芯耀
与非AI
136
当单芯片追赶遭遇制程约束，中国AI算力开始进入系统级竞争时代
本文信息截至2026年7月。文中涉及尚未正式交付的产品，均以厂商公开规划为准；不同厂商对算力精度、互联带宽和“超节点”的统计口径并不一致，参数不宜直接横向比较。
过去，中国AI芯片产业讨论最多的问题是：单颗芯片性能距离英伟达还有多远？
如今，问题正在发生变化。
随着大模型从千亿参数走向万亿参数，从稠密模型走向MoE，从短文本问答走向长上下文、强化学习和Agent推理，单颗芯片的峰值算力已经不能决定系统最终性能。芯片之间能否快速交换数据、显存能否统一调度、故障能否被及时隔离、软件能否把数百乃至数千颗芯片当作一个整体使用，变得越来越重要。
超节点正是在这一背景下出现。
它不是简单把更多加速卡装进机柜，而是试图通过高带宽、低时延互联，把多台物理服务器组织成一台逻辑上的“巨型计算机”。
英伟达GB200 NVL72把72颗Blackwell GPU组成一个NVLink域，提供130TB/s的聚合NVLink带宽和13.4TB HBM，被官方定义为“一块巨型GPU”。华为Atlas 900 A3则把384颗昇腾NPU连接在一个超节点内，提供48TB片上内存空间，并通过灵衢互联让这些芯片像一台计算机一样运行。
这意味着，AI算力竞争正在从单芯片时代进入系统时代。
对于中国而言，超节点又有一层特殊意义：
在先进制程和高端芯片供应受到约束的情况下，通过互联、架构和软件提高整个系统的有效算力，正在成为国产算力追赶的核心路径。
但系统创新并不是魔法。它可以缓解单芯片差距，却无法自动消除制程、HBM、SerDes、软件生态和能效差距。
国产超节点究竟是一场真实的架构革命，还是新一轮“堆卡竞赛”？哪些环节真正具备价值捕获能力？这是本文试图回答的问题。
一、什么才算超节点？
目前，行业对“超节点”尚未形成完全统一的标准。
中兴通讯将超节点体系大致划分为三类：
SuperNode：通常在16卡以上，主要是服务器或单柜内的高速互联；
SuperPoD：将数百乃至数千颗加速器纳入更大的Scale-up域；
SuperCluster：通过Scale-out网络连接多个超节点，扩展至万卡、十万卡规模。
理想的超节点通常具备四个核心特征：
数十颗以上AI加速器高速互联；
具备显存统一寻址或显存池化能力；
卡间带宽显著高于普通以太网或传统集群网络；
上层软件可以将其视为一个大型计算资源域。(中兴通讯)
因此，判断一个产品是不是“真正的超节点”，不能只看卡数。
一个由数百张卡通过普通以太网连接的集群，卡数很大，却不一定是超节点；一个只有32卡、但实现一级全互联和显存池化的系统，反而可能更接近超节点的本质。
超节点与普通集群的核心区别
| 维度 | 普通AI集群 | 算力超节点 |
|---|---|---|
| 资源组织 | 多台独立服务器 | 多机逻辑一体化 |
| 互联方式 | 以太网、InfiniBand等 | 专用Scale-up互联 |
| 通信时延 | 微秒级为主 | 向亚微秒、纳秒级推进 |
| 显存使用 | 以本地显存为主 | 统一寻址或跨卡内存访问 |
| 调度粒度 | 服务器或GPU | 更大规模统一资源域 |
| 主要价值 | 横向扩容 | 降低通信瓶颈、提高有效算力 |
真正重要的不是“有多少卡”，而是这些卡之间的关系。
普通集群更像许多独立工人通过电话协作；超节点则试图让它们共享同一套神经系统。
二、为什么超节点在此时集中爆发？
1. 单芯片算力增长正在放缓
先进制程继续演进，但成本、良率、功耗和封装难度快速上升。单颗芯片无限增大已经不可行，Chiplet和先进封装也受到散热、供电和封装尺寸约束。
算力增长不得不从“把一颗芯片做得更大”，转向“让更多芯片高效协同”。
这也是英伟达从HGX八卡服务器走向NVL72机架级系统，以及国产厂商集中布局32卡、64卡、128卡乃至384卡超节点的共同背景。
2. MoE模型放大了通信需求
传统稠密模型主要使用数据并行、张量并行和流水线并行，通信模式以All-Reduce为主。
MoE模型在每一层只激活部分专家，但Token必须在不同专家所在的加速卡之间动态分发。这会产生大量All-to-All通信。
模型专家越多，专家并行规模越大，互联网络越可能成为瓶颈。
华为CloudMatrix384的技术论文披露，其推理系统支持EP320专家并行，并通过高速统一总线完成Token分发、Prefill和Decode解耦以及跨节点KV Cache访问。论文在DeepSeek-R1特定配置下报告了较高推理吞吐，但这些结果属于厂商关联团队测试，不能直接等同于所有模型和业务场景下的通用表现。
3. 长上下文和Agent推高显存需求
Agent并不是一次输入、一次输出。
它需要持续规划、调用工具、读取文件、生成中间结果并重新推理。随着上下文从几万Token扩展到几十万乃至百万Token，KV Cache占用迅速增加。
此时，单卡显存容量往往比单卡算力更早成为瓶颈。
超节点通过扩大显存池、支持更大规模专家并行和Prefill-Decode分离，使模型可以把权重、KV Cache和计算任务分布到更多芯片上。
百度智能云披露，其天池超节点通过Scale-up高速互联支持更大规模TP、SP和EP并行，在长文本推理场景下，厂商测试显示性能提升约30%至100%；这些数据同样高度依赖模型、批量、精度和调度策略。
4. 国产芯片需要通过系统弥补单点差距
当单颗国产加速芯片在峰值算力、HBM带宽或软件成熟度上弱于领先产品时，直接进行一对一替换往往难以获得相同效果。
超节点路线的逻辑是：
用更多芯片提高总算力；
用更大显存池承载模型；
用高速互联降低多卡通信损失；
用软件优化提高芯片利用率；
最终以系统级吞吐和每Token成本参与竞争。
华为公开表示，其超节点路线是基于中国可以获得的芯片制造工艺，通过“超节点+集群”满足持续增长的算力需求。
这是一条现实可行的工程路径，但不能把“卡数增加”简单等同于“性能线性增加”。
芯片数量越多，功耗、故障率、网络开销和软件复杂度也会同步上升。
三、超节点不是一个产品，而是一套完整系统
一套真正可用的算力超节点，至少包含七个核心层次。
第一层：AI加速芯片
芯片仍然是系统的基础。
决定其竞争力的指标包括：
BF16、FP8、FP4等不同精度算力；
HBM容量与带宽；
芯片间原生互联端口；
功耗与散热密度；
算子和编译器支持。
超节点可以提高系统效率，却不能让缺失的计算指令、低带宽显存或较弱的单芯片能效凭空消失。
第二层：Scale-up互联
这是超节点最核心的技术。
Scale-up连接同一个逻辑计算域内的芯片，要求大带宽、低时延和较高可靠性。
全球代表是英伟达NVLink和NVSwitch；国产方案包括华为灵衢、百度XPU-Link，以及不同GPU厂商和整机厂商推出的自研互联协议。
华为Atlas 900 A3披露的单NPU双向D2D带宽为784GB/s，单跳通信时延约200ns；英伟达GB200 NVL72的单GPU NVLink双向带宽为3.6TB/s。由于两家公司对链路、方向、聚合方式和系统边界的定义不同，这些参数不能直接做简单倍数比较。
第三层：交换芯片与互联拓扑
当超节点从8卡扩展到64卡、128卡甚至数百卡时，点对点连接数量会迅速膨胀。
系统需要专用交换芯片和拓扑设计，包括：
全互联；
Mesh；
Torus；
Fat Tree；
DragonFly；
光电混合可重构拓扑。
拓扑决定通信跳数、带宽收敛、故障绕行和扩展上限。
但不存在对所有负载都最优的拓扑。训练、推理、稠密模型、MoE和科学计算的通信模式并不相同。
第四层：Scale-out网络
超节点解决节点内部的高速通信问题，但单个超节点仍无法满足所有训练任务。
多个超节点还需要通过InfiniBand、RoCE、类IB RDMA或自研网络连接成万卡、十万卡超集群。
因此，大型AI系统实际上是两层网络：
超节点内部使用Scale-up；
超节点之间使用Scale-out。
前者追求内存语义和极低时延，后者追求大规模扩展、拥塞控制和故障隔离。
第五层：存储与KV Cache系统
模型训练需要持续读取数据集、写入检查点；推理则要管理模型权重和海量KV Cache。
如果存储吞吐不足，GPU即使互联再快，也会等待数据。
因此，国产算力超节点最终会带动：
高性能分布式文件系统；
企业级SSD；
DPU和智能网卡；
KV Cache池化；
GPU Direct Storage类数据路径；
多级缓存与近存计算。
中科曙光的十万卡集群就将scaleFabric高速网络和ParaStor分布式存储作为核心组件，而不是只强调加速卡数量。
第六层：系统软件
硬件提供带宽，软件决定带宽是否真正被使用。
关键软件包括：
编译器；
算子库；
集合通信库；
并行策略；
任务调度；
故障恢复；
推理引擎；
模型适配工具。
超节点越大，软件的重要性越高。
如果算子无法优化、通信与计算不能重叠、模型切分策略不合理，理论带宽再高也难以转化为有效吞吐。
第七层：供电与液冷
数十张高功耗芯片集中在一个机柜后，传统风冷和低压供电会迅速接近极限。
液冷、高压直流、母线供电、CDU、快速接头和热管理逐渐成为超节点的标准组件。
华为Atlas 900 A3采用液冷计算柜；中兴OEX超节点单柜支持128卡，并配套全栈液冷和800V高压直流等AIDC方案。
超节点因此不仅是服务器产品，也是数据中心基础设施产品。
四、国产超节点正在形成五条技术路线
路线一：华为——芯片、互联、整机、软件纵向一体化
华为是目前国产超节点产品布局最完整的厂商之一。
已商业化的Atlas 900 A3 SuperPoD最大支持384颗昇腾NPU，配置12个计算柜和4个互联设备柜，片上内存总容量最高约48TB。华为截至2025年9月披露，该产品累计部署超过300套，服务20多个客户。
华为同时宣布Atlas 950 SuperPoD计划于2026年第四季度上市，最大支持8192颗Ascend 950DT，满配由160个机柜组成，宣称FP8算力8EFLOPS、FP4算力16EFLOPS，互联总带宽16PB/s。该产品目前应视为厂商规划，而非已经完成大规模商业交付的成熟产品。
华为路线的优势是：
芯片、互联协议和交换芯片协同设计；
CANN、Mind系列软件和整机共同优化；
能够实现更深层次的资源统一调度；
具备服务器、网络、电源和液冷完整能力。
其主要挑战是：
生态相对独立；
开发者迁移成本仍需持续降低；
芯片制造、先进存储和供应链约束仍然存在；
超大规模系统的实际可靠性和经济性需要长期验证。
华为已经宣布开放灵衢2.0技术规范，并推进操作系统组件和CANN相关软件开源，这表明其试图从单一厂商体系转向更广泛的产业生态。
路线二：百度——“芯、云、模、应用”协同
百度的优势不是单纯销售服务器，而是拥有昆仑芯、百度智能云、百舸平台、飞桨和文心模型。
目前百度官网展示的天池超节点支持32卡一级全互联，采用1U四卡高密设计，可以在部分既有机房条件下部署。百度进一步披露，天池2.0将单节点规模扩展到256卡，并通过二层HPN连接至16384卡。
百度路线的核心是以真实云业务反向优化硬件：
文心和第三方模型提供工作负载；
百舸负责调度和推理优化；
昆仑芯提供底层算力；
云平台将能力转化为服务。
这种路线更容易围绕每Token成本进行闭环验证。
其挑战在于，超节点产品能否从百度内部和云业务，进一步扩大到更广泛的第三方市场。
路线三：中兴——开放多芯的系统平台
中兴不绑定单一AI芯片，而是试图建立一个开放整机架构。
其OEX正交架构采用计算托盘和交换托盘垂直连接，减少线缆和背板，单柜可容纳128张加速卡，并宣称可通过电交换与光互联扩展至约1.6万卡。平台可与壁仞、沐曦、燧原、天数智芯等国产加速器协同。
开放路线的价值在于：
客户不必锁定单一芯片；
国产芯片厂商可以缩短整机开发周期；
服务器、交换和液冷平台可以被重复利用；
有利于形成横向分工的国产生态。
但开放也会增加协同难度。
不同芯片的互联协议、驱动、编译器、内存模型和故障机制不同。实现“物理兼容”相对容易，实现跨厂商的高性能软件一致性则困难得多。
路线四：光跃——硅光OCS可重构互联
上海仪电、曦智科技、壁仞科技和中兴联合推出的LightSphere 128采用硅光OCS光交换技术，搭载128张壁仞GPU。
该方案可以根据模型通信模式动态改变物理拓扑，并在故障情况下切换连接。厂商披露，产品已进入商用并实现数千卡部署，在特定DeepSeek V3测试中，传输时延较传统电交换方案明显下降。
光交换的潜在价值是：
降低跨柜距离对高速信号的限制；
减少多级光电转换；
支持拓扑动态重构；
提高超节点扩展上限。
但OCS并非所有通信的替代方案。
光交换建立连接需要重构时间，更适合通信关系相对稳定或可预测的工作负载；对于大量细粒度、随机变化的通信，仍可能需要电交换配合。
因此，更可能的长期形态是光电融合，而不是纯光或纯电路线。
路线五：开放超集群——以规模调度和异构兼容取胜
中科曙光scaleX并不完全等同于严格意义上的单一Scale-up超节点，更接近开放AI超集群平台。
其强调支持多品牌国产加速卡、兼容主流软件生态，并通过高速RDMA网络、分布式存储和统一调度扩展至万卡、十万卡。2026年7月，曙光宣布“曙光8000”十万卡全国产AI超集群投入使用。(国家图书馆)
这条路线的竞争重点不是把所有芯片纳入一个统一显存域，而是：
大规模异构资源纳管；
作业调度；
存储和网络性能；
故障容错；
国产模型适配；
算力互联网运营。
它更适合公共算力中心和多租户场景，而非只追求一个极大Scale-up域。
五、卡数竞赛可能误导行业
超节点行业目前最显眼的指标是卡数：
32卡、64卡、128卡、384卡、8192卡，甚至百万卡。
但这些数字往往不在同一层级。
72卡可能指单机柜NVLink域；
384卡可能指多柜统一互联域；
8192卡可能指160柜组成的SuperPoD；
十万卡通常指多个节点组成的Scale-out超集群。
如果不区分Scale-up和Scale-out，把所有卡数放在一张表里比较，结论几乎没有意义。
真正值得比较的是：
单卡实际计算性能；
单卡显存容量与带宽；
每卡Scale-up带宽；
通信单跳和端到端时延；
网络是否无收敛；
模型并行扩展效率；
故障后的恢复时间；
单位功耗Token产出；
单位人民币Token产出。
超节点不是越大越好。
中兴基于特定Qwen 235B模型的分析认为，64至128卡在相关工作负载中可能构成性能甜点区，超过128卡后边际收益趋缓。这个结论不能泛化至所有模型，却说明超节点规模存在收益递减。
当通信收益低于额外交换、液冷、功耗和故障成本时，更大的超节点反而可能降低经济性。
六、衡量超节点，不能再看“峰值算力”
传统宣传最喜欢使用PFLOPS、EFLOPS。
但峰值算力只描述芯片在特定精度和理想条件下的理论计算能力，并不等于模型实际产出。
更合理的关系是：
有效算力 = 理论算力 × 芯片利用率 × 网络效率 × 软件效率 × 系统可用率
假设一套系统理论算力很高，但：
网络通信占30%的时间；
编译器和算子只有70%效率；
故障和维护使系统可用率只有90%；
模型切分又造成额外损耗；
最终有效算力可能只剩理论值的一半。
对于推理系统，更应关注：
TTFT：首Token延迟；
TPOT：后续Token间隔；
TPS：每秒Token数量；
并发用户数；
每卡吞吐；
每瓦Token；
每元Token。
最终的商业指标不是“买了多少卡”，而是：
这些卡在整个生命周期内，能够以多低的成本生产多少有收入的Token。
七、超节点能否弥补芯片差距？
答案是：能够部分弥补，但不能完全替代。
可以弥补的部分
高带宽互联和更大显存池可以改善：
MoE专家并行；
大规模张量并行；
长上下文推理；
KV Cache分布；
大模型权重加载；
通信密集型算子。
如果某国产芯片计算能力尚可，但卡间互联较弱，超节点确实可以显著提高系统吞吐。
难以弥补的部分
如果单芯片存在以下问题，单纯扩大系统规模很难解决：
HBM带宽明显不足；
低精度算力和指令支持较弱；
单卡功耗过高；
核心算子效率不足；
编译器无法稳定生成高效代码；
软件兼容性差；
芯片良率和供应能力不足。
更弱的单芯片意味着实现相同任务需要更多卡。
更多卡又意味着：
更高电力消耗；
更多互联设备；
更高故障概率；
更复杂的软件调度；
更大的机房占地；
更高的维护成本。
因此，超节点不能被理解为“用架构绕过芯片”。
更准确地说，它是把竞争从一个困难问题，变成多个同时需要解决的困难问题。
八、产业链价值将流向哪里？
1. AI加速芯片：最大价值量，但分化最激烈
芯片仍占据系统成本的核心部分。
真正能够进入超节点的加速器，不仅要有计算能力，还要原生支持高速互联、内存语义、集合通信和系统级可靠性。
没有Scale-up能力的芯片，很可能只能停留在普通服务器或小规模集群。
2. 高速互联芯片与SerDes：超节点的“神经系统”
随着卡数上升，交换芯片和高速SerDes的重要性可能提升。
壁垒包括：
高速接口设计；
拥塞控制；
低时延交换；
内存语义协议；
大规模端口管理。
这一环节容易形成较强客户黏性，因为互联协议会深度绑定芯片和软件栈。
3. 光模块、硅光和OCS：从Scale-out走向Scale-up
传统光模块主要用于机柜之间的Scale-out网络。
随着超节点跨柜扩展，光互联开始进入Scale-up域。硅光引擎、CPO、OCS和高速光模块可能获得新增市场。
但投资者需要区分：
已经稳定量产的光模块；
小规模验证的光互联；
尚未形成规模收入的前瞻架构。
“进入超节点概念”不等于已经形成商业利润。
4. 液冷、电源和机柜：从配套件升级为系统约束
超节点功率密度提高后，液冷和供电不再是可选配置。
长期价值较高的环节包括：
冷板和液冷CDU；
快速接头；
泵阀与换热系统；
高压直流供电；
母线系统；
智能功耗管理。
但普通机柜、钣金和低壁垒液冷集成仍可能面临价格竞争。
5. 高性能存储与DPU
推理进入长上下文和Agent时代后，KV Cache可能从GPU显存延伸到CPU内存、CXL内存和SSD。
谁能够缩短数据路径、减少拷贝并实现多级缓存调度，谁就可能降低闲置算力。
DPU、智能网卡、企业级SSD和分布式存储可能成为被低估的价值环节。
6. 软件平台：最难量化，也可能最有黏性
硬件出售通常是一次性收入，软件和云服务则可能持续收费。
超节点软件包括：
编译器；
集合通信库；
调度系统；
推理引擎；
容错和运维平台；
模型迁移工具。
最终决定生态的，不是谁能展示最大的机器，而是谁能让开发者以最低迁移成本稳定使用。
九、当前存在泡沫吗？
答案是：产业需求真实，但局部存在明显叙事泡沫。
真实的部分
MoE和长上下文确实增加通信与显存需求；
国产算力确实需要系统级优化；
多家产品已经进入实际部署；
超节点能在部分模型中提高训练和推理效率；
高密算力确实推动液冷、互联和存储升级。
可能泡沫化的部分
把宣布上市等同于规模交付；
把峰值算力等同于有效算力；
把卡数等同于系统性能；
把厂商内部测试等同于独立基准测试；
把支持某个模型等同于生产环境可用；
把国产替代需求等同于企业必然盈利；
把一次性智算中心建设等同于持续Token收入。
不少超节点项目的最终客户仍然是政府、运营商、国企和大型互联网平台。
如果算力中心长期缺乏高利用率业务，超节点就可能变成昂贵的固定资产，而不是生产力工具。
十、资本开支能否被收入覆盖？
一套超节点的成本不只包括AI芯片。
还包括：
CPU、内存和本地存储；
Scale-up交换系统；
Scale-out网络；
光模块和线缆；
液冷；
电力基础设施；
软件授权和适配；
运维人员；
机房与电费。
其商业回报可以简化为：
投资回报 = 可收费Token收入 - 电力、运维和折旧成本
训练业务通常是项目制，需求波动较大；推理业务如果能够形成稳定用户和调用量，则更可能支持持续现金流。
因此，国产超节点行业真正的拐点不是建成多少卡，而是出现以下变化：
推理收入持续增长；
算力利用率保持在合理水平；
每Token成本持续下降；
客户愿意重复购买或扩容；
设备不依赖长期补贴维持运营。
如果AI商业化慢于超节点建设，行业仍可能出现阶段性过剩。
十一、中国与英伟达的竞争，本质上是两套系统的竞争
英伟达的优势不只是GPU。
它拥有：
GPU架构；
HBM集成；
NVLink和NVSwitch；
InfiniBand和Spectrum-X；
CUDA；
NCCL和Magnum IO；
DGX整机；
推理软件和模型服务。
GB200 NVL72把芯片、网络、软件、液冷和机架设计整合为一个标准化产品，再通过InfiniBand连接成更大集群。(NVIDIA)
国产超节点若想真正参与竞争，也必须形成类似的系统能力。
这并不意味着所有环节必须由一家企业完成，但必须有一个主体承担系统集成责任。
目前国内大致形成两种模式：
华为、百度式纵向一体化；
中兴、曙光式开放平台与产业协同。
前者更容易深度优化，后者更容易扩大生态。
未来哪种路线占优，取决于市场更看重极致性能，还是开放性、供应安全和多芯选择。
十二、三种行业情景
乐观情景：国产超节点形成独立算力生态
国产芯片持续升级，Scale-up互联成熟，软件迁移成本显著下降。
大模型训练、Agent推理和AI4S形成真实需求，超节点利用率维持高位。华为、百度、中兴、曙光及国产GPU厂商形成差异化产品，部分系统在特定模型和场景下达到较优的每Token成本。
在这一情景下，价值将集中于：
加速芯片；
互联交换芯片；
高速光互联；
液冷和电源；
推理软件和云服务。
中性情景：政策市场扩大，但商业回报分化
超节点成为大型智算中心的主流形态，但多数产品主要用于政企和运营商市场。
头部厂商拥有稳定订单，部分中小芯片企业难以承担系统适配成本。项目规模不断增大，但算力利用率和商业回报差异明显。
行业能够增长，却不是所有参与者都能盈利。
这是目前更值得作为基准的情景。
悲观情景：规格竞赛快于AI商业化
各地集中建设超节点和万卡集群，但模型调用和付费需求不足。
不同国产芯片软件生态割裂，应用迁移成本高，系统利用率偏低。新产品迭代过快又导致既有设备提前贬值。
最终行业出现：
低价竞争；
项目回款拉长；
算力中心空置；
设备折旧压力；
中小厂商退出或整合。
十三、未来最应跟踪的十个指标
判断国产超节点是否真正形成产业价值，不能只看发布会，应持续观察：
实际商业交付数量，而非宣布规模；
真实生产环境下的集群利用率；
主流模型端到端训练效率；
TTFT、TPOT和每卡Token吞吐；
每瓦和每元Token产出；
万卡集群平均无故障运行时间；
故障后的任务恢复与断点续训时间；
PyTorch、vLLM等主流生态迁移成本；
客户复购和扩容比例；
算力运营收入能否覆盖折旧、电费和维护资本开支。
其中最重要的指标不是PFLOPS，而是：
单位资本投入最终转化成了多少可收费的有效Token。
结语：超节点是国产算力的必经之路，但不是捷径
国产算力超节点不是一个简单的服务器升级周期。
它代表中国AI基础设施竞争方式的变化：从追逐单颗芯片参数，转向芯片、互联、存储、网络、液冷和软件的系统协同。
这是一条合理且必要的产业路线。
当单芯片性能受到制程、存储和供应链约束时，系统架构确实能够释放更多有效算力；MoE、长上下文和Agent也确实需要更大的高速互联域和显存池。
但超节点不是绕开芯片和软件难题的捷径。
芯片性能越弱，系统越复杂；系统规模越大，能效、可靠性和软件要求越高。卡数可以通过采购快速增加，但互联效率、编译器能力和生产级稳定性只能靠长期工程积累。
因此，国产超节点行业的真正分水岭，不是谁率先发布万卡或十万卡系统，而是谁能够做到：
把更多国产芯片稳定连接起来，把理论算力转化为模型吞吐，把模型吞吐转化为低成本Token，再把Token转化为持续商业收入。
完成这四次转换，超节点才是一场产业革命。
没有完成，它就只是更昂贵的算力堆叠。
