当前，大模型训练与科学计算快速走向超大规模集群化，算力扩张的瓶颈正从“单卡性能”转移到“系统级协同”。业内普遍认为，当加速卡规模从百卡、千卡迈向万卡级，通信带宽、时延抖动、内存与数据流动效率将直接决定算力利用率：算得快不等于训得快，互联跟不上会造成大量算力等待与闲置，进而推高训练周期与成本。 在MWC 2026现场，华为展出Atlas 950 SuperPoD。现场资料显示，该方案可支持8192张昇腾加速卡互联，并以“灵衢”互联技术作为关键支撑，试图在超节点规模、带宽与时延等突破传统电互联的工程约束。此展示引发业界关注的核心——并不只是规模数字本身——而是其背后所体现的系统架构取向：以更高带宽、更低时延、更少搬运来提升集群整体效率。 原因层面看，超大规模互联首先受限于物理层与工程实现。传统铜缆与电互联在速率提升后面临损耗、串扰与电磁干扰等难题，链路距离、布线密度和能耗也随之上升。华为在现场介绍中强调“全光互联架构”，即以光通路承载高速信号传输，降低长距离传输损耗与干扰风险，并提升链路带宽密度。其白皮书信息显示，单链路带宽可达1.6Tbps，系统互联能力较既有超节点方案明显提高。同时，时延被认为是分布式训练效率的另一把“硬尺子”。现场演示数据称，分布式训练同步时延可控制在数百纳秒量级，从而更接近“像在同一块大芯片上协同”的效果。对以密集通信为特征的并行训练而言，这意味着可减少因同步等待造成的空转时间，提高有效吞吐。 更具系统意义的变化，体现在内存与数据路径的组织方式上。现场资料提出，通过全局地址空间映射，将大量加速卡本地内存整合为统一编址的内存池，并支持更大规模内存的原子操作能力。其直接指向是减少梯度聚合、参数更新等过程中的数据搬运与重复拷贝，让部分原本依赖复杂通信编排的软件流程，转化为更高效的系统级能力。业内人士指出，随着模型参数与上下文长度增长，内存墙与通信墙叠加，“更快的互联”与“更统一的内存视角”正在成为训练平台的新竞争点。 影响层面看，8192卡级互联若实现稳定规模化应用，将对算力基础设施形态产生连锁反应：一是超节点可承载更大规模并行训练任务，减少跨集群、跨域调度带来的不确定性；二是对数据中心网络、供电散热、机柜与布线提出新的工程标准，推动光互联与系统封装方案加速成熟；三是在产业格局上，互联协议、软件栈与生态开放程度将成为客户选型的重要指标。华为在现场强调互联与协议栈的开放适配能力，提出除自有芯片外也可面向多类加速器进行兼容，这一取向旨在降低异构部署门槛，扩大方案适用面。与之相比，业内既有方案多依托特定生态与封闭接口，优点是一致性强，挑战在于跨平台迁移成本较高。 对策层面，超大规模集群从“能跑”走向“好用、可管、可扩”，仍需在工程验证与产业协同上持续投入：其一，建立跨厂商、跨器件的互联一致性与可靠性测试体系，避免因链路抖动、拥塞控制与故障隔离不足影响训练稳定；其二，围绕开放协议与软件适配，推动工具链、调度器与通信库的标准化接口，降低行业开发与迁移成本；其三，在数据中心层面同步考虑能效、散热与运维体系，确保超节点规模扩张不以过高的能耗与运维复杂度为代价；其四，完善安全与隔离机制，在多租户与大规模共享资源场景中提升可控性。 前景判断上，随着大模型训练向万卡级乃至更大规模迈进，算力竞争将从单点性能转向系统能力与工程落地。以光互联降低带宽与时延瓶颈、以统一内存视角减少数据搬运、以开放适配扩大生态边界，代表着新一轮算力基础设施的技术路线选择。可以预见，未来一段时间，超节点将更多承担“算力底座”的角色，面向科研、工业仿真、自动驾驶、通信网络优化等高强度任务，提供更稳定、更高效的系统级算力供给；同时，互联标准与生态协作也将成为产业竞争的关键变量。
在全球数字化转型加速的今天，计算能力的突破性进展往往带来产业格局的重塑。华为灵衢技术的问世不仅是一次单纯的技术创新，更是对分布式计算本质的重新思考。它提示我们：在追求算力提升的同时，打破系统间的通信壁垒可能才是通向下一代人工智能的关键路径。这场由基础技术革新引发的产业变革才刚刚开始。（完）