当前，大模型持续向更大参数规模、更复杂训练任务演进，传统GPU服务器正面临互联效率、算力密度、部署复杂度等多重挑战。相比单机性能的持续提升，如何构建高效、稳定、易扩展的集群能力，成为AI基础设施发展的关键。
在此背景下，今年的世界人工智能大会（WAIC）上，沐曦发布了新一代AI超节点产品——曦景S600，可实现单机柜64张GPU高速全互连，并支持灵活扩展至万卡级集群，为“国产超节点元年”写下标志性产业注脚。
从GPU芯片到系统平台，再到规模化集群部署，曦景S600不仅是沐曦产品体系向系统级AI基础设施的重要延伸，也标志着国产AI算力正从单点性能突破迈向集群能力竞争的新阶段。
大会期间，沐曦相关负责人接受集微网等媒体采访，围绕超节点技术内核、产品差异化优势、产业竞争合作、公司差异化赛道布局与降本理念等行业核心关切话题，进行了深入的交流和分享。
万卡集群真正的“杀手”——“等待”和“变坏”
随着万亿参数大模型、MoE稀疏模型成为行业主流，传统8卡单机服务器架构已逐渐无法适配新一代AI任务的运行特征。
这类任务模型在训练与推理过程中存在频繁的跨专家、跨节点数据交互，对集群带宽与通信时延要求极高。如果简单堆叠多台8卡服务器，设备间的互联延迟会形成致命的性能瓶颈，严重拖累整体训练收敛速度与Token生成效率。
因此，行业亟需更大规模、高带宽紧耦合的GPU集群架构，从底层降低通信开销，这也是当前64卡高密度超节点产品成为市场主流刚需的核心原因。
在沐曦看来，超节点产品设计的关键，在于解决统一内存寻址，跨GPU的内存语义数据读取问题，本质上是在训练或者推理中，数据通信所占的时间尽可能压缩，让GPU不再等待。
此次发布的曦景S600采用OEX架构设计，通过正交连接器与两级交换拓扑，实现GPU之间低时延、高带宽通信，有效提升分布式训练效率，能够更好满足MoE稀疏模型、万亿参数大模型等复杂AI任务对集群通信能力的要求。
此外，沐曦方面表示，计算集群到达万卡、十万卡规模后，单点故障的影响会被持续放大，故障率成为重要因素，集群持续稳定工作的时间直接决定了系统能力。
也是基于这一考量，曦景S600在系统设计时，特别强调系统工程的视角和“一体化交付”的理念，通过采用“三0设计”方案，实现计算节点0线缆、交换节点0线缆以及计算节点与交换节点之间0线缆，大幅减少复杂布线带来的信号损耗和故障风险，进一步提升系统可靠性和长期稳定运行能力。同时，产品采用解耦模块化设计，计算、交换、电源及液冷等关键模块均支持快速部署和维护，电源与液冷管路支持盲插热插拔，即使单节点发生故障，也不会影响整个集群运行，显著降低数据中心运维成本。
“目前沐曦在单个GPU或者单节点8卡机柜的故障率已经控制到非常低，跟国际主流厂商在同一水平线。”沐曦方面表示。
竞争之外：与其各自修墙，不如一起搭桥
站在沐曦的视角剖析超节点产品优势，首先需要厘清一个核心认知：超节点绝非多块GPU硬件的简单堆叠，其底层设计逻辑完全围绕大模型训练、推理的规模化算力需求而生，是一套软硬件深度协同、一体化交付的完整系统方案。
沐曦方面认为，其构筑超节点核心竞争力依托几点核心基础：一是底层自主GPU芯片原生设计能力；二是芯片之上完整的AI基础设施生态兼容能力。这套全栈体系既能全面适配当前主流大模型与各类开源生态，同时具备充足弹性，可承接未来各类新型模型与前沿计算场景需求。三是具备成熟稳定的产品交付体系与长期可持续供货保障能力。一方面依托自研设计能力保障产品本身稳定可靠；另一方面持续深耕全国产供应链体系，联合多家国产产业链伙伴搭建多元供货渠道。
去年以来，华为、阿里、曙光、中兴等国内厂商持续推出并迭代超节点方案，过去两年的WAIC，超节点始终受到超高关注度。
“百花齐放才是春”，沐曦方面认同当前超节点赛道的竞争激烈，但立足于自身的实践，沐曦更强调的是竞争之外的协同和合作。
一方面，沐曦积极参与产业标准化方面的工作，通过标准化组织和科研机构，拉通底层技术规范，统一超节点定义、内存寻址、内存访问语义等核心标准，希望借助标准化的形式，降低单一厂商定制化的成本，推动产业规模化发展。
同时，基于沐曦自身GPU的能力，为系统厂商提供更好的设计指导，通过芯片和系统厂商的协同设计，上下游伙伴的合作，最大程度释放GPU能力。
另一方面，在高速互联协议层面，当前各大GPU厂商均自研私有化互联协议，标准互不兼容，如何将碎片化私有方案凝聚为全行业通用共识。打通互联器件厂商、服务器设计厂商、AIDC数据中心基础设施等上下游厂商的协同链路，也是沐曦希望与产业各方携手进行探讨和协作的关键议题。
Token降本，不只是GPU的事
今年是大模型推理规模化落地的关键元年，产业关注点从“能不能跑”转向“跑得好不好、成本够不够低”。Token经济学下，成本与整体TCO优化成为行业核心诉求，这也是推理应用走向成熟、真正进入产业落地的重要标志。
在沐曦看来，过往行业以POC研发测试为主，对算力成本不敏感；而进入规模化生产交付阶段后，Token成本、整机性价比、集群整体利用率成为核心考核指标，也倒逼GPU厂商与AI基础设施企业进行降本创新。
对于降本，沐曦的观点是，Token降本并非GPU单一硬件的优化，而是需要全产业链协同。GPU是算力底座的核心，但单纯依靠硬件迭代无法实现极致降本。即便是英伟达成熟的GPU硬件，也需要依托开源社区、框架优化、算子迭代持续提升推理性能。此外，大型集群的推理成本降低，很多集中在存储、网络等层面，并非只是GPU一个环节。
因此，更加实际的Token成本优化思路，需要贯穿AI基础设施全栈体系。 例如通过精细化的服务器硬件设计，在不牺牲推理性能的前提下合理优化内存、网络资源配置，减少冗余硬件开销；通过上层软件与调度策略优化，提升整体算力利用率，最终实现全链路TCO下降。
与之相对应，沐曦的降本思路分为两个层面：一方面，在新一代GPU硬件设计中，针对性适配最新推理负载特征，持续优化算力、带宽、存储配比，贴合真实推理场景需求。另一方面，深度联动AI基础设施厂商、开源生态与整机伙伴，通过软硬件一体化方案持续打磨推理性价比。
端侧芯片：不是“不能”是“不为”
相比于部分主打“云边端全覆盖”的国产GPU厂商，沐曦当前仍聚焦于云端和边缘GPU的量产交付，因此也遭遇外界关于是否具备端侧技术能力、是否放弃如具身智能等端侧赛道的质疑。
对此，沐曦方面给予了明确的回应。
首先，从技术层面来看，沐曦当前沉淀的技术底座与研发能力，已具备支撑云、边、端全场景算力覆盖的完整研发能力。公司自研的通用GPU架构具备极强的可伸缩性（可对标英伟达CUDA体系），可通过灵活调整算力规格、精度配比与功耗策略，适配云端超高算力、边缘轻量化推理、端侧超低功耗实时计算等不同层级场景，技术上完全可以实现全产品线延展，并非不具备端侧研发实力。
其次，在产品策略层面，沐曦并未盲目铺开全品类产品线，是基于自身商业化节奏的主动考量和取舍。现阶段公司核心战略聚焦高性能智算主赛道，集中研发、供应链与市场资源深耕云端大算力基础设施建设，优先保障大模型训练、大规模推理等高价值核心场景的交付落地，实现主力业务的深度拓展。
第三，在端侧领域，沐曦虽然并未下场自研具身智能等端侧芯片，但通过选择与优质产业伙伴协同已经进行相关领域的布局。
比如，通过携手上市机器人企业优必选成立合资公司，已切入具身智能赛道。实际上，考虑到当前具身智能产业仍处于早期发展阶段，纯芯片厂商普遍缺乏真实落地场景、用户使用习惯与客户核心需求的数据积累。通过与成熟机器人企业深度绑定，沐曦可直接获取一线场景数据与落地反馈，精准定位产品迭代方向，能够有效规避技术与产业脱节、闭门造芯等问题。
整体而言，相较于行业全面铺线的打法，沐曦走出了一条更加务实，符合产业发展阶段、贴合自身策略节奏的差异化路径。
沐曦只会做推理是认知误区
当前，国内高端进口训练芯片供给受限，互联网大厂大模型训练、后训练迭代的国产化替代需求持续爆发，自主可控算力底座成为产业刚需。同时，互联网产业链落地适配成为国产GPU企业面临的核心考验，也是行业发展的关键标杆。
沐曦方面坦言，对于任何一家GPU或芯片企业而言，互联网头部客户都是优先级最高的重要服务对象。目前，沐曦已与多家互联网厂商达成合作，联合开展系统级优化和设计，在今年WAIC的展位现场也进行了相应的展示。
沐曦方面认为，长久以来，外界普遍对沐曦存在一个认知误区：认为沐曦的产品算力仅能支撑推理业务。
但实际上，沐曦全系芯片原生具备训练、推理双重能力，从未对训练与推理能力做硬性切割。只是结合市场需求与场景性价比，沐曦针对性打造了多款适配推理场景的产品及一体机方案，适配规模化推理落地需求，但底层硬件架构、软件生态完全支撑大模型全尺度训练任务，训推一体也是沐曦算力产品的核心固有优势。
“作为国产核心算力厂商，沐曦芯片具备完整的基础大模型全流程训练能力。随着智算集群向万卡、十万卡发展，我们也有能力完成规模化的训练任务，未来也肯定会承接互联网企业各类模型的训练、后训练等各类任务，这一点我们非常明确。”沐曦方面表示。
结语
从单卡性能到万卡集群，从推理市场到训练腹地，沐曦正在试图证明：国产GPU的超节点竞争，最终比的不是谁卡多，而是谁能把集群的通信效率、系统可靠性和生态协同做到极致。
随着曦景S600等系统级方案落地，国产超节点正从"能用"走向"好用"。当通信瓶颈被逐步打通、训推一体能力全面释放，国产AI算力有望在集群化、规模化的新赛道上，跑出属于自己的加速度。
