全球AI产业正在走过一个转折点。表面上，最热闹的战场仍是模型，谁的参数更大，谁的推理更强，谁的应用更快出圈，依然牵动市场神经。但更深处的变化已经发生：AI竞争的胜负手，正在从模型层下沉到底层算力。

这一变化有两条清晰线索。

一条是模型厂商和云厂商加紧自研、定制AI芯片。Google持续迭代TPU，Amazon推广Trainium，Meta推进MTIA，OpenAI也在寻求更深的专用算力布局。背后的逻辑并不复杂：算力不能永远靠外采，成本不能任由别人定义，供给也不能总被别人掌握。另一条是AI基础设施持续升温。超大规模数据中心、专用AI集群、电力配套、高速网络、存储系统和调度平台，正在从幕后走到台前。过去谈AI，人们更多盯着参数、榜单和应用；今天看AI，必须同时看芯片、集群、能源、网络、存储和生态。

两条线汇到一起，全球AI规模化发展的路径已经越来越清楚：芯片决定起点，基础设施决定纵深，系统能力决定上限。说到底，谁能以更稳定、更低成本、更可持续的方式生产Token，谁就能在AI产业化中掌握更大主动权。

全球趋势，也是中国趋势。

当前，国产芯片正在加速迭代，中国AI基础设施也在向更大规模、更强系统能力升级。相比之下，芯片发展路径已经逐步走出确定性，规模算力基础设施仍要回答一个更难的问题：当算力集群从千卡、万卡迈向十万卡，中国究竟需要怎样的AI底座？

这不是一道简单的技术题，而是一道时代题。

大算力时代的“天问”

AI发展到今天，算力需求并没有随着模型应用成熟而下降，反而变得更重、更密、更复杂。大模型继续演进，生成式AI从训练走向推理，从模型走向智能体，科学智能、工业仿真、生物医药、气象预测、新材料研发等场景也在快速打开。不同场景对算力的要求并不相同：有的需要高精度科学计算，有的需要低精度训练推理，有的要求实时响应，有的更看重长周期稳定运行。

这意味着，AI基础设施不再是简单的“算得更快”，而是要“算得更多、跑得更稳、调得更动、用得更起”。

海外科技巨头已经把问题推到台前。公开信息显示，xAI的Colossus集群已扩展至20万块H100 GPU，并提出通向百万GPU的路线图；OpenAI、甲骨文、软银等推进的“星际之门”计划，则把AI基础设施推向数千亿美元、吉瓦级电力消耗的新量级。这些数字足够惊人，也足够说明问题：AI竞争表面上比模型，深处比的是谁能持续供给算力、稳定生产Token、快速支撑应用迭代。算力不再只是科研工具，而是智能时代的基础生产资料。

但大规模集群并非“卡越多越好”。Meta在Llama 3训练中披露过一个细节：一次使用16384块H100 GPU的训练任务中，54天内出现419次意外中断。这个案例提醒人们，万卡以上AI集群的最大挑战，往往不是买卡，而是让系统长期稳定运转。

规模越大，系统复杂度越高。通信瓶颈、存储拥塞、散热压力、故障恢复、任务调度、应用适配，任何一个环节掉链子，昂贵的算力都可能变成低效消耗。单点性能再强，如果不能被系统高效组织起来，也很难转化为真实生产力。

由此，大算力时代的“天问”浮出水面：如何把算力规模变成有效算力，把理论峰值变成应用产出，把硬件投入变成产业能力？

中国必须回答这一问。

中国式的“系统智慧”

答案不在堆卡。

过去很长一段时间，算力竞争容易被简化为芯片竞争。谁的芯片更强，谁似乎就更有优势。这当然有其道理。没有足够强的芯片，AI基础设施就缺少起点。但当集群规模进入万卡、十万卡阶段，一个更清楚的事实摆在面前：芯片性能固然重要，把更多芯片高效组织起来同样重要；单点突破固然关键，系统协同更决定最终产出。

算力本身不是目的。真正的目的，是有效Token，是稳定服务，是产业产出。

十万卡不是简单的“一万卡乘以十”。它考验的是芯片、计算、存储、网络、散热、调度、应用适配和算力服务的协同能力。换句话说，它不是一道采购题，而是一道系统工程题。任何一环掉链子，庞大算力都会变成沉没成本。

近期落成的我国首个全国产十万卡AI超集群，提供了一个可观察的行业样本。这套名为曙光8000、又称“登峰”的十万卡算力系统，已接入国家超算互联网。把它放在行业坐标中看，更值得关注的不是“十万卡”这个数字本身，而是它呈现出的三个关键变量：全国产、全精度、全链路。

所谓全国产，是在关键软硬件环节上尽可能形成自主支撑；所谓全精度，是面向高精度科学计算和低精度智能计算的复合需求，一体化支持从FP64到INT8的多精度计算；所谓全链路，则是把芯片、计算、网络、存储、散热、应用乃至服务放在同一框架中统筹。科学智能能跑，行业模型能跑，智能体能跑，工业仿真也能跑，背后指向的是AI基础设施从“单一用途平台”向“复合型底座”的转变。

这正是一种中国式的“系统智慧”：不押宝单点，而做强体系；不迷信峰值，而追求交付；不只造工具，而打造基础生产力。

对中国AI产业来说，这一点尤其关键。国产算力体系要真正成熟，不能停在“有没有”，还必须回答“好不好用”“能不能规模化用”“能不能服务更广泛的科研和产业”。因此，十万卡全国产AI超集群不是一个孤立工程，而是中国AI基础设施进入系统能力竞争阶段的关键坐标。

从“追随者”到“标准制定者”

过去一段时间，智能算力产业习惯于以全球科技巨头的技术路线为参照：看硅谷如何建集群，看海外厂商如何做芯片，看国际云平台如何组织算力。学习并不可耻。他山之石，固然可攻玉。但追随不是宿命。更重要的是，自己的路，必须自己走。

中国AI基础设施面对的场景更复杂。既有大模型训练，也有科学计算；既有通用智能应用，也有制造、能源、交通、医药等产业现场；既要性能，也要成本、能效、安全和持续服务。这决定了中国不能简单复制海外“超大规模+海量投入”的模式，而要形成适合自身产业体系和科研需求的工程方法论。

在这个方法论中，评价一个大规模算力中心，不能只看卡数和峰值，更要看五件事：能不能扩展，能不能稳定，能不能高效调度，能不能适配应用，能不能转化为产业生产力。

这也是十万卡时代最值得关注的变化。中国不再只是讨论“别人怎么建”，而是开始用自己的工程样本，回答“什么是好系统、什么是有效算力、什么是可持续部署”。从追随者走向参与定义者，靠的不是口号，而是工程；不是概念，而是验证；不是参数表，而是应用场景中的持续运行。

在国家超算互联网上，全国产十万卡AI超集群已完成300余项超智融合应用优化，覆盖大模型、机器人、新材料、量子计算、天文气象等二十余个领域。这说明，所谓标准并不只写在文件里，也不只摆在展台上。真正的标准，跑在科研任务里，跑在产业应用里，跑在一次次稳定交付中。

当算力能够被更多机构调用，被更多模型使用，被更多应用验证，它才不只是“算力资产”，而是“产业能力”。

大国重器，引领新范式

这些年，世界舞台上正在出现越来越多的“中国方案”。AI，是最新的关注点。

斯坦福大学2026年AI指数报告显示，美国在顶级模型数量和私人投资规模上继续占优，中国则在论文数量、引用量、专利产出和工业机器人装机等方面保持领先。这个结果背后的逻辑并不复杂：未来的AI竞争，不是单科考试，而是系统竞赛。模型、算法、数据、算力、应用，任何一环短板都会影响全局。尤其当AI从实验室走向千行百业，底层基础设施的价值会进一步凸显。没有稳定、开放、可扩展的算力底座，应用创新就容易停在少数人的样板间。

也正因此，中国首个全国产十万卡AI超集群落地的同时，第二套相关系统的研制建设也已启动。更重要的是，中国AI基础设施建设的新范式正在变得清晰。它关注的从来不只是某项参数，而是能不能把算力接入全国一体化算力网络，能不能服务科研机构和产业用户，能不能支撑更多中国模型、中国应用、中国场景成长起来。

《天工开物》讲“知其所以然，而后能制其器”。今天的AI基础设施，亦是如此。只有理解系统之难，才能打造系统之器；只有把算力变成有效生产力，才能回答大算力时代的问题。

没有横空出世，只有长期蓄力。所谓中国AI的十万卡时刻，不是卡数抵达某个门槛，而是中国AI基础设施开始用系统工程回答系统问题，用实际应用检验产业能力。

惟用不惟名，这才是真底气。