AI算力不靠堆卡，浪潮信息如何破局？

AI算力的竞争，多年来就一个字——堆。堆卡、堆机柜、堆发电机，似乎计算卡足够多、集群足够大，就能站在食物链顶端。但算力「够不够用」已不再能单靠堆卡解决，它开始分化出越来越多的层面。

第一个问题关于智能上限，即算力能撑起多强的智能。前沿模型的参数规模、上下文长度、推理深度同时变大，Agent可能连续运行几小时甚至几天。模型装不装得下、跑得快不快、长时间稳不稳，都需重新考量。另一个问题是智能规模——算力能以多低成本生产多少智能？Token需求爆发，推理负载多元，Prefill和Decode计算特征不同，堆同一种算力已覆盖不了差异。两个问题各自独立又相互关联，只解决一个无法突破全部瓶颈。

AICC 2026上，IDC发布《2026年中国人工智能计算力发展评估报告》，把这两个方向拆开讲了一遍。

Agent大爆发后，AI对算力需求正发生质变。过去算力调用像「脉冲式」，一问一答只调用一次。Agent接管任务后，一个人类意图可能触发几十次、几百次连续推理；多Agent协作网络让系统连续运转时长增至几小时甚至几天。原本短暂的算力请求变成持续计算负载，给基础设施带来新压力。

这种长流压力可拆解出三个影响因子：任务执行次数，IDC报告显示到2030年全球每年AI推理任务将增长4000万亿次；单任务Token消耗量，过去简单问答只消耗几十个Token，现在多轮任务决策要消耗几十万个；多智能体协同的「放大系数」，一个用户操作被拆解成多条Agent指令，Agent间传递上下文、汇总结果拉长任务链路，进一步放大前两项增长。三个因子以乘法叠加，将算力需求增长曲线拉到前所未有的高位。IDC数据显示，今年到2030年全球Token消耗量复合增长率将达4822.6%。

但算力供给增长速度滞后于需求变化。IDC报告显示，全球AI算力需求满足率从2024年的79%一路下滑，2027年预计跌至71%，即便此后上游半导体供应链压力缓解，到2030年也只能恢复到77%左右。到2030年，算力缺口绝对值将达3809亿美元，扩大到2024年的近十倍。

过去弥补缺口主要靠「大力出奇迹」，即通过集群规模扩展堆叠更多算力。但Agent时代推理负载种类繁多，对算力设施要求不尽相同。Prefill阶段是高并行、高计算密度任务，Decode阶段逐Token串行处理、更吃内存带宽，Attention需频繁访问不断增长的KV Cache，MoE包含稀疏计算和大规模路由调度，多模态模型还有独立Encoder模块。这些负载各有计算特征，还会随上下文长度、输出长度和并发规模动态变化。Agent任务中，首轮对话上下文可能只有一两万Token，经上百轮对话后扩展到三四十万，系统瓶颈在计算、显存、带宽和通信间不断转移。单纯堆料非但带不来线性容量增长，反而造成资源配比失衡，一部分算力长期闲置，另一部分持续过载。

实际上，缺口包含两个方向：一是能力上限，前沿模型参数规模、上下文长度、推理深度同时变大，一台机器装不装得下、跑不跑得快、长时间能不能跑稳，三个问题同时压来；二是产能，Token需求爆发，但负载类型各异，不同推理阶段需要不同特征算力，靠一种算力一招鲜吃遍天的路数已走不通。

浪潮信息首席AI战略官刘军把这两个方向概括为Capability和Capacity。Capability AI Compute是能力型智算，支撑前沿模型去碰过去碰不了的问题。如今AI已能从靶点出发发现新药物分子、完成筛选设计并推进临床试验，能求解困扰学术界几十年的NS方程和孪生素数猜想，能自主设计AI芯片并不断迭代性能。这些任务共同特征是推理链条长、模型规模大、对算力系统承载能力和稳定性要求极高。Capacity AI Compute是容量型智算，让智能供给更充足也更便宜，让更多人和企业用得起。

面对这两层问题，浪潮信息在AICC2026上发布两款产品——超节点AI服务器「元脑SD200 Ultra」和多元算力机组「元脑HC2000」。

SD200 Ultra解决前沿模型装不下、跑不快、跑不稳的问题。「装得下」是从0到1的一步，它延续去年SD200的3D Hyper Mesh架构，整机内芯片数量从64颗增至128颗，显存和扩展存储提升到8TB和64TB。目前全球最大开源模型Kimi K3有2.8万亿参数，SD200 Ultra可单机装下并高效运行，还支持单机部署10万亿参数模型。

128颗芯片协同工作，跨芯片数据交换每秒高达数十万次，传统方式依赖软件调用和缓冲区中转，延迟开销大。SD200 Ultra分两层解决：第一层「统一寻址」，通过全局统一编址、虚拟影子设备注册和跨域地址翻译，让128颗芯片显存形成统一地址空间，远端资源访问从消息通信加数据搬移变成地址空间内直接访问；第二层「对称直连」，通过对称内存技术实现GPU显存直连，GPU可像访问本地显存一样直接读写远端GPU显存，由GPU发起通信，跳过地址转换和封包中转，通信路径大幅缩短。最终All to All通信时延缩短到0.69微秒，达国际主流超节点产品相当水平。

计算也需优化。以