中國10萬卡 AI 超級集群登場：競爭焦點正從晶片轉向全國算力網

鄭州集群是國產算力邁向10萬卡級的證明

中國據報已在國家超算互聯網鄭州核心節點啟用首個全國產、10萬卡級人工智能超級集群，系統稱為「曙光8000」，亦有報道以「登峰」稱之。它把科學計算與面向 AI 的智能計算整合在一起，支援新材料、創新藥及人工智能等26個領域、300多種計算任務。158

中國媒體形容，該系統的峰值計算能力相當於全人類持續計算200年。不過，這是以峰值吞吐量作出的形象化比喻，並非衡量實際模型訓練效率的標準指標；因此，不能據此推斷所有 AI 工作負載都能獲得相同比例的加速。58

更值得關注的，不只是「10萬張卡」這個數字，而是它提供了一個可以組織全國大型計算資源的平台。研究機構和企業未必需要各自建造孤立集群，理論上可以透過更大的共享算力池取得資源。

從單一數據中心走向共享算力層

鄭州部署並非孤立項目。粵港澳大灣區的國產化萬卡集群，據報直接面向下一代、萬億參數模型的訓練需求。兩地布局共同指向一種模式：大型工作負載可以調用不同地區協同運作的算力，而不是完全依賴單一所在地的數據中心。37

但這並不代表距離已經不再重要。分散式 AI 訓練需要高頻寬、可預測的延遲、加速卡之間的同步，以及在網絡或設備故障時迅速恢復。全國算力網不能只是一份「有多少張卡」的清單，還需要一個控制層，判斷哪些加速器互相兼容、數據存放在哪裏、工作需要多少連續算力，以及網絡是否能承受訓練流量。

光纖網絡是跨區域協同的橋樑

深圳鵬城實驗室研究人員正開發一種頭髮般纖細、內含四條傳輸通道的新型光纖。其設計目標是提供相當於傳統光纖約四倍的傳輸容量，以應對算力跨區域分布後形成的網絡瓶頸。1718

規劃中的深圳至貴州算力與數據傳輸線，以及更直接、考慮延遲的傳輸路徑，同樣旨在減少數據搬運和跨中心同步的性能損耗。對於高度耦合的分散式訓練來說，通信緩慢或不穩定，會讓昂貴的加速器在等待數據時閒置。1719

工作類型的差異也很關鍵。跨區域算力用於彼此獨立的批次任務，通常比用於大型同步訓練容易得多。現有報道說明了中國的工程方向，但尚未證明所有互聯集群都已能提供與本地數據中心一致的性能。

算力增長，未必等於可用算力同步增加

中國工業和信息化部公布的官方數據顯示，截至2026年6月底，全國智能算力規模達到2,185 EFLOPS，按年增長177%；全國算力設施整體上架率則為71.4%。344041

單位尤其重要：數字是2,185 EFLOPS，而不是218.5 EFLOPS。EFLOPS衡量的是理論浮點運算能力；全國總量本身，並不能說明某個實驗室實際可以取得多少算力、不同加速器是否兼容，或一項分散式訓練任務究竟能以多高效率運行。

因此，中國下一階段的 AI 基礎設施建設，衡量標準可能會從「總算力有多大」轉向「算力是否真正可用」。即使全國總量龐大，只要資源分散在不同加速器架構、被不同用戶預留、受數據傳輸限制，或受到電力與冷卻能力約束，實際使用仍可能出現瓶頸。

全國算力的控制平面正在成形

中國也在建設管理這批算力所需的調度層。據報，一個統一監測與調度平台已進入試運行階段，能掌握全國逾六成 AI 算力。這種可視性，是按工作需求匹配合適資源的第一步。618

政策上，該平台與「東數西算」相互配合。這項計劃利用全國算力樞紐和數據中心集群，把部分耗能、耗地的基礎設施布局在西部，同時服務需求較集中的東部地區。中國國家規劃則提出建立多層次計算基礎設施，以及全國一體化算力網絡。485356

這個控制平面實際上需要處理至少五類難題：

• 資源匹配： 將工作分配給兼容的國產加速器和軟件環境。
• 任務部署： 判斷工作應在本地、城市群內，還是跨越遠距離樞紐運行。
• 數據搬運： 降低訓練數據和模型檢查點的傳輸成本與延遲。
• 故障容錯： 當鏈路、機架或個別計算卡故障時，維持大型任務的生產力。
• 電力協同： 讓計算需求與可用電力及不同地區的運行限制相互配合。

這些功能做得越好，全國算力就越能被當作一項服務，而不是一堆互不相連的機器。

4萬億元投資顯示：這是一項網絡工程

國家發展和改革委員會表示，2026至2030年「十五五」時期，算力網絡預計將獲得約4萬億元人民幣新增直接投資。這項估算涵蓋算力網絡建設及相關基礎設施，報道指預期資金很大部分來自非政府部門。4754

如此規模的投資，進一步支持了對鄭州項目的核心解讀：中國不只是增加 AI 加速卡供應，也在投資傳輸線路、算力樞紐、調度系統、監測平台，以及把計算資源轉化為國家級基礎設施所需的配套工程。

這次啟用說明了甚麼，又沒有證明甚麼？

中國正在形成的模式大致分為三層：

1. 國產硬件： 以中國製計算卡建設大型集群。
2. 互聯網絡： 以光纖和數據傳輸系統連接不同地區的算力池。
3. 協同調度： 以全國監測和調度平台，在各算力池之間分配任務。

這種架構有機會降低單一超級集群的重要性，讓更多國內算力可以透過共同系統被調用；也可能讓中國利用西部的能源和土地資源，同時服務東部的計算需求。4856

但現有證據仍不足以把這套網絡視為一部所有資源都可互換的「全國超級電腦」。國產硬件供應、加速器互聯能力、軟件成熟度、能源、可靠性和任務調度，仍然是限制因素。至於把前沿模型訓練時間由約一年縮短至半年，應視為取決於工作負載的預測，除非有獨立測試，不能當作普遍已實現的結果。

中國 AI 基礎設施的戰略瓶頸正在轉移，但並未消失。問題已逐漸由「能否造出足夠多的國產 AI 硬件」，轉向更棘手的「能否有效協調這些硬件」。如果調度網絡成功，中國快速擴張的算力或能變成靈活的全國平台；如果未能成功，即使官方持續公布亮眼的 EFLOPS 數字，AI 實驗室仍可能面對資源碎片化、算力閒置和實際性能參差不一的問題。