计算机行业2026年投资策略分析报告：迈向 经济新时代

迈向token经济新时代——计算机行业2026年中期投资策略2026年6月目录1.“五层蛋糕”：Token经济时代的产业价值体系4.

增值Token：模型进化提升智能密度4.1

大模型：国内外大模型持续迭代4.2

大模型：AIAgent开始具备长期运行与自主执行能力4.3

大模型：企业级AI平台加速落地1.1

Token逐渐成为AI时代的核心经济单位1.2

Token需求进入爆发阶段1.3

“五层蛋糕”：Token经济时代的AI产业架构4.4

空间智能：从语言智能走向空间智能2.

生产Token：能源与芯片构筑AI时代生产力底座2.1

算电协同：为

AI和能源IT注入攻守兼备增长极2.2

xPU：CPU价值回归，国产GPU持续突破2.3

超节点：国产算力多维联合优化工程和赶超机遇2.4

太空算力：突破地面局限，全球AI算力新供给2.5

量子科技：颠覆式技术创新，计算/通信/测量迎机遇5.

消费Token：Agent驱动应用生态繁荣5.1

AI应用：模型重塑格局，专业数据和经验构筑壁垒5.2

经营管理软件：收费模式向Token计费转型5.3

生产研发软件：AI助力提质增效5.4.

智能驾驶：端到端架构演进，L2+/L4逐步落地5.5

AI4S：AI助力，加速药物研发过程3.流转Token：基础设施打造AI时代高速网络3.1

光互联：AI下游高景气，拉动测试需求高增3.2

卫星互联：下一代互联底座，乘星座组网提速东风3.3

液冷&电源：算力高密化，带动热管理/供电升级3.4

云计算&IDC：国内外厂商加速投入，算力资源进入涨价周期1.1.Token逐渐成为AI时代的核心经济单位

Token逐渐成为AI时代的核心经济单位。随着大模型进入推理时代，Token正在从模型训练中的技术参数，逐步演变为AI时代的核心经济单位。传统互联网时代，产业关注的核心指标是“流量”“用户时长”“点击量”；而在生成式AI时代，产业链开始围绕Token展开重构。Token既是模型计算的基本单元，也是AI服务计费、算力消耗、Agent运行以及数据价值流转的核心载体。

2026年3月GTC大会上，黄仁勋提出“Token经济学”，表示Token将是AI时代新的大宗商品，未来的数据中心将成为生产Token的工厂，每瓦性能则成为商业变现的核心竞争力，带火词元经济的产业叙事。同月，国家数据局正式为Token确定中文译名“词元”，国家数据局局长刘烈宏表示，“Token‘词元’不仅是智能时代的价值锚点，更是连接技术供给与商业需求的“结算单位””，为词元经济的商业模式落地提供了可量化的指标。Token是新的商品Token成为新的成本函数资料：GTC

2026，国投证券证券研究所1.2.Token需求进入爆发阶段

推理模型正在成为Token消耗主力，AI推理需求进入结构性扩张阶段。OpenRouter数据显示，2025年以来，推理模型Token占比快速提升，目前已超过50%。这一变化意味着，大模型调用正在从传统“单轮文本生成”，逐步转向“多步推理+长链执行”的AgenticInference阶段。相比传统聊天模型，推理模型在执行任务时需要进行思维链（CoT）、状态维护、多轮反思以及工具调用，因此单次请求Token消耗显著增加。随着GPT-5、Claude

4.5、Gemini

3等推理模型普及，AI产业Token需求正从用户增长驱动，转向推理复杂度驱动。

长上下文与Agent工作流推动单次请求Token持续增长。OpenRouter数据显示，大模型交互的Sequence

Length也在快速增长。OpenRouter数据显示，2023年底以来，平均Sequence

Length已从不足2,000

tokens提升至超过5,000

tokens，其中编程与Agent类任务增长最为明显。相比传统聊天场景，Agent系统需要长上下文记忆、任务拆解、Tool

Calling、联网搜索以及持续状态维护，因此Token消耗结构正从“高并发短请求”转向“低并发长推理”。这一变化意味着，未来Token需求增长不仅来自用户数量提升，更来自单次请求复杂度的持续上升。推理模型目前占所有使用量的一半平均Sequence

Length的时间变化图资料：OpenRouter，国投证券证券研究所1.2.Token需求进入爆发阶段

OpenRouter平台Token调用量快速增长。OpenRouter数据显示，2025年以来平台周度Token调用量快速增长，由年中的不足5T提升至30T以上，呈现明显加速趋势。与此同时，参与Token消耗的模型数量持续增加，AI推理需求正从单一模型驱动，逐步走向多模型、多Agent并行调用阶段。

Agent系统正在成为Token消耗主体，AI调用结构发生变化。目前Token消耗排名靠前的应用已不再是传统聊天机器人，而是以ClaudeCode、Hermes

Agent、Cline、OpenClaw为代表的Agent系统与Coding

Agent。相比传统Chatbot，Agent系统的Token消耗量显著高于普通对话场景。尤其是Coding

Agent，需要持续读取代码库、调用工具、修改文件并进行测试验证，单次任务往往消耗大量Token。OpenRouter平台Token调用量OpenRouter热门应用5月使用量跟踪资料：OpenRouter，国投证券证券研究所1.2.Token需求进入爆发阶段

日均词元调用量快速增长，中国的人工智能发展进入了快速增长阶段。刘烈宏在国新办举行的新闻发布会上表示，到今年3月，我国日均词元调用量已超过140万亿，相比2024年初的1000亿增长了1000多倍，相比2025年底的100万亿又增长了40%多。此外，我国高质量数据集的建设工作取得了阶段性成效，截止到2025年底，全国已建成的高质量数据集超过10万个，总体量超过890PB，相当于中国国家图书馆数字资源总量的310倍左右。中国日均词元调用量资料：国家统计局，国投证券证券研究所1.2.Token需求进入爆发阶段

字节Token调用量进入百万亿级，AI推理需求加速落地。字节跳动旗下火山引擎是国内最早持续披露Token调用量的大模型平台之一。自2024年豆包大模型商业化发布以来，其日均Token调用量快速增长，由2024年初的千亿级提升至2026年初的百万亿级，两年增长超过1000倍，AI推理需求呈现明显加速趋势。字节披露日均大模型Tokens使用量资料：第一财经，证券时代网等，国投证券证券研究所1.3.“五层蛋糕”：Token经济时代的AI产业架构黄仁勋：AI是五层蛋糕

AI产业正在从“模型竞争”进入“Token经济竞争”阶段。在2026年3月，黄仁勋在《AI

is

A

Five

Layer

Cake》中提出，AI产业已经形成由能源、芯片、基础设施、模型与应用组成的“五层架构”。其核心逻辑是：AI工厂本质上是Token工厂，未来AI产业链的价值分配，将围绕Token生成、调度、传输与消费展开重构。

我们认为，黄仁勋提出的“五层蛋糕”本质上是Token经济时代的产业价值体系：1）能源层：决定Token生产上限。AI工厂的本质是电力到Token的转换系统。随着推理需求爆发，能源成本正在成为Token成本的重要约束，算电协同重要性持续提升。

2）芯片层：决定Token生成效率。推理时代，AI芯片竞争正在从训练性能竞争，转向Token生成效率竞争。GPU、XPU与推理芯片均围绕低成本、高吞吐Token生成进行优化。

3）基础设施层：负责Token传输与调度。光互联、IDC、云计算与高速网络构成Token流转体系。随着多模型与多Agent协同兴起，AI基础设施的重要性持续提升。

4）模型层：决定Token智能密度。推理模型、多模态与长上下文技术发展，推动单位Token承载的信息量与智能水平持续提升。

5）应用层：决定Token消耗规模。Agent系统具备长链推理、ToolCalling与持续状态维护能力，Token消耗量显著高于传统聊天场景。AICoding、自动驾驶、数字生物学等应用正成为Token需求核心。资料：NVIDIA，国投证券证券研究所1.3.五层蛋糕理论聊天机器人科学研究数字生物学机器人无人驾驶出租车

企业级

AI智能体Agent决定Token应用层模型层消费速度智能制造AI编程助手模型决定Token智Token经济飞轮能密度AI工厂基础设施决定基础设施层芯片层Token传输能力芯片决定Token生成效率电力决定Token生能源层产上限资料：国投证券证券研究所目录1.“五层蛋糕”：Token经济时代的产业价值体系4.

增值Token：模型进化提升智能密度4.1

大模型：国内外大模型持续迭代4.2

大模型：AIAgent开始具备长期运行与自主执行能力4.3

大模型：企业级AI平台加速落地1.1

Token逐渐成为AI时代的核心经济单位1.2

Token需求进入爆发阶段1.3

“五层蛋糕”：Token经济时代的AI产业架构4.4

空间智能：从语言智能走向空间智能2.

生产Token：能源与芯片构筑AI时代生产力底座2.1

算电协同：为

AI和能源IT注入攻守兼备增长极2.2

xPU：CPU价值回归，国产GPU持续突破2.3

超节点：国产算力多维联合优化工程和赶超机遇2.4

太空算力：突破地面局限，全球AI算力新供给2.5

量子科技：颠覆式技术创新，计算/通信/测量迎机遇5.

消费Token：Agent驱动应用生态繁荣5.1

AI应用：模型重塑格局，专业数据和经验构筑壁垒5.2

经营管理软件：收费模式向Token计费转型5.3

生产研发软件：AI助力提质增效5.4.

智能驾驶：端到端架构演进，L2+/L4逐步落地5.5

AI4S：AI助力，加速药物研发过程3.流转Token：基础设施打造AI时代高速网络3.1

光互联：AI下游高景气，拉动测试需求高增3.2

卫星互联：下一代互联底座，乘星座组网提速东风3.3

液冷&电源：算力高密化，带动热管理/供电升级3.4

云计算&IDC：国内外厂商加速投入，算力资源进入涨价周期2.1.算电协同：为

AI

和能源IT注入攻守兼备增长极

算电协同是数字经济与能源革命深度融合的核心纽带，通过技术创新实现算力与电力的双向优化配置。根据中国信通院定义，算电协同以新型电力系统为支撑，以全国一体化算力网建设为指引，深化智能调度、源网荷储等技术创新，在产业规划、资源调度等层面实现算力与电力的全局优化。其本质是“比特”与“瓦特”的高效匹配：一方面通过算力负载时空调度适配电力波动，另一方面依托电力系统灵活调节支撑算力弹性需求。算电协同发展阶段资料：中国信通院，国投证券证券研究所2.1.算电协同：为

AI

和能源IT注入攻守兼备增长极

政策层面，算电协同今年两会首次上升为国家顶层战略部署。2026年3月5日，第十四届全国人民代表大会第四次会议上，国务院总理在作政府工作报告时提出，“实施超大规模智算集群、算电协同等新基建工程，加强全国一体化算力监测调度，支持公共云发展”。政府工作报告中首次提及“算电协同”，标志着算电协同从地方试点、部门政策正式上升为国家战略部署。2023年以来算电协同国家层面的政策体系不断完善时间文件名发文单位核心内容支持国家枢纽节点地区利用“源网荷储”等新型电力系统模式。面向国家枢纽节点内部及国家枢纽节点之间开展算力电力协同试点，探索分布式新能源参与绿电交易，提升数据中心集群电力供给便利度，充分利用数据中心闲时电力资源，降低用电损耗及算力成本。到2025年底，算力电力双向协同机制初步形成，国家枢纽节点新建数据中心绿电占比超过80%。国家发展改革委、中央网信办、工业和信息化部、国家能源局、国家数据局《关于深入实施"东数西算"工程加快构建2023年12月全国一体化算力网的实施意见》《加快构建新型电力系统行动方案(2024—2027年)》国家发展改革委、国家数据局、国家能源局实施一批算力与电力协同项目。统筹数据中心发展需求和新能源资源禀赋，科学整合源荷储资源，开展算力、电力基础设施协同规划布局。2024年7月国家发展改革委、工业和信息化部、

逐年提升新建数据中心项目可再生能源利用率。鼓励有关地区探索开展数据中心绿电直供。到20252024年7月

《数据中心绿色低碳发展专项行动计划》国家能源局、国家数据局年底，算力电力双向协同机制初步形成，国家枢纽节点新建数据中心绿电占比超过80%。国家发展改革委、国家数据局工业和信息化部推动实现“瓦特”产业向“比特”产业转化，强化枢纽节点与非枢纽节点的协同联动，支持绿电资源丰2024年12月《国家数据基础设施建设指引》富的非枢纽节点融入全国一体化算力网建设。重点支持在局部电网具备稳定调节能力且电力送出通道受限断面内，加快实施源网荷储一体化算电融合示范项目，重点布局园区级万卡集群以上算力规模。到2027年，在阿坝、甘孜、凉山、雅安、攀枝花（以下简称“三州两市”）等区域，在尊重市场规律、充分论证研究、符合国家相关政策要求的基础上，有序依规实现算力规模化、绿色化发展，建成富有四川特色的“绿电+算力”融合发展项目。四川省发展和改革委员会四川省经济和信息化厅四川省能源局2025年5月

《关于支持加快算电融合发展的实施意见》《关于推进"人工智能+"能源高质量发展的2025年9月国家发展改革委、国家能源局国务院以推进智能算力与电力协同发展为必要支撑，以健全能源智能化发展的创新体系为关键保障。实施超大规模智算集群、算电协同等新基建工程，加强全国一体化算力监测调度，支持公共云发展。实施意见》2026年3月《政府工作报告》资料：中国政府网，国投证券证券研究所2.1.算电协同：为

AI

和能源IT注入攻守兼备增长极

全球算力规模持续高速增长。经中国信通院测算，预计未来五年全球算力规模将以超过60%的速度增长，至2030年全球算力规模将超过50ZFlops；具体到中国市场，IDC预测显示，2023-2028年期间中国智能算力规模的五年年复合增长率预计达到46.2%。

智能算力市场规模在AI大模型驱动下快速增长。2024年以来，Open

AI的ChatGPT、谷歌的Gemini、xAI的Grok、Anthropic的Claude、阿里的通义千问、字节的豆包、DeepSeek、智谱、MiniMax、Kimi等国内外多款超万亿的参数的大模型集中密集发布，训练数据规模也纷纷达到万亿或数十万亿量级，单模型训练算力需求进入新阶段，单词训练需求超过1020

Flops。云服务企业、大模型厂商、互联网企业等纷纷加大智算集群建设力度，万卡集群建设成为新趋势。中国智能算力（基于FP16计算）规模及预测EFLOPS300025002000150010005002781.92019.91460.31037.32025725.32024416.72023259.92022155.220217502020202620272028资料：中国信通院，IDC，国投证券证券研究所2.1.算电协同：为

AI

和能源IT注入攻守兼备增长极

全球数据中心的电力需求激增。传统数据中心单机柜功率密度通常为3-8KW，AI数据中心单机柜功率密度将提高至20-100KW，单个数据中心用电量将跃升至200MW、甚至500MW以上。据第三方机构SemiAnalysis测算，数据中心电力容量的复合年增长率从12-15%加速至25%，全球数据中心关键IT电力需求将从2023年的49GW激增至2026年的96GW，其中90%的增长来自AI相关需求。

数据中心用电增速远高于全社会用电量增速，算力用电占全社会用电量的比例持续提升。根据国家能源局方面披露，2025年我国已建成42个万卡级智算集群，全国算力中心总用电量达1700亿千瓦时，占全社会用电量的1.6%。全国一体化算力网络8大枢纽节点算力用电成为增量主力，近3年平均增长率约为39.5%，远高于全社会用电量的平均增速。预计“十五五”时期全国算力用电量年均新增1000亿千瓦时以上，到2030年预计达8000亿千瓦时，占全社会用电量6%左右。全球数据中心电力需求激增我国ICT产业用电量快速增长信息传输、软件和信息技术服务业用电量/亿度信息传输、软件和信息技术服务业用电量增速250020001500100050017.00%18.00%16.00%14.00%12.00%10.00%8.00%6.00%4.00%2.00%0.00%14.80%12.20%9.80%2.30%020212022202320242025资料：SemiAnalysis，信通院，国家能源局，国投证券证券研究所2.1.算电协同：为

AI

和能源IT注入攻守兼备增长极

算电协同产业端涵盖了绿电直连、虚拟电厂、电力交易、储能和IDC。算电协同本质上是通过数字化手段实现电力与算力动态匹配，形成一个涵盖绿电直连、虚拟电厂、电力交易、储能和数据中心等多种业态的源网荷储一体化闭环。在基础设施层面，以绿电直连为代表的模式让电力资源精准对接算力需求。在调度层面，通过智能微电网、AI算法调度、算力负载和储能的灵活调节，能够让算力中心在电网低谷期储电、高峰期放电，既平滑电网负荷，又降低用能成本。这是"虚拟电厂"逻辑在算力场景的延伸。在市场层面，依托绿电绿证交易机制进一步深化践行电力市场化改革。算电协同发展体系源网荷储一体化原理图资料：中国信通院，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

CPU、GPU、TPU、NPU

与

ASIC

是

AI

时代异构算力体系中的核心计算单元，各自在

AI

工作流中承担不同角色。CPU具备较强的通用计算与逻辑控制能力，主要负责操作系统运行、任务调度、数据管理及复杂串行计算，是

AI

系统的“控制中枢”；GPU凭借大规模并行计算能力，能够高效处理深度学习中的矩阵运算，已成为当前大模型训练与推理的核心算力引擎；TPU则是以

Tensor

运算为核心优化目标的专用

AI，通过针对神经网络计算路径进行定制化设计，在能效比和训练效率方面优于传统

GPU，代表

AI

芯片向专用化演进的方向；NPU主要面向端侧与边缘侧

AI

推理场景，具备低功耗、低延迟等特点，广泛应用于

AI

PC、智能手机、智能汽车及

IoT设备，推动

AI

从云端走向终端；ASIC则是针对特定

AI

任务进行深度定制的芯片架构，可在性能、功耗及成本之间实现最优平衡，已成为云厂商和互联网巨头布局

AI推理基础设施的重要方向。AI

时代异构算力体系时间CPUGPUTPUNPUASIC核心角色系统控制/任务调度通用AI训练引擎Tensor专用加速端侧AI推理最适场景OS、数据管理、Agent编排大模型训练/推理优势通用性强局限AI并行效率低功耗高、成本高生态封闭并行能力强、CUDA生态成熟TOPS/W高超大模型训练AIPC/手机/汽车低功耗低延迟通用性弱专用AI加速推理/超大规模部署极致性能功耗比开发成本高资料：Google，Intel，Arxiv等，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

AI推理与Agent爆发带动CPU产业链价值回归。Agent并不只是一个大模型，而是一整套围绕模型运行的智能体系统，其背后需要大量的I/O、任务编排、Memory管理、工具调用、浏览器交互、代码执行、数据库访问等外围运行能力。这些调度和执行工作，本质上主要运行在CPU上，而真正的大模型推理与思考过程则运行在GPU上。随着未来Agent数量从几十万增长至数十亿，每一个Agent都会持续调用工具、派生Sub-Agent并进行任务协同，CPU承担的系统调度、数据搬运与运行时管理负载将显著提升。海外CPU龙头厂商也普遍认为，随着AI工作负载从训练向推理与Agent演进，CPU在AI系统中的重要性正在持续提升，CPU与GPU的配比有望从过去训练时代的1:8逐步向1:4甚至1:1演进，CPU产业链正在迎来新一轮价值重估。海外CPU厂商对GPU和CPU比例观点时间会议GPU：CPU观点随着AI推理需求增长，客户对于CPU的需求明显提升，部分客户当前CPU与GPU的配置比例已接近1:1，甚至出现4个CPU对应1个GPU的情况。IntelJPM54周年全球TMC会议传统AI训练场景通常为7-8个GPU对应1个CPU，而随着推理、Agent及多Agent应用发展，CPU与GPU比例正逐渐从过去的1:8向1:4演进，在部分Agent场景下CPU需求甚至可能超过GPU。Intel2026Q1业绩交流会过去CPU主要承担GPU主机节点功能，CPU与GPU比例通常为1:4或1:8，但随着AI工作负载向推理和Agent

orchestration演进，CPU与GPU配置比例正越来越接近1:1。AMDARM2026Q1业绩交流会2026Q4业绩交流会从芯片颗数角度看CPU数量未必超过GPU，但从核心数量角度看，随着AI与Agent应用增长，CPU核心数量未来很可能超过GPU。资料：AMD，Intel，ARM，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

国内AI产业链正在出现CPU价值重估的关键催化。1）国产开源大模型DeepSeek

V4在技术和应用层面：V4

采用MoE混合专家架构，每token仅激活部分参数，但需要CPU做专家分发、负载均衡、路由调度；V4的Engram记忆模块将千亿级静态参数（常识、文档、知识库）从GPU显存搬到CPU内存进行检索、预处理、KV缓存管理（缓存分片、跨节点同步、垃圾回收等），GPU只做动态推理，显著增加了CPU内存带宽与核数需求；V4全面去英伟达CUDA，原生适配国产CPU算力栈，有望带动国产CPU的出货量和生态构建。

2）超节点应用推广带来的量价齐升。以英伟达超节点GB200

NVL576为例，柜内NVL36实现18颗Grace

CPU和36颗Blackwell

GPU组网，CPU和GPU的配比从智算服务器的1:8提高到了1:2，CPU的数量将显著提升。从业务角度，伴随着AI

Agent应用兴起，推理过程不再是单纯的矩阵计算，还包含复杂的逻辑判断、工具调用、环境交互和检索增强生成，进而导致推理负载中CPU密集型任务（如Prompt解析、API调度、向量数据库检索）比例显著上升，因此超节点需要采用更高核数、更高带宽的AI集群专用CPU（英伟达Grace

CPU为72核，鲲鹏920

CPU为64核），价值量随之上涨。DeepSeek

Engram

ArchitectureGB200

NVL36

Rack

A/B资料：DeepSeek，Semianalysis，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

海光信息GPU产品主要为海光DCU系列，采用GPGPU通用并行计算架构，面向AI大模型训练与推理、高性能计算及数据中心场景。海光持续推进DCU产品迭代升级，布局8000系列DCU及对应模组，支持全精度支撑能力，并适配深度学习训练、推理及MoE大模型场景。2025年，海光升级自研DTK软件栈并全面开放，强化对超节点及分布式训练的支持，同时兼容国内外主流大模型与AI软件生态。目前海光DCU已在互联网、金融、运营商及政务等20多个关键行业、300余个应用场景实现落地。

摩尔线程是国内少数实现全功能GPU量产量销的厂商，基于自研MUSA架构构建覆盖云端、边缘与终端的完整产品体系。云端侧，摩尔重点推进MTT

S4000、MTT

S5000等AI智算卡及夸娥万卡级智算集群，其中旗舰产品MTT

S5000基于第四代“平湖”架构打造，支持FP8-FP64全精度计算，单卡AI算力最高达1,000

TFLOPS，并配备80GB显存与高速互联能力，主要面向大模型训练、推理及高性能计算场景。摩尔已实现DeepSeek、Qwen、GLM等主流大模型的适配优化，并率先完成DeepSeek-V3/R1满血版部署。边缘与端侧，摩尔推出基于“长江”SoC的MTT

E300

AI模组及MTT

AIBOOK端侧AI终端，支持Agent、多模态及具身智能场景。2025年，摩尔进一步发布“花港”架构及MTT

C256超节点规划，推动国产GPU向十万卡级AI集群与AI

Infra方向持续演进。海光信息产品矩阵摩尔线程产品矩阵资料：海光信息，摩尔线程，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

寒武纪专注于AI训练与推理芯片研发，构建覆盖云、边、端的一体化智能算力体系。云端侧，寒武纪已陆续推出思元100、思元270、思元290、思元370等系列AI加速卡产品，并提供智能整机及智能计算集群解决方案，广泛应用于运营商、金融、互联网及政企场景。2025年，寒武纪持续推进新一代智能处理器微架构及指令集研发，重点面向大语言模型、视频生成及多模态模型训练推理进行优化，在编程灵活性、性能及能效方面进一步提升。软件生态方面，寒武纪持续迭代训练与推理软件平台，实现对DeepSeek-V3.2的Day0支持，并完成Qwen、GLM、HunYuan等主流大模型适配，强化通信、编译、推理框架及大规模集群工具链能力。此外，寒武纪AI芯片产品在运营商、金融、互联网等行业实现规模化部署，并首次实现全年盈利。

沐曦股份专注于自主研发全栈高性能GPU芯片及计算平台，产品覆盖AI训练与推理、通用计算及图形渲染等领域，形成曦云C系列训推一体GPU、曦思N系列智算推理GPU及曦彩G系列图形渲染GPU三大产品线。2025年，沐曦发布基于全国产工艺的曦云C600系列GPU，支持HBM等新技术，并推动MetaXLink高速互连与超节点架构落地，已实现千卡级集群商业化部署并推进万卡集群研发。截至2025年年末，沐曦GPU产品累计销量超过5.5万颗，已广泛应用于国家级智算中心、运营商及大模型训练场景，并完成对主流AI框架和开源大模型生态的适配。寒武纪产品矩阵沐曦股份GPU产品矩阵资料：寒武纪，沐曦股份，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

天数智芯聚焦通用GPU及AI算力解决方案，形成以“天垓”训练GPU与“智铠”推理GPU为核心的产品体系。其中，天垓系列面向大模型训练场景，具备优化的计算核心、显存配置及多卡集群能力，支持大规模AI训练任务；智铠系列则聚焦云端与边缘推理场景，针对大语言模型推理进行了低精度计算与数据通道优化。

壁仞科技GPU产品主要包括BR10X系列及规划中的BR20X系列，其中，BR106、BR166已于2025年实现全形态量产及规模化商业落地，并交付多个千卡级智算集群，客户覆盖国家级智算中心、运营商、商业AIDC及AI大模型公司。基于BR10X系列，壁仞完成DeepSeek-V3/R1、Qwen、GLM、Step、腾讯混元等主流大模型适配，并联合生态伙伴推出基于光互连与分布式光交换技术的LightSphere

X超节点方案，在国家级智算中心部署2048卡GPU超节点集群。下一代BR20X系列计划于2026年推出，将面向推理时代需求优化算力密度、显存容量、带宽及互连能力，支持FP8/FP4低精度计算，并基于自研Blink2.0互连协议支持千卡级Scale-up能力，重点适配MoE专家并行等大模型训练与推理场景。天数智芯产品矩阵壁仞科技壁砺

系列兼容主流通用计算软件框架支持主流深度学习开发框架被动散热软件生态散热方式尺寸全长全高双槽

PCIe卡，兼容主流服务器半长半高单槽

PCle卡板级功耗

75W全长全高单槽

PCle板级功耗

150W功耗板级功耗

250WPCIeGen4.0

x16

lane共享

64

GB/s

主控双向带宽共享

64

GB/s

片间互联带宽接口PCleGen4.0

X16

lane最大128路视频解码（

H.264@1080P

30

fps）支持H.264/H.265/VP9/AVS2视频图像处理/JPEG图像解码/编码：2000/500帧（HD）内存架构型号16

GB

HBM2E32

GB

HBM2E32

GB

DRAM

HBM2通用GPU智铠50加速卡（MR-V50）

智铠100加速卡（MR-V100）天垓100加速卡（BI

-V100）资料：天数智芯，壁仞科技，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破平头哥真武M890

阿里巴巴GPU布局主要依托平头哥，最新核心产品为“真武”系列AI芯片。平头哥的人工智能芯片主要包含真武M890/810E和含光800，其中在5月20日的2026阿里云峰会上，推出真武M890，其采用自研并行计算架构，内置144GB显存，性能是真武810E的3倍，片间互联带宽达到800GB/s，芯片原生支持FP32到FP4等多种数据精度，可应用于高精度训练、低精度和超低精度推理的全场景，低精度推理场景下，不仅可以保证模型输出质量，还能显著降低单次推理的算力开销。

百度AI芯片布局主要围绕昆仑芯展开，2025年百度世界大会上，百度进一步发布新一代昆仑芯M100与M300，其中，昆仑芯M100

针对大规模推理场景优化设计，提供极致性价比，将于2026年上市；昆仑芯M300面向超大规模多模态模型的训练和推理需求提供极致性能，将于2027年上市。昇腾路线图

AI算力布局以昇腾系列AI芯片为核心，2025年全联接大会上，正式公布下一代昇腾路线图，包括Ascend

950PR、Ascend

950DT、Ascend

960及Ascend

970系列。其中，950PR重点面向推理Prefill与推荐场景，950DT则重点面向训练与Decode阶段。在950系列基础上，规划于2027年推出Ascend

960系列，进一步将FP8算力、FP4算力、内存容量及互联能力整体翻倍，并首次支持自研HiF4数据格式，重点强化超大规模训练与推理吞吐能力，对应Atlas

960超节点最大支持15488卡规模。更长期来看，还规划了2028年推出的Ascend

970系列，其FP4/FP8算力、互联带宽将继续翻倍提升，并进一步扩大HBM带宽与容量。资料：，平头哥，昆仑芯，国投证券证券研究所2.2.xPU：CPU价值回归，国产GPU持续突破

国产GPU通过安全可靠测评。2026年5月，中国信息安全测评中心与国家保密科技测评中心发布《安全可靠测评结果公告（2026年第2号）》，人工智能训练推理芯片共有9款产品通过安全可靠测评，且全部获得“I级”认证，标志着国产AI芯片在自主可控与安全可靠领域进一步取得突破。此次通过测评的产品包括海思昇腾310、昇腾910，平头哥真武M530、真武M890，壁仞壁砺166，海光DCU-3G，天数智芯KCC-V100X，沐曦MXC600，以及摩尔线程PH100。人工智能训练推理芯片通过安全可靠测评名单

国家层面指导国产大模型加大力度适配国产算力芯片。央视网消息，2026年5月22日，国家发展改革委召开5月份新闻发布会。国家发展改革委政策研究室副主任、新闻发言人李超表示：人工智能领域核心技术和应用需求都呈现快速增长态势，我们始终坚持系统布局、分业施策、开放共享、安全可控，推动人工智能与经济社会各行业各领域广泛深度融合，指导国产大模型加大力度适配国产算力芯片，在保持快速发展的同时，确保自主可控、向善发展、行稳致远，让全体人民共享人工智能发展成果，这也是我国人工智能发展的一大突出特征。资料：中国信息安全测评中心，国家保密科技测评中心，央视网，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

为什么需要超节点？前沿生成式AI模型的训练算力需求呈现出稳定的指数增长。从

2020

年的

GPT-3（约3.14×1023

FLOPs）到

2025年的

Grok-3（约3.5×1026

FLOPs），5年间增长超过三个数量级。模型性能（以损失函数衡量）与训练计算量之间存在幂律关系——要获得可感知的性能提升，所需计算量必须按固定比例增长

。这就是AI大模型的Scaling

Law。顶级生成式

AI

模型训练算力需求演进趋势资料：上海人工智能实验室《超节点技术体系白皮书》，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

为什么需要超节点？模型架构在Scale-Up

域对通信模式的要求正在向更「通信密集」的方向演进。2024年来，以DeepSeek-V2/V3为代表的MoE（Mixture

of

Experts）架构在前沿模型中全面铺开，从根本上改变了Scale-Up域的通信需求画像。传统稠密（Dense）模型时代核心通信模式是张量并行（TP）驱动的AllReduce/ReduceScatter，其流量模式相对规则（集合操作、同步屏障）。MoE架构引入专家并行（EP）则要求高频All-to-All通信——每个token需要被路由到少量专家，且路由结果高度动态，流量模式呈现不可预测的稀疏多播特征，其中占比越来越高的推理场景跨节点动态通信频次更高，这些变化对带宽、延迟和动态调度能力提出了三重极端要求。

为什么需要超节点？大模型训练成本倍数级增长趋势。大型语言模型（LLM）的训练成本正呈现出惊人的倍数级增长趋势。前沿模型训练成本每年约

2–3倍增长，至

2027年或超

10亿美元。成本构成以/服务器

/互联折旧（成本占比47%–67%）为主。AI大模型训练成本倍数级增长趋势不同架构的模型对通信模式的要求不同维度Dense/TP时代AllReduce，AllGather高（同步、对称）高（梯度同步）MoE/EP时代主要通信模式流量可预测性带宽敏感性All-to-All（动态路由）低（稀疏、动态、非对称）极高（每层每token均需路由）延迟敏感性中（可隐藏）可接受极高（EP路由在关键路径上）尾延迟容忍度极低（一个慢专家拖慢全局）对交换芯片的要求聚合带宽聚合带宽+动态负载均衡+低排队时延资料：上海人工智能实验室，，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

什么是超节点？英伟达：超节点旨在通过高速互联技术整合GPU集群解决AI大模型训练中的算力协同问题。&信通院：超节点凭借超高带宽互联、内存统一编址等技术特征，以及大规模灵活组网、高可靠运行等系统优势，成为支撑复杂计算任务的关键底座。：超节点是借助高速互联协议与专用交换芯片构建的高带宽域，将数十至数百颗GPU芯片在逻辑上整合为统一编址、低延迟、高带宽的协同计算系统。H3C：超节点一方面提供极致性能的AI

算力，另一方面构建大规模、高带宽、低时延的AI芯片高速互联网络。上海人工智能实验室：超节点是一种把计算、互联、内存、软件和整机组织到同一工程边界内的系统形态。

超节点既是从Scale-Out向Scale-Up的跃迁，也追求未来Scale-Up和Scale-Out融合。过去的计算集群主要采用“横向扩展”（Scale-Out）架构，即通过通用网连接大量标准化服务器，这种模式能够很好地适配松耦合的计算负载，但随着大模型对通信时延和带宽要求的不断提高，Scale-out

的局限性愈发明显。当前产业界探索的“纵向内聚”（Scale-Up）超节点范式，通过在单节点内集成更多的计算资源，并提供高速的互联机制，超节点能够在保持单一系统逻辑的前提下提供大规模计算能力。Scale-Out和Scale-Up独立组网Scale-Out和Scale-Up融合组网资料：，，H3C，百度，上海人工智能实验室，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点在AI算力时代具备四大共性特征。一是大带宽：打破数据传输壁壁垒，传统数据中心采用网或RDMA网络联接计算节点，通CloudMatrix384超节点为例，其单卡网架构，384节点内Scale

UP互联带宽超过240TB/s，实现了芯片间前所未有的带宽水平。信带宽提升慢，超节点通过专有的片间/节点间互联技术，将通信带宽提升了数个数量级。以互联带宽达到800GB/s，远超传统PCle/二是低时延:实现高效紧密协同，超节点的架构设计将通信路径极致缩短，显著降低了芯片间通信延迟，这种低时延特性在AI训练、AI推理和科学计算等场景中尤为重要。三是资源池化：拥有巨大的计算资源和内存资源，超节点通过高速互联总线和内存统一编址技术，将分散的计算资源、内存和存储整合为共享资源池。超节点高带宽、低延迟的互联网络打破了物理服务器的内存墙，将所有计算单元的内存（HBM）和系统内存（DDR）汇聚成一个统一的、可由任何计算单元访问的巨大内存池

。四是高可靠稳定性:支撑超大规模持续计算，大规模AI训练等任务通常需要持续运行数周甚至数月，对系统的稳定性和可靠性提出了极高的要求。超节点架构通过一体化设、系统级优化、冗余设计与快速故障切换机制，提升了整体的可靠性，确保系统长期稳定运行。超节点的四大特征及应用场景资料：全球计算联盟GCC，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点1.0时代：高性能计算（HPC）集群的初步探索期（1990s-2010年代）。AI浪潮兴起前，大规模并行计算需求集中于科学计算与工程模拟领域。早期HPC集群以成千上万个CPU服务器节点为核心，通RDMA网络（InfiniBand/RoCE）等高速网络连接，基于MPI编程模型实现协同计算，核心逻辑是“横向扩展（Scale-Out）”，通过增加节点数量提升总算力，适用于物理模拟、气候预测等场景。

HPC高性能计算开启了超节点的发展思路：以CPU为核心计算单元；节点间通过松散网络连接，通信延迟达毫秒级；计算与通信分离，通信开销成为扩展性瓶颈。超级计算机通过Scale-Out实现了算力性能的提升，已经初具超节点雏形，但架构难以适配深度学习所需的高强度、低时延数据交换模式。HPC高性能计算通用架构

HPC高性能计算奠定了超节点的技术基础：超算积累了大规模节点互联、并行计算模型、正交架构（Orthogonal）、系统管理及散热等技术经验，验证了多计算单元协同解决复杂问题的可行性，为超节点的发展储备了诸多技术。资料：全球计算联盟GCC，星融元，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点2.0时代：GPU/NPU

密集型架构和NVLink开启的定型期（2012年-2024年）。2012年，AlexNet首次在大规模图像识别（ImageNet）上证明了深度卷积神经网络（DCNN）可端到端学习强大视觉表征，释放了深度学习潜力，GPU作为并行计算利器在人工智能领域快速普及，架构重心转向利用大量GPU/NPU与高效联接。2014年，英伟达推出NVLink，奠定了GPU间高带宽互联基础；2016年，英伟达率先提出并落地AI超节点（SuperPod），发布DGX

SuperPOD，首次把“多台

DGX+NVLink+Infiniband”打包成一个统一高性能计算单元，并于2022年完成技术定型与官方定义。支持NVLink的英伟达各代际服务器系列

NVLink开启单机多卡服务器时代。英伟达的NVLink总线及其通信协议采用点对点结构、串列传输，用于计算节点内CPU与GPU、GPU之间的相互连接，使得计算单元从单CPU服务器演进为4卡、8卡乃至16卡

GPU/NPU服务器。

Scale-Out专用网络解决节点间通信问题。以RDMA网络（IB/RoCE）为核心的横向扩展网络技术，使得数

十

台

至

百

台

AI

服

务

器

通

过InfiniBand/RoCE等高速网络连接形成计算“Pod”。资料：全球计算联盟GCC，上海人工智能实验室，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点3.0时代：从垂直整合走向全站协同与生态化发展的成熟期（2025年至今）。为支撑万亿参数巨型模型训练、推理，AI集群规模需扩展至数千乃至十万个GPU，传统两级互联架构瓶颈凸显，超节点应运而生。其核心理念是将整个机柜甚至多机柜的计算、存储、网络资源，从设计之初视为单一内聚的计算系统。CloudMatrix

384的分层结构示意

核心转变：从“硬件堆叠”转向“系统创新”，从“连接服务器”转向“构建计算单元”。

统一高速互联网络：采用NVLink、UB“灵衢”、Google

ICI等技术，构建单层或扁平化全对全连接网络，实现纳秒级低延迟通信。

内存统一编址：支持GPU直接访问其他GPU内存，无需CPU中转，简化并行编程模型，提升数据共享效率。

软硬协同设计：硬件架构、通信库、编译器、调度系统协同优化，软件可感知拓扑结构并智能调度任务与数据流。

系统级可靠性：内置故障检测、隔离与恢复机制，保障万卡规模训练任务持续高可靠运行。

技术里程碑：NVIDIA

NVL72、CloudMatrix

384、Google

TPUv7p

SuperPod，标志着超节点技术成熟；“机柜即计算机”理念落地，单机柜从8卡向72卡、384卡乃至上千卡演进。

全栈协同设计和生态化发展成为趋势：全栈技术涵盖计算、网络、存储、供电、散热及软件系统的全方位优化。英伟达、谷歌、里等企业纷纷开始围绕超节点构建自己的生态板图。、曙光、阿资料：全球计算联盟GCC，上海人工智能实验室，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点的核心是解决传统服务器集群架构面临的四堵墙。一是通信墙，千亿级模型一次梯度同步即TB级数据，传统网难以承受，某研究机构测试表明，当集群规模超过512张GPU时，通信开销占比可达训练总耗时的35%以上。二是功耗与散热墙，为破通信墙而提升密度，促使液冷、48V供电成为标配。三是存储墙，GPU/NPU侧HBM太小，但大模型训推权重、激活值、梯度、KVCache体量极大；CPU侧DDR跨卡/跨节点内存访问时延高；SSD/硬盘读写速度低拖慢训推速度。四是复杂度墙，万级处理器带来故障常态化，从GPT-3(175B)

到

GPT-4

(1.9T)

的演进为例，随参数增至10.8倍，总集合通信达

34.1倍，跨节点RDMA

49.3倍，光电转换

49.3倍；任一组件或一次光电转换失败都会放大为全局可用度/利用率问题，进一步抬升了整机设计和运维的复杂度。传统节点架构

vs超节点架构资料：，百度，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破通信墙之NVSwitch。2018年，英伟达推出NVLink

Switch技术，实现了在8个GPU的网络拓扑中每对GPU之间高达300GB/s的all-to-all带宽，为多GPU计算时代的Scale-Up网络奠定了基础。2022年，英伟达将NVSwitch芯片独立出来，并制作成NVLink交换机，用于连接主机之间的GPU设备。面对NVIDIA的技术主导，业界巨头（AMD,

Intel,

Google

等）组建联盟，推出UALink及相关的开放标准，Meta、博通等也基于为底层推出了相关协议及配套的交换芯片。

当前，为应对超越单卡算力极限的挑战，国内外加速卡厂家都在通过类似

NVLink+NVSwitch

方案实现卡间互联，然而该领域正处于起步、多种技术方案并存的阶段，技术路线演进存在不确定性。不同大厂的超节点Scale-Up网络采用厂商专属互联协议与专用芯片对标NVSwitch，例如AMD的UALink、博通SUE-T、灵衢、海光HSL、阿里ALS、字节Ether-Link、盛科OISA、CLink等均有对应的专用交换芯片，这种局面为整个行业带来了共同的挑战与新的机遇。NVL72

互联拓扑的核心是NVSwitch芯片资料：新华三，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破通信墙之“光进铜退”。传统的基于铜缆的电互联方案，在长距离、高带宽传输中面临着信号衰减、功耗巨大、电磁干扰等物理极限，已成为制约超节点规模扩展的“通信墙”。因此，一场以“光进铜退”为核心的互联技术革命正在发生。从当前主流的可插拔模块，到近封装光学

(NPO)、共封装光学（CPO），再到革命性的封装内光

I/O（OIO），未来将逐渐成为光学集成的技术演进路线，相关的光器件、光芯片和光纤需求有望随之放量。

可插拔光模块

(Pluggable

Optics)

：当前数据中心最主流的方案，光模块通过连接器插入到交换机或服务器的前面板。

近封装光学

(Near-Packaged

Optics,

NPO)

：NPO

作为光互联技术演进路径上的重要中间形态，将光引擎从传统的前面板移至主板上，通过

Socket插座或直接贴装的方式，紧邻交换芯片或

xPU等核心组件放置。

核心价值与局限：标准化的接口和现场可维护。然而，随着速率提升，其功耗急剧增加，并且面板物理空间限制了端口密度，成为带宽扩展设计的瓶颈。

核心价值：NPO

在物理空间上将光学器件与主芯片拉近。通过缩短物理互联距离，实现低损耗的电气互联条件下，通过光互联拉远。NPO

保持了光引擎与核心芯片的独立封装，不仅降低了制造工艺门槛和高功耗带来的散热挑战，也规避了封装制造低良率的风险，是当前兼顾性能与工程可实现性的可行方案。可插拔光模块互联示意图NPO互联示意图资料：全球计算联盟GCC，新华三，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破通信墙之“光进铜退”。随着交换机端口速率从400G/800G向1.6T/3.2T演进，传统电信号在PCB板上的传输距离被急剧压缩。为了将高速信号从交换芯片传输到前面板的可插拔光模块，需要经过复杂的PCB走线和Retimer芯片中继，这不仅带来巨大的功耗（约占交换系统总功耗的50%），也限制了端口密度的提升。将光连接尽可能地靠近交换芯片甚至与芯片封装在一起，成为必然选择。

共封装光学

(Co-Packaged

Optics,

CPO)：CPO

是一种先进的封装技术，它将光学引擎与芯片集成在同一个基板（Substrate）上。

封装内光

I/O

(In-Package

Optical

I/O,

OIO)

：OIO

是一种基于芯粒（Chiplet）的光互联解决方案，它将光学I/O芯粒直接集成在芯片封装内部。

核心价值：其主要目标是通过将光学引擎与芯片并排放置，极大地缩短电信号传输路径。这一变革直接规避了可插拔光模块方案中为补偿长距离信号衰减而必需的高功耗

DSP，从而显著降低了功耗，提升高速信号传输质量。

核心价值：OIO

专为高密度、低延迟芯粒间互联而设计。其目标是实现与封装内电气互联（如

UCIe）相当的带宽密度、能效和延迟，同时具备光信号长距离传输的独特优势。CPO

互联示意图OIO互联示意图资料：全球计算联盟GCC，新华三，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破通信墙之“光进铜退”。光交换机（OCS）在光纤间直接建立和断开物理连接，实现

N×N

端口的无阻塞交换。其核心优势是协议透明（与信号速率、调制格式无关）和极低功耗（无光电转换，功耗仅为同规模电交换机的十几分之一至百分之一以下）。对超节点而言，OCS

的价值不在于替代电交换，而在于为可重构拓扑提供物理层面的调度抓手。当前主流的光交换技术路线有四种，各自在端口规模、切换速度和插入损耗上取舍不同。对参考设计而言，OCS

技术选型的关键权衡是：切换速度决定拓扑重构的响应粒度，端口规模决定可重构域的上限，插入损耗决定链路预算能否闭合。

当前

3D

MEMS

在规模和成本上最成熟，SiP

MEMS

在切换速度上最具潜力。

光纤作为互联的物理载体，其类型选择直接影响超节点的密度、距离和时延约束。当前数据中心主要使用四类光纤，各自服务于不同场景。对超节点而言，短距内多模和小直径单模已是成熟基础，无需特别关注。值得跟踪的变量是空芯光纤：若其工业化成熟，会直接改善跨机柜和跨中心场景的时延约束。当前主流的OCS光交换技术路线数据中心主要使用的四类光纤技术方案

相对成本端口数量切换时间

插入损耗（dB）

驱动电压（V）光纤类型典型场景核心优势关键约束多模光纤（OM3/OM4，50μm芯径）机架内短距

成本低（VCSEL光源）、（≤150m）

部署成熟模式色散限制带宽和距离MEMS低320×320（可扩展至千端口）几十毫秒~3≈100小直径单模光纤（200μm涂覆层

+G.657抗弯）机柜间中距、

密度提升约50%，气流优当前数据中心布线主力骨干布线化；支持400G–1.6TDLC低高300×300576×576几百毫秒几十毫秒~4≤10≈10跨中心长距、

时延降低30%–47%，损工业化拉丝与熔接技术仍不成熟HCF）耗已突破至0.05dB/km（低于传统单模理论极限）DLBS~2.5空芯光纤（多芯光纤低时延关键链路高密度骨干

空分复用，容量随芯数线连接（DCI）

性增长SiP

MEMS中128×128十几微秒＞530~50芯间串扰控制资料：上海人工智能实验室，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破存储墙之数据库。数据库是AI

Infra中的核心基础软件，也是超节点打破存储墙的重要受益方。以超节点互联协议灵衢（UnifiedBus）为例，openGauss数据库通过适配灵衢集群间内存共享、内存借用能力，提升复杂语句处理能力，提升AP检索过程；通过灵衢系统上的共享内存减少数据库恢复时需要回放的日志量，降低RTO恢复时间，提升数据库可靠性能力。

超节点与高性能数据库的结合主要体现在架构级协同。通过内存语义互联协议，超节点将分布式内存池化，为数据库提供统一的全局内存视图，使跨节点数据访问延迟接近本地内存。超节点的全局统一管控能力可强化数据库的资源调度与故障容灾能力，保障金融、政企等场景下高性能数据库的高可用、高可靠运行，适配PB

级数据的高效处理需求。openGauss数据库基于灵衢超节点的资源池化场景资料：openGauss官网，全球计算联盟GCC，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破复杂度墙之正交（Orthogonal）。跨芯片到跨主板的连接是整机交付层面打破通信墙的核心应用场景，工程实现主要通过PCB

Layout、板内线缆（Flyover

Cable）或板间电缆来实现系统级的互联互通。为了突破传统背板的物理瓶颈，业界在电互联技术上也衍生出了多种创新的正交（Orthogonal）解决方案（高阶板材背板或者无背板直连）。

Cable

Tray

铜互联解决方案：利用高速裸线缆替代

PCB

走线，大幅降低信号衰减，实现柜内计算与交换节点见可靠互联。优势是机柜液冷和电源盲插设计更容易实现；机柜深度要求低，突破背板物理尺寸的限制。劣势是长期维护成本高，线缆故障率随密度提升而上升；未来

Serdes

突破

400GT/s，演进上难以实现可靠连接。从Cable

Tray

到正交（Orthogonal）组网方案的演进示意图

正交背板互联解决方案：优化系统风道与布线，缩短信号跨板距离，利用高阶板材实现板间高速互联。优势是大幅减少外部线缆数量，释放空间；大幅度缩短传输路径，传输损耗低，可维护性好，支持连接器级别故障定位以及节点板卡维护。劣势是定制化设计PCB背板量产难度大，节点深度被压缩后协调空间难，研发成本高。Cable

Tray

组网方案整机背板组网方案正交直连组网方案

正交直连解决方案：移除背板，让线卡与交换网板直接正交对接。优势是彻底消除背板损耗，适用于追求极致性能场景。

劣势是系统复杂度高，机柜架构和节点单板基于不同方案需重新设计，硬件设计可复用性差，研发成本高。资料：新华三，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点打破复杂度墙之正交（Orthogonal）。随着SerDes技术的持续演进和芯片迭代升级的需求驱动，正交架构方案逐步成为超节点设计中新的技术方向。正交架构在几何上表现为计算节点（GPU/DCU/CPU

卡）水平插，交换节点（交换）竖直插，两者垂直相交（90°），像“十”字交叉；在信号上表现为高速通道（112G/224G）走最短路径，损耗小、串扰低、时延百ns级。

正交连接器：正交（Orthogonal）方案的超节点在连接上表现为不用传统背板，也不用大量高速线缆，而是靠正交连接器直接对插，实现计算托盘（水平）交

换

托

盘

（

垂

直

）

90°

对

插

，112G/224G

高速直连，是正交方案超节点的核心增量。NVIDIAKyberNVL1152

结构示意

高频高速材料：高频覆铜板（CCL）提供

低

介

电

损

耗

（

Df≤0.001

）

，

保

证112G/224G

信号不丢包、不误码。超低轮廓

HVLP铜箔作为导电基材，经蚀刻后在PCB上形成差分信号线、电源线、地线，构成高速信号传输线路、屏蔽墙和结构骨架，核心解决高频损耗、阻抗不

稳

、

信

号

串

扰

三

大

痛

点

，

是

正

交（Orthogonal）方案关键基础材料。

超高层正交PCB：替代传统背板，做成70–104

层超高层板，承载正交连接器焊盘与

112G/224G

高速走线。资料：上海人工智能实验室，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点规模及分类。基于单超节点集成的AI加速芯片数量及扩展能力，当前主流超节点方案可划分为三个层级：①超大规模超节点，Atlas

SuperPoD

A5（8192卡）、谷歌TPU

v7

Pod（9216卡）为代表，这类方案通常采用多机柜级联设计，面向万亿参数级大模型训练和国家级科学计算设施，技术门槛最高、系统复杂度最大。②大规模超节点，厂商众多，涵盖阿里云磐久、中科曙光ScaleX640、字节大禹等主要方案，这一层级的方案在单柜集成度与扩展灵活性之间取得平衡，既可作为独立计算单元部署于企业数据中心，也可通过Scale-Out网络扩展至千卡级集群。③中型超节点，包括英伟达的NVL72/144方案和AMD

Helios

72/144，虽然规模不大，但凭借算力芯片优势，追求极致的算力性能，也包括超聚变FusionPod（64卡）、新华三UniPod

S8000（64卡）、浪潮元脑SD200（64卡）等产品，通过创新的架构设计实现较高的算力密度和能效比，更适合企业级私有化部署和边缘智能场景。主流超节点规模及分类资料：全球计算联盟GCC，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

超节点。Atlas

950

SuperPoD是于2025年9月18日在全联接大会2025上发布的超节点产品，通过正交架构，Atlas

950实现零线缆电互联，采用液冷接头浮动盲插设计做到零漏液，其独创的材料和工艺让光模块液冷可靠性提升一倍。其创新的UB-Mesh递归直连拓扑网络架构，支持单板内、单板间和机架间的NPU全互联，以64卡为步长按需扩展，最大可实现8192卡无收敛全互联。Atlas

950SuperPoD超节点基于灵衢互联创新，支持上千个计算节点像一台计算机一样工作。

灵衢协议是超节点算力基础设施的重构密码。基于三十多年联接技术积累打造的全新协议体系灵衢，构建了覆盖物理层至事务层的全栈协议，使CPU、AI处理器、GPU、存储节点等七大算力部件实现“车同轨”式互联。相较于英伟达NVLink等私有协议需多协议协同的复杂模式，灵衢通过统一协议栈消除了协议转换带来的资源损耗，经实测可降低30%以上的组网开销。灵衢通过总线级互联实现资源全量池化，借助平等协同机制打破异构算力管理壁垒；通过全链路优化，跨柜光互联时仍保持电信号级可靠性，使超节点规模摆脱单柜限制。Atlas

950

SuperPoD超节点8*计算柜4*灵衢互联柜8*计算柜资料：官网，人民邮电报，国投证券证券研究所2.3.超节点：国产算力多维联合优化工程和赶超机遇

中科曙光超节点。2025世界互联网大会乌镇峰会期间，中科曙光正式发布全球首个单机柜级640卡超节点scaleX640，它基于全球领先的开放系统硬件架构打造，单机柜实现640卡超高速总线互联；实