实现模型能力的快速迭代。3）大模型持续创新与应用深入，驱动AI计算模式升级大模型推理成为落地应用的关键环节，通过硬件、软件一体化集成，结合分布式并行推理等技术能有效提升推理效率，出现一体机、推理集群等新的产品服务形式。大模型技术能力提升进一步推动了大模型的研发与落地应用浪潮。大模型一体机作为“软硬协同、开箱即用”的智能化基础设施，正成为推动

AI普惠化、行业场景化落地的核心载体。同时，基础大模型

(千亿级以上参数)预训练及高通量推理应用需要大规模智算集群支撑。随着模型参数量从千亿迈向万亿，模型能力更加泛化，大模型对底层智算基础设施的要求进一步升级，万卡集群成为这一轮大模型基建军备竞赛的标配，万卡集群有助于压缩大模型训练时间，实现模型能力的快速迭代。万卡集群是指由一万张3CHAPTER1·

AI计算开放架构研究背景及以上的加速卡(如

GPU、NPU、TPU或其他专用AI加速芯片)组成的高性能计算系统，用以训练基础大模型。4）万卡、十万卡超大规模集群不断涌现国外

Google、Meta、Microsoft

等科技巨头，正利用超万卡集群推动其在基座大模型、智能算法研发及生态服务等方面的技术创新。如

Google推出超级计算机A3

VirtualMachines，

拥

有26000块NvidiaH100GPU，同时

基

于自

研

芯

片

搭

建TPUv5p

8960卡集群。

Meta在2022年推出了一个拥有16,000块NvidiaA100的A|研究超级集群Al

Research

Super

Cluster,2024年初又公布两个24576块NvidiaH100集群，用于支持下一代生成式AI模型的训练。科技巨头们通过成千上万台服务器组成的集群算力优势，不断优化服务架构，提升用户体验，加速新技术的市场转化与应用。国内互联网、大模型、运营商等企业作为

AI技术创新的先锋，通过建设超万卡集群来加速其在云计算、大数据分析和大模型研发等领域的突破。字节跳动、阿里巴巴、百度、中国移动、中国电信、商汤科技、智谱

AI

等企业积极推进大规模智算集群的建设。其中，字节跳动搭建了一个12288卡Ampere架构训练集群，研发

MegaScale生产系统用于训练大语言模型。中科曙光为多个国家级超算中心建设万卡集群，并接入国家超算互联网（SCNet），

支撑大模型推理、智能体开发、AI

for

Science科学大模型研发训练等场景。通过集群的强大计算力，国内头部互联网等企业不仅加速了自身业务的数字化转型，也为国内科技产业的发展贡献了创新动力。大型AI研发企业出于对大规模模型训练和复杂算法计算的迫切需求，正积极投建超万卡集群以满足其大模型的计算需求。1.2

国内异构算力发展趋势1）算力多元异构融合发展全球算力呈现出多元异构发展、智算加速扩张的总体态势。基于2023年全球算力规模的测算结果，通用算力规模占比

60.55%，广泛应用于企业

ERP系统、政务数据处理、互联网基础服务等标准化场景；智能算力规模占比

36.81%，其规模扩张主要由AI技术突破驱动，广泛应用于大模型训练；超算算力规模占比

2.64%，主要服务于气候模拟、新药研发、国防军工等重大科研任务。4我国算力结构的多元化与全球趋势一致，在政策引导与技术创新的双重作用下，通用算力、智能算力和超级算力协同发展的供给体系

[

《算力基础设施高质量发展行动计划》（工信部联通信〔2023〕180号）]格局进一步强化。其中，智能算力规模在大模型和生成式人工智能的迅猛发展下快速提升。《2025算力发展报告》显示，截至2025年6月底，我国在用算力中心机架总规模达1085万标准机架，智能算力规模达788EFlops（FP16）。据IDC测算，2023至2028年我国智能算力规模的五年年复合增长率可达到46.2%[

国际数据公司IDC、浪潮信息《2025年中国人工智能计算力发展评估报告》]。2）异构算力系统的特征与优势近年来，AI大模型、智能驾驶等算力应用场景呈现倍增发展，

普遍具有高并行、低延迟的双重计算需求，传统的同构计算架构已无法满足日益复杂的计算需求。CPU、GPU、FPGA、ASIC等不同类型的处理器在执行模型训练、推理等工作任务时优势各异，通过科学组合可以为不同计算任务匹配最合适的计算资源，从而大幅提升计算效率和性能。异构算力融合成为提升算力效能的最优选择。一方面，异构算力可以打破传统的单一架构算力形态，更好地满足不同应用场景下的算力使用需求；另一方面，异构计算模式通过协同调度不同厂商、代际、架构的芯片资源，灵活调度计算任务，实现能力开放和统一管理，能够大幅度优化数据处理流程，提升模型训练效率和资源利用率，有更多企业和科研机构推出具备商用价值的异构算力应用方案，逐步推动异构算力从理论走向落地，成为算力产业高质量发展的重要动力。海光DCU系列、华为昇腾系列、寒武纪思元系列、壁仞科技

BR100系列专为Transformer

等

AI

优化打造

GPU、ASIC

等架构芯片，满足云端大模型训练和推理需求；高通骁龙系列、瑞芯微

RK3588为支持多模态感知和端侧AI推理，构建

FPGA、集成52025

中国算力发展之AI计算开放架构研究报告

CPU、GPU、FPGA、ASIC等不同类型的处理器在执行模型训练、推理等工作任务时优势各异，通过科学组合可以为不同计算任务匹配最合适的计算资源，从而大幅提升计算效率和性能。异构算力融合成为提升算力效能的最优选择。CHAPTER1·

AI计算开放架构研究背景NPU等架构芯片，重点应用于智能手机、智能汽车、工业机器人等，满足边缘与终端计算需求；中科曙光星云系列

Nebula800超智融合算力平台、长三角国家技术创新中心“珠玑”平台通过CPU、GPU异构融合，支持多精度计算、算力统一调度等，用于科学计算、人工智能、AI

for

Science等场景，满足平台与生态建设领域需求。3）智算中心的异构算力发展趋势伴随生成式人工智能应用在行业走深向实，“大模型+大算力+大数据”正成为新一代人工智能发展的基本范式。虽然算力变得愈加重要，但是其发展却面临供需矛盾问题。

一方面，对算力的需求增长迅猛。无论是企业数字化转型，还是智能终端消费和移动数据流量消费规模的不断扩大，都在持续释放算力需求；另一方面，传统的单一计算架构面临性能和功耗瓶颈，无法满足日益高涨的算力需求。为应对构筑大算力智算中心的需求，CPU、GPU、NPU以及各种专用加速器（ASIC）的异构计算，将成为常态。异构计算（Heterogeneous

Computing），主要指不同类型的指令集和体系架构的计算单元组成的系统的计算方式，在云数据中心、边缘计算场景等有着广泛应用。异构智算技术未来的发展趋势，将会呈现开放、融合、聚合的特点。其中，开放要求智算中心从硬件到软件、从芯片到架构、从建设模式到应用服务都应该是开放的、标准的；融合是指搭载多种类型的芯片，提供多元的能力；聚合则要求智算中心的建设需求在超大规模前提下采用领先的技术，保证自身的先进性。而软件栈能否无缝地协同、调度不同类型的算力资源，为开发者提供统一、高效的程序设计界面，将成为各智算中心发展的关键。1.3

中国人工智能发展面临算力瓶颈近年来，人工智能（AI）应用普及泛在，大模型持续创新演进，驱动AI算力需求持续增长，并推动计算系统架构升级。大规模智能计算集群成为支撑大模型创新的关键算力底座。同时，在美国持续加强对华科技战的大背景下，全球信息技术产业生态体系加速调整。中国智算产业面临两大挑战：单卡算力性能瓶颈、算力成本高。6在芯片、模型、基础软件等核心技术自主创新突破的基础上，发展更大规模、更高效的智算集群，突破国内

AI算力瓶颈，已经成为产业共识。曙光、海光、华为、浪潮、新华三、沐曦、壁仞、曦智等众多科技企业都在加快研制智算超节点、超集群等产品，

以网强算、以存提算、以电补算、软硬协同等创新策略方法不断出现。1）AI芯片单卡性能相比国际先进水平存在代差单卡算力方面，我国主流AI芯片在FP32（单精度浮点）

、FP16（半精度浮点）等关键算力指标上与英伟达旗舰产品存在2-3代技术差，难以满足大模型训练对高并行计算效率的需求。在大模型训练场景中，由于国产AI芯片单卡算力不足，往往需要使用更多数量的芯片组成集群来完成任务，既增加硬件成本，也带来集群管理复杂度提升、芯片间数据交互延迟等问题。训练同样参数规模的大模型，使用国产芯片的训练费用和时间成本比使用国际先进芯片多30%-50%，影响研发效率与创新速度。数据传输速度受限，使得芯片在处理大规模数据时无法迅速获取数据进行运算，从而制约了单卡算力密度的发挥。2）发展集群算力是突破算力瓶颈的关键举措传统的单卡计算已经无法满足人工智能大模型训练的需求，因此多卡集群的方式72025

中国算力发展之AI计算开放架构研究报告CHAPTER1·

AI计算开放架构研究背景成为必然选择，不仅需要总算力规模，更要求在单一

IDC中部署大规模算力系统的能力。埃隆·马斯克（Elon

Musk）为训练AI基座大模型Grok

3，在单一集群里部署了20万个英伟达H100

GPU。英伟达自2014年起公布了GPU协同工作的NVLink协议，第五代NVLink将卡间互联带宽提升至1.2TB/s。采用NVLink互联的千卡集群，参数同步效率提升2倍以上，支撑千卡集群整体算力利用率提升至90%。而国产芯片的互联带宽仅200-400GB/s，与国际领先水平仍有一定差距。卡间互联带宽低，导致在构建大规模集群以训练超大规模模型时，性能将大打折扣。当前，我国边缘算力、通用算力供给相对充足，智算算力超过

30%，但高端算力（千卡级及以上集群）总量缺口持续扩大，发达地区的高峰时段或特定应用场景下算力短缺问题仍然突出。3）智算配套生态系统不完善，削弱整体算力效能我国智算中心平均算力使用率仅为30%左右，远低于大型数据中心50%-60%的水平，配套生态跟不上是其中的一个重要原因。如果不进行配套生态的完善，那么即便我国在智算硬件投入上不断加大，算力依旧难以得到高效运用。软硬件适配方面，国产算力硬件与各类算法、软件的适配度仍有待提升，算法优化投入不足，影响了硬件性能的充分释放。生态协同方面，国内宣布拥有千卡规模的算力集群不少于100个，但其中大部分是异构芯片，如果不同硬件系统相互封闭，互联总线标准接口不统一，软件栈互不兼容，不能协调和打通，将导致难以实现有效整合利用，无法满足大型企业和科研机构对大规模模型训练的需求。供需匹配方面，我国智算中心在建设初期往往过于注重硬件规模，忽视了应用生态的培育，导致算力供给与用户实际需求脱节。许多智算中心建成后，缺乏与之适配的行业应用，大量算力处于空闲状态。部分地方政府主导建设的智算中心，由于没有结合当地产业特色打造应用场景，实际利用率仅在20%-30%。82025

中国算力发展之AI计算开放架构研究报告2025

中国算力发展之AI计算开放架构研究报告HAPTR2AI计算开放架构概念与意义CHAPTER2·

AI计算开放架构概念与意义2.1

计算架构演变史：合久必分，分久必合1）大型机时代最早的计算机是大型主机计算机——占据一个房间的大规模硬件设备。大型主机最初是独立的机器，能够执行复杂的计算任务。大型机时代的计算架构是集中式的，

即一台或多台主计算机为中心节点，所有数据集中存储并处理，终端或客户端主要负责数据的录入和输出，而数据的存储与控制处理则完全由中心节点负责。其软件的总体架构也是集中式的、封闭的。最典型的代表是IBM公司的System/360，以及由其他厂商，如Amdahl,

Hitachi

Data

Systems

（HDS）

制造的兼容的系统。在大型机时代，这些大型机使用专用的处理器指令集、操作系统和应用软件。故此，大型机不仅仅是一个硬件上的概念，更是一个硬件和专属软件的有机整体。2）集群时代随着计算机系统向网络化和微型化方向的快速发展，传统的集中式处理模型逐渐难以满足人们的需求，计算架构走向集群时代。集群就是指一组（若干个）相互独立的计算机，利用高速通信网络组成的一个较大的计算机服务系统，每个集群节点（即集群中的每台计算机）都是运行各自服务的独立服务器。通常一套系统集群架构，只需要几台或数十台服务器主机即可。与动辄价值上百万元的专用超级计算机相比便宜了很多。在达到同样性能需求的条件下，采用计算机集群架构比采用同等运算能力的大型计算机具有更高的性价比。3）智能时代智能时代的计算架构正经历从传统分布式向超异构融合的范式转变，以超节点、整机柜、超大规模集群为核心载体，通过软硬协同、资源池化与智能调度实现算力效率的跃升。超节点，即

Superpod，是一种用于构建大规模算力集群的技术架构。此概念最早由英伟达提出，指将数千张GPU集成在一个逻辑单元内，形成类似“超级计算节点”

10的系统。与传统架构不同的是，超节点可以通过高速互联技术，弥补原先服务器间带宽不足以及高时延等问题，以期实现算力效率的优化。整机柜服务器的历史可以追溯到上个世纪，譬如Google在1999年“土法上马”的“软木板服务器”（corkboard

server）

，可以说是互联网行业最早的整机柜服务器。整机柜服务器中既有服务器、又有机柜，它将机柜和服务器作为一个整体来考虑，采用封闭式设计，将服务器、供电、散热等组件集成于标准机柜内。因为在规模等因素驱动下相对更具备打破次元壁的条件，所以它在互联网和云计算的公司里，以及现在的智算时代得到较为广泛的应用。而如前所述，为了推进基础预训练大模型

(千亿级以上参数)，相关的企业则需要大规模乃至超大规模智算集群支撑。而超大规模集群一般以GW级智算中心为目标，通过级联多个超节点形成万卡乃至数十万卡的集群。2.2

集群组网方式：Scale

Up与

Scale

Out1）开放架构协议发展开放计算的实践始于Facebook在2009年应对基础设施挑战的举措。其设计的高能效数据中心，比之前设施能源效率高38%，运营成本低24%。2011年，Facebook公开设计并联合Intel、Rackspace等启动了开放计算项目（OCP），旨在硬件领域创造类似开源软件的协作创新。112025

中国算力发展之AI计算开放架构研究报告CHAPTER2·

AI计算开放架构概念与意义OCP

社区在服务器项目组下设立了

OAI（

Open

Accelerator

Infrastructure）项目组。该工作组旨在建立一整套可兼容各类

AI

加速器的技术标准，解决

AI

计算基础设施建设中硬件和生态割裂的重大挑战。OAI

工作组推进的开放技术规范涉及OAI、OAM、UBB、HIB

等

9

大领域，涵盖结构设计、温度、管理、供电、硬件安全性、可用性等诸多方面，以促进不同

AI

加速器技术的开放融合及标准化，让

AI

计算硬件系统设计更加敏捷，产业配套更为简化。

OAM

是

OAI

项目组中进展最为迅速的领域。

OAM

设计规范定义了加速器模块互联形式和通用规范。为了进一步促进OAI生态的建立，OAI小组在OAM的基础上统一了AI加速卡基板OAI-UBB（UniversalBaseboard）

设计规范。2019年底，

OCP正式发布了OAI-

UBB1.0设计规范，并随后推出了基于

OAI-UBB1.0规范的开放加速硬件平台，无需硬件修改即可支持不同厂商的OAM产品。在2016年，为了满足对开放架构的需求，IBM和Xilinx等公司成立了OpenCAPI联盟（OCC），旨在为处理器、内存扩展和加速器提供行业支持的缓存一致性互连。其基于IBM现有的CoherentAccelerator

Processor

Interface（CAPI）

技术，

并将其向外开放。2019年英特尔联合阿里巴巴、戴尔EMC、Facebook、谷歌、HPE、华为和微软共同成立Compute

Express

Link(CXL)联盟，

随后AMD和Arm也先后加入。全新的互联协议Compute

EXpress

Link（CXL）是一种开放性的互联协议，

能够让CPU与GPU、FPGA或其他加速器之间实现高速高效的互联，满足现今高性能异构计算的要求，并且提供更高的带宽及更好的内存一致性，目前最新的是CXL

3.0规范。2）Scale

Up超节点与Scale

Out

分布式扩展 万亿参数大模型的训练，需要万卡、十万卡的训练集群支持。为了让集群能够管理更多的

GPU卡，业界借鉴了原来云平台管理服务器的办法，通过Scale-up（纵向扩展）和Scale-out（横向扩展）实现系统扩展。122025

中国算力发展之AI计算开放架构研究报告Scale-up通过增加单台服务器（节点）的

GPU数量或性能（如使用更高算力的GPU）来提升计算能力，

Scale-out通过增加服务器节点数量（分布式架构）来提升计算能力。简单来说Scale-up就是提高个体能力，

Scale-out就是增加成员数量，当然很多时候，在一个集群中这两个技术是结合起来使用的。其中，超节点是Scale-up方案的杰出代表，

它通过高带宽、低时延互联技术将多张GPU（或AI算力芯片）紧密耦合的集群化架构，旨在突破传统分布式算力集群的通信瓶颈，提升整体计算效率。Scale

Up和Scale

Out最主要的区别，在于AI芯片之间的连接速率。ScaleUp是节点内部连接。它的连接速率更高，时延更低，性能更强劲。在2014年，英伟达专门推出了NVLINK总线协议。NVLINK允许GPU之间以点对点方式进行通信，速度远高于PCIe，时延也低得多。由于NVLINK是私有协议，因此更多推出

AI芯片的企业，也在研究如何搭建自己的AI算力集群。AMD公司推出了UA

LINK。国内的腾讯、阿里、中国移动等企业，

也牵头推出了ETH-X、ALS、OISA等项目。2025年9月，海光信息也正式推出其自主研发的开放系统互联总线HSL（High-performance

Scalable

Link）。HSL是海光信息自主研发的高性能互联协议，具有高带宽、低延迟、全局地址空间一致性、全栈开放和灵活扩展等显著特点。相比传统

PCIe

接口，HSL总线大幅降低了延迟，提升了带宽，实现了芯片间（C2C）的高速直连，极大简化了编程复杂度，并支持从单机多卡到大规模智算集群的弹性扩展。海光信息宣布在2025年第四季度发布HSL

1.0规范，并在2026年第一季度推出设计参考方案，以降低生态伙伴的适配门槛，加速产业落地。海光信息已联合寒武纪、昆仑芯、沐熙、摩尔线程等

10余家国产AI芯片及硬件厂商，以及浪潮、无锡众芯微等硬件基础设施厂商，共同启动生态共建计划。各方将基于

HSL总线构建统一的互联标准，实现AI芯片与海光CPU的高效协同，解决国产智算服务器“适配难”的问题，推动“即插即用”的便捷性。Scale

Out主要采用的通信网络技术，是Infiniband（IB）和RoCEv2。这两个技术都是基于RDMA（远程直接内存访问）协议，拥有比传统以太网更高的速率、更低的时延，负载均衡能力也更强。13CHAPTER2·

AI计算开放架构概念与意义2.3AI计算开放架构的概念与定义AI计算开放架构，旨在面向大规模智能计算场景，联合芯片、计算系统、大模型等产业链上下游企业，从单点突破走向集成创新，实现产业链开放跨层优化，破解“技术墙”和“生态墙”，主要为了解决算力瓶颈、算力成本高的问题。基于开放架构和产业跨层协作优化，

一方面以GPU为核心进行一体化紧耦合设计，实现更大规模、更高效的超级集群系统，突破算力瓶颈；另一方面，基于开放架构，实现统一的接口规范，使用标准化、商品化的软硬件技术，代替定制化、专有化的系统，

降低算力成本，实现算力普惠，促进生态繁荣。14•

存算协同：通过算、存、传一体化协同设计，实现多级数据加速，突破存储IO瓶颈，提高GPU算效。•

绿色高效：通过先进液冷等技术，适配高功率高性能加速部件极致

散热需求，支撑算力中心高密度部署，提升系统能效。•稳定可靠：通过单机、集群和软件高可靠性设计，并利用大模型、智

能体等AI技术，提升大规模集群运维、监控与调度效率，保障平稳运行。•生态繁荣：兼容主流异构计算生态，提高国产AI算力的适用性与易

用性，降低模型软件开发适配成本，保护用户软硬件投资。•多元算力：适配多品牌GPU加速卡，满足大模型训练推理、AI

forScience、科学计算等多元场景下多精度、混合精度运算需求。•高速互连：通过Scale-up和Scale-out多层次高速互连网络，

提高CPU-GPU、GPU卡间、节点间数据传输带宽，提升全局系统访存通

信效率。基于AI计算开放架构构建的集群系统应具备以下六大特征：2025

中国算力发展之AI计算开放架构研究报告15随着AI技术对智能终端的需求日益增加，国际企业积极布局，加速推动AI能力在移动端与边缘端的落地。以Arm为代表的科技公司推出的AI移动芯片，搭载于苹果、安卓等不同机型，

为手机用户带来实时语音翻译、智能影像优化等便捷的AI功能。通过研发低功耗硬件，并结合轻量化模型适配技术，国际企业实现了边缘端AI计算能力算力提升和成本降低的双重突破，有力地推动了智能设备在各行业、各领域的广泛普及，加速了AI技术从云端走向终端的进程。16随着大模型参数规模的不断膨胀，训练所需的算力呈指数级增长，传统单机架构已无法满足需求。国际企业纷纷推出分布式AI计算架构来应对这一挑战。英伟达的DGX

SuperPOD系统运用NVLink互联技术，

将数千块GPU紧密连接在一起，

构建超级计算集群；谷歌通过专用网络架构，实现TPU芯片的灵活组网，用户可根据实际任务需求，动态调整算力规模。分布式架构通过将复杂的计算任务拆分成多个子任务，利用数据并行和模型并行等技术，在不同的计算节点上同步处理，使得大规模AI训练和推理任务能够高效稳定地运行。国际企业围绕不同AI应用场景对硬件性能的差异化需求，将场景化定制作为提升AI计算效率的核心策略。英伟达的GPU针对大模型训练和推理过程中大规模并行计算的特点，不断优化显存架构与互联技术；Arm的Lumex芯片针对移动端设备电池容量有限、散热空间狭小等问题，

通过巧妙的异构架构设计与先进的能效管理技术，在有限的功耗预算下，为移动端带来强大的AI算力。国际企业通过对硬件架构的深度优化与创新，做到场景决定架构，实现算力的最大化利用与突破。CHAPTER2·

AI计算开放架构概念与意义2.4

国内外AI计算架构发展一览●

分布式架构优化云端算力调度●

移动端与边缘端AI能力快速普及●

专用硬件创新引领算力突破1）国外AI计算架构发展一览国内AI计算架构发展紧密围绕大模型研发与应用需求，实现技术适配场景。百度昆仑芯片针对文心大模型的Transformer架构优化计算流程，提升训练效率；

阿里巴巴Hanguang

800芯片支撑Qwen系列大模型在金融风控、医疗影像诊断等场景的推理任务，推动了AI技术的商业化。17国内企业注重平台化、联盟化模式推动架构开放，形成产业链合力。

OpenI启智社区

[

/OpenI]作为国家级AI开源平台，

汇聚2000+开源模型、1000+数据集，提供超10PFlops共享算力，支持高校、企业开发者开展联合研发；在2025重庆世界智能产业博览会上，中科曙光协同

AI芯片、AI整机、大模型等20多家产业链上下游企业，正式发布了国内首个AI计算开放架构，并推出曙光AI超集群系统，同时依托国家先进计算产业创新中心启动“AI计算开放架构联合实验室”建设。这一系列举措标志着中国智能计算产业从单点技术突破迈向集群化协同创新的新阶段。面对国际技术封锁与高端芯片供应限制，国内企业将“自主可控”作为核心战略，从芯片架构设计、指令集开发到软件栈构建实现全链条突破。不仅为国内

AI技术提供了强有力的支持，也推动了AI计算能力向全行业赋能的升级。●

大模型驱动应用场景落地●

产业协同构建开放生态●

自主创新突破技术壁垒2025

中国算力发展之AI计算开放架构研究报告2）国内AI计算架构发展一览CHAPTER2·

AI计算开放架构概念与意义2.5AI计算开放架构产品、方案1）国内外相关机构现状及进展●

开放计算项目基金会（OpenCompute

Project，OCP）OCP是2011年由Facebook（现为Meta）

联合英特尔、Rackspace、高盛和Arista

Networks建立的全球最大的开放计算社区，拥有超450家来自北美、欧洲、中国和世界其他地区的多元化成员企业，涵盖多个关键领域，其使命是为实现可扩展的计算，提供高效的服务器，存储和数据中心硬件设计，

以减少数据中心的环境影响。成员通过公开分享、开放协作，

向全球贡献技术规范、设计方案、白皮书及最佳实践文档，加速包括数据中心在内的

IT基础设施创新方案的应用实践。截至目前，

OCP已建立了冷却环境、服务器、网络、存储、硬件管理、机架和电源、AI、边缘计算等40多个项目和子项目，以及150多个工作流，将创新延伸到IT

基础设施的方方面面，助力AI算力可持续发展。根据

IDC

2025年最新数据，到

2029年，OCP会员通过销售OCP认证产品所产生的营收，预计将会超过1900亿美元，其中亚太地区将贡献OCP认证产品营收的36%，中国的贡献占比更高达28%。OCP将芯粒（Chiplet）技术作为重点发展领域，在芯片架构层面突破传统

GPU卡间互联能力的限制，推动高性能AI和HPC集群的芯片多样性，其最新发布的通用裸片之间通信和链路层的规范，已全面兼容

UCIe标准。OCP全新光路交换（OCS）182025

中国算力发展之AI计算开放架构研究报告子项目，推动开放式光交换技术协作，满足人工智能等数据密集型应用对高带宽、低延迟和能效日益增长的连接需求。与传统电交换不同，

OCS利用光子技术实现光路数据传输，显著降低大规模AI工作负载的功耗并提升可靠性。OCS技术为规模不断扩大的AI集群提供了可扩展的解决方案，既能处理海量数据吞吐，确保与各类网络协议无缝集成，又能适配相同的软件定义网络API及管理框架，在优化资源配置、提升性能的同时，降低成本。在网络技术创新方面，成员企业博通推出专为

AI扩展工作负载优化而设计的Scale

Up以太网框架；谷歌即将推出第五代冷却液分配单元（CDU）。●

可持续和可扩展基础设施联盟（SustainableandScalableInfrastructureAlliance，SSIA）可持续与可扩展基础设施联盟（SSIA）致力于创建、培育和推动开放标准采用，

从而提高数据中心和数字基础设施供应链的效率，其成员包括数据中心运营商、私有云和公有云最终用户、供应链制造商和技术组件提供商，

以及数千名活跃于云、技术、数据中心和边缘生态系统的个人会员。SSIA的前身是Open19，是于

2016年由LinkedIn发起的为新一代开放数据中心建立全新标准的组织，旨在为不同规模、不同种类的数据中心提供创新方案，解决能耗、密度、灵活性等现实问题。其创新性地引入了“基于模块”的即插即用机架架构的开放标准，以期获得超大规模的计算效率。凭借独特的电源架设计和机柜模块（Brick

Cage），机柜模块支持标准化服务器模块，并使用盲插式连接器模型连接数据和电源。该开源设计实现了颠覆性的效率提升、组件复用和成本降低，同时保持了对服务器模块内部技术的独立性。2021年1月，Open19加入Linux基金会，

成为Linux基金会数据中心硬件创新的主要项目。2023年12月，SSIA发布了新版本的Open19

v2机架标准，

该标准包括用于机架式服务器的可插拔液体冷却标准，

以及48V本机电源解决方案，提升不兼容的冷却系统的互操作能力，可实现不同液冷技术供应商的设备连接和替换。

Equinix公司将根据Open19

v2规范在其100多个数据中心推出直接芯片液体冷却。●

开放数据中心委员会（Open

Data

Center

Committee，ODCC）ODCC是在中国通信标准化协会指导下，以开放、合作、创新、共赢为宗旨，围绕服务器、数据中心设施、网络、新技术与测试、边缘计算、智能监控与管理等内容，

打造活跃、高效、有国际竞争力的生态圈和开放平台，推动形成行业统一、有国际影响力的规范和标准，促进产业合作、技术创新和推广应用。19CHAPTER2·

AI计算开放架构概念与意义ODCC源自2011年由阿里巴巴、百度、腾讯发起，英特尔担任技术顾问的整机柜服务器标准化项目“Scorpio”，

旨在通过统一设计规范降低数据中心部署成本并提升扩展效率。2014年，随着中国电信、中国移动及多家服务器厂商的先后加入，形成了开放数据中心委员会，将Scorpio的研究内容从服务器扩展到涵盖模块化数据中心设计、开放网络等更广的领域。目前，ODCC的决策组成员为腾讯、阿里巴巴、百度、中国电信、中国移动、中国信通院、京东和美团。会员单位超过200家，覆盖数据中心行业的上下游企业。

ODCC已累计发布300余项成果，对数据中心产业发展起到了积极的引领和推动作用。●

开放计算标准工作委员会（Open

ComputeTechnology

Committee，OCTC）OCTC是中国电子工业标准化技术协会的下属分支机构，成立于2022年，主要成员来自ICT最终用户以及上下游生态伙伴，其工作范围涵盖新型数据中心全产业链条技术热点，包含动环基础设施和

IT基础设备，旨在联合最终用户、系统厂商、核心组件供应商、科研院校，建立适用于新型数据中心的先进技术标准，完善产业链生态，推进产业健康、快速发展，满足国家对于数据中心绿色、集约、高效发展的要求。2024年9月，OCTC正式发布了服务器带内管理软件首个开源项目，旨在为服务器带内管理提供一套功能全面、高性能、易扩展的标准化管理软件，支撑海量设备的精细化、智能化运维，以数据中心管理开放全面提升运维质量与效率。基于

IPMI驱动打通带内带外管理，软件实现关键性能指标实时收集，利用监控告警机制，可实现秒级监控与故障智能预警，且支持插件化扩展，其平均

CPU消耗不超过3%，内存占用低于200MiB，采用优化的时序数据库持久化处理性能数据，具备自动熔断能力。在兼容性上，软件采用

Go语言交叉编译，支持主流服务器架构与操作系统，通过标准化北向接口与第三方系统无缝集成，可作为BMC

Agent扩展BMC带内功能。●

AI计算开放架构联合实验室国家先进计算产业创新中心于2018年组建成立，旨在围绕国产芯片建立、健全国产计算技术供应链和产业链，从底层CPU、GPU到上层应用，建立起完善的自主创新体系，补齐供应链短板，提升产业国际竞争力。2020年，在国家先进计算产业创新中心支持下，发起成立了海光产业生态合作组织，简称“光合组织”，构建起覆盖芯片、整机、基础软件、应用软件、计算服务的全栈技术生态体系。截至目前，光合组织已经汇聚6000余家合作伙伴，在全国建成28个实体生态适配中心，基于海光C86+DCU202025

中国算力发展之AI计算开放架构研究报告计算平台，推动

1.5万余项软硬件适配测试优化项目，基本形成从技术研发到市场拓展的生态闭环。2025年9月，国家先进计算产业创新中心一方面协同芯片、整机、应用等企业推进技术能力开放，包括海光信息的开放系统互联总线

HSL、曙光数创的液冷超节点设计规范、曙光

DeepAI基础软件栈与OneScience科学大模型开发平台、中科天机的气象模式高质量数据等，同时组织联合20多家上下游企业共同启动建设“AI计算开放架构联合实验室”，进一步推进产业链跨层技术协作优化，解决芯片与基础软件协同、模型

-

硬件适配优化等难题，破解“硬件墙”“生态墙”壁垒；推进关键场景验证，针对大模型训练、行业应用等场景，

开展跨厂商技术对齐与性能验证；促进标准制定与共享，推动开放架构的标准化，降低行业重复研发成本。2）国内外相关开放架构产品发展情况人工智能技术在过去几年中迅速发展，在大数据、云计算、深度学习等领域的应用促使了AI计算架构的不断创新与优化。AI计算架构的开放性，不仅增强了技术的共享与合作，还促进了产业的跨界融合。国内外的科技公司和研究机构在推动AI计算架构开放的过程中，涌现出一系列重要技术和平台。●

国外

AI计算开放架构产品发展情况国际科技巨头凭借深厚的技术积累与庞大的研发投入，在AI计算架构领域占据主导地位，构建起以专用硬件和开源生态协同为核心的发展模式，覆盖云、边、端等多元场景，引领了全球AI计算技术的发展潮流。NVIDIA

GB200

NVL72机架以及计算和交换机托盘液冷设计，是英伟达向OCP贡献的机架级AI算力解决方案，覆盖机架、托盘、液冷、热设计、NVLink互联等多个维度，旨在通过开放标准推动高性能AI基础设施的规模化部署。Nvidia

GB200

NVL72是基于Blackwell架构的多节点液冷机架级扩展系统，

其核心由72个BlackwellGPU与36个GraceCPU通过NVLink-C2C技术集成，提供高达

1.4exaFLOPS的AI算力，专为万亿参数级生成式AI

和高性能计算设计。基于

NVIDIAMGX

模块化架构，GB200

NVL72能够高效支撑数据中心基础设施设计。同时，NVIDIASpectrum-X以太网网络平台也增加了对OCP社区规范的支持，在基于

OCP认证设备的AI工厂，企业可以充分发挥出性能潜力。21Meta开放式AI硬件设计，从Catalina高功率液冷机架到Grand

Teton的跨厂商支持，再到分解式调度结构等，为AI硬件的标准化与高密度化奠定了基础。Catalina机架基于NVIDIA

Blackwell平台设计，是专为

AI工作负载打造的高性能解决方案，具备模块化和灵活性的特点，支持NVIDIA

GB200

GraceBlackwell超级芯片，能够满足AI任务不断增长的计算需求，并解决AI集群中GPU功耗不断增加的难题。GrandTeton平台是Meta

AI基础设施的另一重要组成部分，为大规模推荐模型等内存带宽受限任务设计，支持AMD

Instinct

MI300X加速器，为复杂深度学习模型提供充裕内存支持，显著提升计算能力与内存带宽。除此之外，Meta

研发的分解式调度结构（DSF）基于OCP-SAI标准和Meta

自研的FBOSS系统，

支持基于以太网的RoCE接口，

能够连接NVIDIA、Broadcom、AMD等多家供应商的加速器与网络端点，是一种开放式网络设计，系统灵活性得到了极大提升，为AI基础设施的开放化发展提供支持。Arm

推

出

Lumex

CSS

计算平

台，聚焦低功

耗

AI

计

算

领

域，

引

入

了

跨CPU、GPU和系统IP的整体架构，每个子系统都针对现实世界的AI工作负载进行了优化，能够高效适配智能手机、智能手表、智能家居设备等本地AI推理需求。新一代Armv9.3

C1

CPU集群内建第二代Arm可伸缩矩阵扩展（SME2）单元，为Arm生态系统提供可移植的解决方案。结合Arm

KleidiAI等软件开发工具，Lumex

CSS计算平台带来性能上的强大表现以及设计上的灵活性、应用开发上的便捷性。目前，Arm

Lumex

CSS计算平台上运行着超过900万款应用，通过平台构建应用和工作负载的软件开发者超过2200万名。Lumex

CSS设计理念和商业模式与典型22CHAPTER2·

AI计算开放架构概念与意义2025

中国算力发展之AI计算开放架构研究报告的开放计算架构有所不同，本质上是Arm

的一种“半开放”或“有限开放”的高级IP授权模式，旨在通过预先集成和验证来加速芯片设计，但其核心

IP和底层架构并未完全开源，是一个Arm生态内部的“优化集成套件”。●

国内

AI计算开放架构产品发展情况近年来，我国在AI计算架构领域取得了显著进展，曙光、华为、字节跳动、百度等主要科技公司纷纷投入巨资进行自主研发，推动了AI芯片、计算平台以及大模型的发展。华

为

推

出Ascend

系

列AI

芯

片

和

其

开

源

的

软

件

平

台

CANN

（Compute

Architecture

for

Neural

Networks），

形成“硬件+软件”协同体系。华为昇腾芯片采用自研的达芬奇架构，旨在优化AI计算的效率和灵活性，适应多种AI场景和算法需求。CANN作为针对AI场景推出的异构计算架构，对上支持多种AI框架，通过统

一编程接口，实现对不同芯片架构的适配，对下服务AI处理器与编程，降低开发者门槛。CANN发挥承上启下的关键作用，是提升昇腾AI处理器计算效率的关键平台。通过昇腾硬件使能CANN全面开源开放，华为正在构建一个与NVIDIA

CUDA生态竞争的开放计算体系，

目前已支撑华为云ModelArts平台及近千款行业AI应用落地。字节跳动定义了“大禹”服务器架构，通过核心标准统一与场景灵活扩展的设计理念，支持多样性算力，在开放与性能之间找到了关键平衡点。“大禹”通过优化服务器架构设计，积极推动开放部件应用，构建产业链协同生态。

一是通过自研DPU（DataProcessing

Unit）

，支持上下两个计算节点共享一个DPU降低网络成本；二是持续推进开放固件OpenBMC的发展，提高系统互操作性；三是存储部件，高密场景采用E1.S，大容量存储推进

E3.S应用，并为未来技术如单盘1000TB容量、80W功耗的E2形态预留空间设计。百度发布昆仑系列

AI芯片，基于自研XPU架构构建软硬件协同生态，专为深度学习训练与推理设计，支持FP16、FP8等混合精度计算。其第三代产品P800采用自研的XPU-P架构，显存容量显著超越同类芯片，专为大规模AI计算场景优化，可支持各类大模型的推理与训练任务。为高效释放算力，

百度推出了基于昆仑芯P800的三万卡集群，采用创新架构设计，支持高速互联与资源灵活调度，显著提升大规模训练任务的稳定性与能效比。在金融领域，招商银行与百度智能云基于昆仑芯

P800开展算力合作，成功支撑多种开源大模型，在智能客服、多模态数据分析等场景中实现了显著的性能提升与成本优化。23CHAPTER2·

AI计算开放架构概念与意义新华三开发了H3C

UniPoD系列，它是基于新华三自身在网络联接领域的深厚积累，结合不同品牌GPU的性能与架构特点而开发，它是基于以太协议和

PCIe协议的双技术路线超节点产品，可实现单机柜最高64卡的全互联互通，从而大幅提升单节点计算效能。H3C

UniPoD超节点产品以算力芯片多元化、互联协议标准化、基础设施集成化为核心设计理念，主要涵盖H3C

UniPoD

S80000和H3C

UniPoD

F80000两个子产品系列，基于不同协议路线，将为不同规模参数的模型训练、推理和精调提供有针对性地算力支撑。浪潮信息推出了“元脑SD200”，作为

OCTC创始成员和OCP核心成员，这是浪潮信息推出的超节点AI服务器。元脑SD200基于开放总线交换技术构建，在单机内实现了64路GPU芯片的高速统一互连，单机即可运行超万亿参数大模型，并在多个全参模型实测中，实现64卡整机推理性能的超线性扩展。中科曙光2025年11月推出业界首个单机柜级640卡超节点scaleX640，面向万亿参数大模型训练与高通量推理等场景，打造更大规模、更高效率的智算基础设施，具备“超强性能、极致效率、超高可靠、全面开放”等特征。该超节点在“一拖二”系统设计中，单曙光scaleX640超节点24机柜实现最大640卡超高速总线互连，双scaleX640超节点组成1280卡千卡级计算单元，机柜间通过高速网络互连；同时位于中间的液体冷凝换热装置CDM可为两侧超节点计算柜提供高达

1.7MW的超强散热能力，通过采用超高速正交架构、超高密度刀片、浸没相变液冷、高压直流供电等技术，不仅实现了

PUE小至1.04的极致能源效率，且相比业界其他超节点将单机柜算力密度最大提高了20倍。曙光scaleX640超节点基于AI计算开放架构设计，可适配支持多品牌AI加速卡，为用户提供多元、灵活硬件选择，

并兼容主流AI计算软件生态，支持异构加速计算应用、模型无缝迁移与深度优化。2.6AI计算开放架构的意义与价值1）有助于推动跨层协作，加速AI技术迭代创新传统AI计算架构下，产业链呈现割裂状态，硬件制造商需适配专有软件，软件开发者需针对单一硬件重构代码，技术壁垒严重制约跨层级协同与突破性研发。AI计算开放架构通过整合芯片、整机、大模型、行业应用等上下游资源，依托产业联盟、实验室等协作机制，推动形成从硬件、软件、算法到应用的全链条优化，提升产业整体创新效能。同时，通过建立统一技术标准体系避免重复研发与同质化竞争，共享编译框架、算子库等核心技术资源降低算法开发技术门槛，助力快速实现AI应用部署，激活多主体创新活力，推动形成多层次、多主体参与的技术创新格局，加速人工智能技术迭代创新。2）有助于破解算力瓶颈，弥补性能和供给缺口当前全球AI产业发展面临算力困境，“脱钩断链”风险加剧，国际巨头通过封闭生态垄断核心技术，部分国家对高端AI芯片、软件框架实施出口限制，致使算力供给受限。AI计算开放架构以GPU为核心，构建计算、存储、网络、供电、散热、管理、软252025

中国算力发展之AI计算开放架构研究报告

AI计算开放架构通过整合芯片、整机、大模型、行业应用等上下游资源，依托产业联盟、实验室等协作机制，推动形成从硬件、软件、算法到应用的全链条优化，提升产业整体创新效能。CHAPTER2·

AI计算开放架构概念与意义件全链条的紧耦合技术体系，通过集群资源动态调度、分布式存储优化、高速网络协同等技术手段，取代传统追求单节点极致性能的发展模式，以集群创新弥补单卡性能差距，提升高端算力供给。此外，采用兼容主流技术标准与自主创新发展并重的技术路线，构建自主可控生态闭环，规避技术断供风险，保障算力供给的稳定与可持续。3）有助于降低使用成本，推进全行业算力普惠数字经济时代，AI算力是核心生产资料，但传统AI计算架构下，算力资源集中于互联网巨头，中小企业与科研机构普遍陷入用不起、用不好的困境。AI计算开放架构通过开放核心模型架构与训练框架，使中小开发者无需重复投入底层技术研发，可直接基于开源基础模型开展垂直领域微调，

降低技术准入门槛，让全行业“用得上”；依托集群优化能力，实现算力规模越大、单位成本越低，并结合存算传协同设计、先进冷板液冷等技术，在提升性能的同时降低能耗与运维成本，让全行业“用得起”；

整合分散硬件资源形成共享算力池，支持按需取用与行业灵活适配，让全行业“用得好”。4）有助于强化产业协同，构建共建共赢的生态传统AI计算架构往往存在Vendor

Lock-in（厂商锁定）

陷阱，

导致生态资源高度集中于少数巨头，上下游企业缺乏议价权，产业创新活力被抑制。

AI计算开放架构凭借硬件兼容、端边云协同特性，让中小企业低成本试错、科研机构聚焦前沿、千行百业加速数字化，各主体在开放体系中自由协作。此外，通过统一接口标准，实现多品牌硬件兼容，有效破解国产算力生态碎片化难题，让分散的资源形成合力，为“AI+”提供底层支撑，推动AI与制造、医疗、金融等不同领域深度融合，重塑生产与生活范式，推动跨领域协同创新，最终构建资源共享、优势互补、利益共赢的产业生态。262025

中国算力发展之AI计算开放架构研究报告27AI计算开放架构面临的挑战与应对2025

中国算力发展之AI计算开放架构研究报告伴随着算力产业规模扩张，算力供需失衡与生态协同难题逐渐凸显，我国AI算力领域正面临“外部卡脖子”与“内部低协同”的双重挑战。为破解这些问题，

AI计算开放架构应运而生。它是面向大规模智能计算场景、以GPU为核心的高效紧耦合协同创新体系，既要搭建异构算力架构、提升算力利用率，也要打破“技术墙+生态墙”、共建自主生态。3.1

面临的困难与挑战为破解当前国内算力产业发展困局，在芯片、基础软件、模型等核心技术自主创新突破的基础上，发展更大规模、更高效的智算集群，突破AI算力瓶颈，已经成为产业共识。曙光、海光、华为、浪潮、新华三、沐曦、壁仞、曦智等众多科技企业都在加快研制智算超节点、超集群等产品，以网强算、以存提算、以电补算、软硬协同等创新策略方法不断出现。然而，当前我国的AI计算架构技术路线多样且开放性不足，各企业的技术优势难以形成合力，导致异构算力协同效率较低，用户使用门槛及成本较高。其原因主要有以下两点：国产算力硬件正处于“多线并进”的爬坡期，多元异构融合需突破新瓶颈。•

技术路线层面，当前我国算力硬件产业需在架构开放性、兼容性与应用成本之间寻找动态平衡，以昇腾、海光、寒武纪、燧原等为代表的主流厂商均采用独立架构路线，体现了对突破CUDA生态垄断的