两个权威口径放在一起看：IDC 预计 2026 年中国智能算力规模 2576.5 EFLOPS（同比 +87.9%）；工信部数据截至 6 月底已达 2185 EFLOPS、全国算力设施上架率 71.4%。增速与闲置率同时存在，这就是中国算力市场的真实结构。

一、规模：87.9% 的增速意味着什么​

同比 87.9% 的增速背后是三重拉动：

1. 模型训练：头部厂商向 2.8 万亿级（Kimi K3）参数进军，单次训练的算力消耗按数量级增长
2. 推理放量：智能体应用把推理需求曲线拉陡——IDC 明确把「智能体」列为本轮增长的第一变量
3. 国产替代：政策与供应链双重驱动下，国产芯片采购占比持续提升

二、结构：71.4% 上架率的双面解读​

上架率 71.4% 说明全国已建算力设施还有约三成未被有效使用：

• 坏的一面：部分地区智算中心「重建设、轻运营」，同质化算力找不到负载
• 好的一面：对 2027 年的超节点部署而言，这是现成机房的余量——天数 IXL144 主打适配现有机房、华为 Atlas 860 主打风冷免改造，瞄准的正是这 28.6%

三、缺口：算力的「品类错配」​

总量增长掩盖不了结构性缺口：

工博会口径的「供不应求」都指向同一个上游：先进制程代工与 HBM 产能——这是国内产能扩张无法独立解决、需要长鑫等存储突破配套的环节。

四、给行业参与者的三个判断​

1. 从「建算力」到「用算力」：上架率压力下，算力运营效率（有效 Token 吞吐、集群利用率）将成为新的竞争力指标
2. 超节点是利用率解药：中信建投研报确认超节点在算力利用率上的显著优势——存量机房改造是 2027 年的大市场
3. 国产芯片的窗口：87.9% 的需求增速 + 国产化政策，为国产芯片提供了史上最友好的放量窗口——昆仑芯「供不应求」会否复制到更多厂商，看 2027 年交付

延伸阅读：超节点放量元年 · 存储超级周期 · 完整对比表

人民日报 10 月 21 日在头版文章中把「长鑫存储第五代 DRAM 技术平台实现量产」列为「练好内功」的标志性成果之一——与华为昇腾 960 超节点、宁德时代电池专利并列。在全球存储涨价的背景下，这条消息的分量比标题重。

一、长鑫的位次​

二、为什么 DRAM 量产与 AI 算力有关​

直接关系藏在存储超级周期的结构里：

1. HBM 挤出效应：HBM 在 DRAM 产能中占比每升 1 个百分点，消费级 DRAM 供给收缩约 3 个百分点——全球 DRAM 合约价 4Q26 环比涨 10-15%，交期 40 周以上
2. 国产 AI 服务器的内存成本：国产芯片卡的显存是 HBM（受制），但服务器主存、KV Cache 扩展内存、向量库存储大量使用标准 DRAM——长鑫放量直接压低国产算力方案的 BOM
3. HBM 的前置能力：HBM 本质是 3D 堆叠的 DRAM。五代 DRAM 平台的量产意味着存储微缩工艺的持续积累——这是未来国产 HBM 的必要非充分条件

三、全球背景下的时间窗口​

当前存储市场处于「15 年来最严重短缺」（高盛口径）：三星、SK 海力士把产能大幅倾斜给 HBM 长约，传统 DRAM 与 NAND 供给被动收缩，价格上行周期预计延续到 2027-2028 年新产能落地。长鑫 G5 的量产正好落在需求最旺的窗口——份额提升与价格上行双重红利。

对照全球格局：SK 海力士 HBM 收入份额 ~50%、三星 33%、美光 18%，HBM4 已进入三倍报价时代；国产存储在 HBM 上尚有代差，但在标准 DRAM 上以 9.5% 份额站稳第四，构成「标准存储自主 + HBM 跟进」的现实路径。

四、对 AI 算力采购的提示​

1. 国产服务器主存方案开始具备「长鑫平替」选项，采购 RFP 里可以列入
2. 存储涨价周期内，提前锁定内存采购与芯片采购同等重要
3. 关注长鑫 HBM 进展的官方披露——一旦进入国产 AI 芯片的 HBM 供应链验证，国产算力全链自主的最后一环将补齐

延伸阅读：HBM4 三倍报价 · 存储超级周期 · 完整对比表

10 月 21 日，DeepSeek 把支撑自家生产服务的推理框架 DeepInfer 全面开源（Apache 2.0）。权重开放是上一阶段的国产 AI 叙事，这一步把「推理运行时」也交了出去——同一套框架跨英伟达与昇腾部署。

一、DeepInfer 技术栈​

上线一天 GitHub Star 破 1.2 万。注意它是离线推理框架：KV Cache 系统、Prefill/Decode 分离、副本间负载均衡等压箱底组件未开源——开源的是可复现的生产方法论，不是全部护城河。

二、为什么「双底座」比开源本身更重要​

DeepInfer 对英伟达 SM100 与昇腾 950 的同时适配，是国产推理栈的一个分水岭：

1. 迁移成本降维：昇腾侧的适配不再依赖华为单方面推动，头部模型厂商自己的运行时成为「跨硬件抽象层」
2. 推理侧议价结构改变：当同一框架可以跑在两种硬件上，「换底座」的工程成本从数月缩到数周——呼应 TorchTPU/TorchNeuron 的全球趋势：软件栈中立正在成为所有阵营的共识武器
3. 国产芯片的生态新路径：与其等 CUDA 兼容，不如等头部模型框架原生适配——昇腾 950 获得的不是兼容层，而是一线生产验证

三、与 DeepInfer 同日的开源生态​

• llm-d 1.0（谷歌云+Red Hat+IBM）：Kubernetes 推理编排，把多个 vLLM/SGLang 实例池化
• TorchNeuron/TorchTPU：硬件后端原生开放

一个共同方向正在成形：推理栈的每一层（硬件后端、内核、框架、编排）都在独立开源，专有锁定只剩硬件本身——而硬件的差异化正快速集中到成本与能效上。

延伸阅读：昇腾 950PR 卡片 · 完整对比表

工博会 2026「国芯展」上，燧原科技带来的不是单卡，而是云燧 ESL64-O 超节点：与中兴通讯共同开发、依托燧原自研加速模组的正交架构方案。它代表国产超节点的一条独特技术路线——用结构创新换互联效率。

一、产品要点​

二、「正交 + 零线缆」解决什么问题​

传统机柜的卡间互联靠铜缆背板/线缆，绕不开三件事：线缆成本、信号衰减、运维复杂度（一柜几十根线，故障排查 nightmare）。正交架构的思路是让计算板卡与交换板卡垂直正交插接：

• 零线缆：连接器直插，消除线缆采购、布线、标定三大成本
• 信号完整性：最短物理路径，高频信号的衰减与串扰可控——这是支撑更高单通道速率的物理前提
• 散热直通：正交风道让气流路径更短，对风冷方案友好
• 可维护性：模块化插拔，坏一块换一块

这与沐曦曦景 S600 的「三零设计」（参见分析）异曲同工——国产超节点第二代方案的共同语言是「去线缆化」。

三、大厂协作模式​

ESL64-O 的「芯片厂 + 设备商」组合（燧原 + 中兴）值得注意：燧原出加速模组与互联协议，中兴出整机柜工程与电信级可靠性经验。对比华为的全栈自研、天数的自营整柜，这种「分工式超节点」能让创业公司更快达到电信级交付标准——在运营商与政企市场，中兴的渠道与认证体系是现成的加速器。

四、燧原的位次​

在国产超节点第一梯队里（昆仑芯已量产交付、华为 Atlas 全栈、阿里磐久自研闭环、天数 IXL144 高密度、沐曦 S600 部署友好），燧原 ESL64-O 的差异化标签是正交架构 + 电信级合作。叠加壁仞 BR20X 即将流片完成、国产超节点元年的判断，2027 年国产超节点方案将进入「同台比价、比交付」的成熟竞争期。

延伸阅读：超节点放量元年 · 燧原 T21 卡片 · 完整对比表

继 10 月 21 日 GTC 柏林宣布 Vera Rubin 全面生产后，落地最快的消息来自谷歌：Google Cloud 与英伟达联合宣布 Vera Rubin 基础设施进入 GA 节奏——搭载 Vera Rubin NVL72 的 A5X 实例下月上线。

一、关键事实​

96 万块是什么概念？以 NVL72 机柜计约 1.3 万座机柜，接近一座 1GW 级 AI 工厂的芯片量级——谷歌在自家 TPU 之外，同时在 GPU 侧保持十万级到百万级的采购节奏，「TPU 自研 + GPU 采购」双轨继续加码。

二、对云选型的三个信号​

1. Rubin 可用性不再纸面：GA 实例意味着企业可以在云上按需消费 Rubin 算力，而不必自己锁机柜订单——中小团队吃到最新硬件的时间差缩短到「一个月」
2. 强化学习负载成为首发场景：Ineffable Intelligence 用 A5X 做 RL 研究，与推理侧 ASIC 替代曲线形成对照——训练与 RL 仍是 GPU 最深的护城河
3. 云承诺可抵扣：已有 Google Cloud 消费承诺的企业可以直接用 A5X 对冲承诺额度（这与 OpenAI 模型上架 Google Cloud Marketplace 的结算逻辑一致）

三、与 TPU 的关系：不是替代，是分层​

谷歌 2026 年 capex 指导 $1950-2050 亿，TPU（v8 训练/推理双线、2027 年底全面量产）与 Rubin GPU 各自承接不同负载层：固定的大规模推理走 TPU，前沿训练、RL 与需要 CUDA 生态的客户负载走 GPU。对采购方，这意味着在谷歌云一家就能同时拿到两大技术路线——议价时多了一张牌。

延伸阅读：Rubin R200 卡片 · TPU 8t/8i 卡片 · TCO 计算器

10 月 21 日，英伟达 GTC 大会在柏林 Tempodrom 开幕，黄仁勋近两小时的主题演讲把「AI 工厂」放到了叙事中心：AI 正推动人类历史上规模最大的基础设施建设，欧洲要从 AI 消费者变成 AI 生产者。

一、Vera Rubin：全面生产 + 30 倍性能曲线​

• 全面生产（Full Production）：Vera Rubin 平台正式宣布进入全面生产阶段
• 全液冷设计，单机架接入 72 颗 GPU 组成超算（Rubin R200 卡片）
• 性能曲线：Blackwell 较 Hopper 提升 30 倍，Vera Rubin 预计两年内再提升 30 倍——超越摩尔定律增长预期

二、DSX POD：AI 工厂变成「集装箱交付」​

这是本次演讲最具工程意义的发布：把 Vera Rubin 机柜、网络布线、液冷系统提前在工厂完成集成测试，再以集装箱形式交付：

配套 DSX MaxLPS 软件按负载动态分配电力，同 Token 产出最高省电 30%。联想、戴尔、HPE、施耐德电气等 17 家伙伴计划 2027 年初推出产品。英伟达超大规模副总裁 Ian Buck 补充：数百兆瓦级项目是 DSX POD 近期主战场，并非全面取代传统机房。

三、OpenShell 与六款开源模型​

• OpenShell 安全参考架构：面向智能体的内核级沙箱、最小权限、动态策略控制——黄仁勋称之为「英伟达做过最重要的事之一」
• 六款开源模型：Nemotron（语言）、Cosmos 3.5（世界模型）、GR00T（人形机器人）、Alpamayo 2 Edge（自动驾驶）、Ising（量子经典计算）、Earth-2（物理 AI）

四、欧洲牌​

黄仁勋演讲前走访法英瑞典德：过去一年对欧洲技术生态投入近 100 亿美元、联动超 1.2 万家伙伴；英国获 5 年 2.5 亿美元算力捐赠；瑞典联盟共建 Sferical One 超算。据美联社，欧洲目前仅拥有全球约 5% 的 AI 算力——这正是「欧洲造 AI 工厂」叙事的立足点。

延伸阅读：Google Cloud A5X 与 96 万块 Rubin · Rubin Q4 放量 · 完整对比表

「大模型参数已经到头了」的说法可以收回——壁仞科技 AI 框架架构副总裁丁云帆在工博会国芯展分论坛给出的数字是：Kimi K3 已达 2.8 万亿参数，明年大模型参数或将迈入 5 万亿级别。同时，代码与 Agent 场景正驱动 1M 级超长上下文成为刚需。

一、两个数字的分量​

• 2.8T → 5T：参数规模一年内再翻近一倍。训练算力需求按近似比例膨胀——这不是「效率提升可以抵消」的量级
• 1M 上下文：长上下文对 KV Cache 显存的要求超线性增长，推理成本结构中显存容量的权重骤增

二、模型结构的演进方向​

丁云帆同时指出结构层面的迁移：业界正从 Full Attention 走向线性/混合 Attention。这条路线的逻辑链是：

Full Attention：KV Cache 随上下文线性爆炸 → 1M 上下文不可承受
线性/混合 Attention：KV Cache 压缩到近常数级 → 长上下文成本可控

DeepInfer 开源栈里的 SWA Bounded Replay、MLA 低秩注意力，都是同一路线的工程实现。模型结构的每一次瘦身，都是为更大参数量腾出算力预算——总算力需求不减反增。

三、5 万亿参数需要什么算力​

粗算账：2.8T 参数训练按 20T token 量级、MFU 40% 计，需要的 GPU 时已属「超节点专属」；5T 参数意味着：

• 单柜算力密度不足：传统八卡服务器的跨节点通信在 MoE 训练中是灾难，超节点成为必然工程解
• 柜间扩展：华为 Atlas 950（8192 卡）级集群、NVL288/NVL576 演进路线的目标场景正在这里
• 显存墙：2.8T 参数的 MoE 权重即使 FP8 也远超单柜显存——统一内存编址（超节点核心特征）不是优化项而是必需品

四、对算力供应商的含义​

1. 「5 万亿参数」是超节点最强的需求叙事：2027 年超节点渗透率的最大变量是头部模型厂商的实际训练计划
2. 推理侧同步受益：1M 上下文的 Agent 应用把大显存推理卡（MI450 432GB、Rubin 288GB、C600 144GB）的需求拉到新高度
3. 国产模型的国产算力匹配：Kimi K3 若以国产超节点集群训练，将是国产算力「训得动前沿模型」的标志性验证

延伸阅读：DeepSeek DeepInfer 开源 · 机柜即产品 · 完整对比表

在 2026 工博会「国芯展」上，各家国产芯片厂商展台的主角都换成了超节点——而百度昆仑芯交出的是最硬的那张牌：32/64 卡超节点已实现量产交付，是国内率先进入量产交付阶段的超节点方案之一。

一、昆仑芯的系统级布局​

「率先量产」的关键不在卡数多少，而在工程完成度：从演示、客户测试到可复制交付，中间隔着整机柜液冷、供电、互联稳定性与批量运维的一整套功课。

二、与同行的时间表对照​

三、昆仑芯路径的独特性​

与华为「全栈自研 + 超节点系统售卖」、创业公司「单卡突围再上系统」不同，百度昆仑芯走的是互联网大厂自用转外供路线：搜索、文心一言的内部负载提供持续练兵场，量产交付的产能优先满足自家智能云，再逐步对外。

这条路的上限取决于两点：自用需求的规模（能否撑过代际迭代），以及对外分发的渠道（百度智能云的市占）。与谷歌 TPU 的对比可以参考这篇分析——差距不在芯片而在商业化半径。

四、对采购者的提示​

超节点选型已经从「看参数」进入「看交付」阶段：已量产交付的方案意味着有真实运维数据、故障率与升级路径可考。问供应商「已交付多少柜、运行多久、利用率多少」，比问峰值算力有用得多。

延伸阅读：超节点放量元年 · 昆仑芯 P800 卡片 · 完整对比表

2026 年 10 月，沐曦同时交出两张答卷：芯片侧，旗舰 曦云 C600 正式进入量产交付；系统侧，曦景 S600 超节点（WAIC 2026 首发）在工博会继续展示。国产 GPGPU 厂商第一次在同一家公司里同时跑通「单卡」与「整机柜」两条产品线。

一、曦云 C600：量产交付​

曦云 C600 的核心规格：

生态动作密集：Day 0 适配阶跃星辰 Step 5 Preview、面壁 MiniCPM-V 4.7、上海 AI 实验室「书生·明决」、Qwen-Image-2.1，并与 FlagOS 联办推理吞吐挑战赛。对国产芯片，Day 0 适配能力是软件栈成熟的最佳 proxy——新模型发布当天就能跑，意味着框架适配从「追赶」进入「同步」。

二、曦景 S600：64 卡锚点的取舍​

S600 超节点的技术选择值得细看：

• 单柜 64 卡全互连：沐曦明确表示 64 卡锚点对应「未来 3-4 年模型尺寸与训推需求的主流规格」——不做盲目堆卡数
• OEX 正交无背板架构：计算节点与交换节点 0 线缆直连，「三零设计」（计算节点零线缆、交换节点零线缆、柜间零线缆）直接压缩部署与运维成本
• 多维并行：支持 EP、TP 等策略，集群横向扩展至万卡级

对比同场展出的天数 IXL144（144 卡/柜），S600 选择的是「低密度 + 极致部署友好」路线——两种路线没有绝对优劣，取决于客户的机房条件与目标负载。

三、资本市场与产能​

沐曦已冲刺科创板（两轮问询回复完成），2025 上半年营收 3.2 亿元、在手订单 14.3 亿元；融资客 10 月对沐曦股份的净买入居科创板前列。产能是接下来的主要约束——C600 的量产爬坡与 S600 的整机柜交付都吃先进封装与代工产能。

四、样本意义​

沐曦是目前唯一同时公开量产单卡与整机柜超节点规格的国产 GPGPU 厂商。它的双线节奏（C600 单卡 2025-10 发布 → 2026-05 量产 → 10 月交付；S600 系统同步）给同行提供了一个可参照的时间表：单卡量产与系统化产品之间的间隔，正在缩短到 12 个月以内。

延伸阅读：昆仑芯超节点量产 · 超节点放量元年 · 完整对比表

GTC 柏林上，黄仁勋把大量篇幅给了智能体（Agent），并抛出一个值得记住的框架：模型只是智能体的第一要素——让 AI 真正完成任务，还需要编排外壳、沙箱、知识与工具。配套发布的 OpenShell 安全参考架构，被他自己称为「英伟达做过最重要的事情之一」。

一、智能体五要素​

这个框架的意图很清晰：把智能体从「模型 + 提示词」的松散组合，升级为有明确安全边界的工程体系。

二、OpenShell 是什么​

OpenShell 是一个安全参考架构（reference architecture），核心三件套：

1. 内核级沙箱：智能体生成的代码在硬件辅助隔离环境中执行
2. 最小权限：每个任务只授予完成它所必需的资源访问
3. 动态策略控制：权限随任务上下文动态调整，而非一次性静态配置

同场发布的还有机密计算（Confidential Computing）扩容——前沿模型开发者可以在全球基础设施上安全扩展。加上 cuDSS GA、Isaac 平台机器人扩展，GTC 柏林的企业级拼图相当完整。

三、对算力采购的隐性影响​

1. 安全栈进 RFP：智能体项目的算力招标里，「沙箱与权限体系」正在从加分项变成必选项——这会直接影响平台选择
2. CPU 与机密计算需求上升：沙箱、权限校验、任务隔离都是 CPU/内存密集型工作，呼应 Vera CPU 拿下 Modal 首单的逻辑
3. 主权 AI 的抓手：OpenShell + 开源 Nemotron + 本地 AI 工厂，构成「数据不出境跑智能体」的完整方案——这正是欧洲牌的技术底座

四、冷静的一面​

参考架构不是产品，OpenShell 的实际落地要看 OEM 与云厂商的采纳速度。智能体安全也远非单一架构能解决——但「把安全边界画进智能体定义里」这件事本身，比任何具体实现都重要。

延伸阅读：GTC 柏林综述 · AI 服务器 GPU/ASIC/CPU 三分天下