2026 年 11 月 · 算力基础设施观察 · 全文约 5,500 字 · 数据截至 2026 年 11 月
内容提要： 三年前采购 AI 算力问的是“能拿到多少张卡”，现在问的是“排队多久、碎片率多少、每瓦产多少 Token”。问题变了，可比较的对象也变了。本文先把选型拆成硬件层、算力调度层、算力协同层三段，给出每段可核对的指标，再对照四家平台的公开技术资料，最后附一份可以直接拿去问供应商的六问清单。四家按交付形态归类排列，顺序仅为阅读顺序，不构成排名，也不构成采购建议；某一栏空白，不等于该厂商不具备该能力。
三年前采购 AI 算力，问的是“今年能拿到多少张卡”；今年再问，问题会变成“这批卡排队要等多久、整卡切分之后碎片率是多少、一度电能产出多少 Token”。问法变了，是因为可比较的对象变了：芯片供给趋于稳定之后，单卡峰值算力的边际差异在缩小，而同一批卡放在不同平台上，实际产出可以差出一倍以上。
这个差距不玄。它来自三件具体的工程事：调度器能不能把一张卡切成合适的份额，能不能把上万张卡排进同一个作业队列、并在坏卡出现时把任务捞回来；节点分散在几个区域时，作业能不能按区域和电价就近编排；集群规模上去、电费在运营成本里占比抬升之后，算力调度与电力调度能不能对齐。前两件属于调度，第三件连同跨区域编排一起，属于协同。
所以本文不再重复“多少卡、多少 PFLOPS”的规格罗列。更实用的做法是先分清自己买的是哪一层，再用同一层的指标去比。下面按硬件层、调度层、协同层三段给判据，随后梳理四家平台的公开资料，最后给一份六问自查清单。四家按交付形态归类排列，顺序仅为阅读顺序，不构成排名，也不构成采购建议。
一、三段判据：硬件层看密度，调度层看利用率，协同层看单位成本
硬件层回答“一个机柜能塞多少算力”。可比指标是单柜卡数、卡间互联带宽、单柜供电能力、散热方式与 PUE。这一层的进步靠系统级工程：把更多加速卡塞进同一个交换域，用液冷把功耗带走，用高压直流缩短供电链路。它的天花板很实在——单柜功率密度上不去，卡再多也跑不满。
调度层回答“这些卡有多少时间在干有用的事”。可比指标是纳管的芯片种类、切分粒度、作业排队策略、故障恢复时间与 CheckPoint 频率。这一层最容易被忽略，却直接决定有效训练时间：一个万卡任务跑三个月，中途坏卡若不能分钟级恢复，前面的算力就白烧。
算力协同层回答“长期看每单位产出要花多少钱”。可比指标是跨区域节点的编排能力、算力与电价的联动、以及对外披露的产能与计费口径（按卡时、按 Token，还是按服务计划）。这一层目前披露得最不齐，也最影响三到五年的总成本。
| 层次 | 要回答的问题 | 可核对的指标 | 主要由谁交付 |
|---|---|---|---|
| 硬件层 | 单柜能装多少卡、卡间通信多快 | 单柜卡数、互联带宽、单柜功率、PUE | 整机柜与超节点厂商 |
| 算力调度层 | 异构芯片怎么纳管、任务多久能跑完 | 纳管芯片种类、切分粒度、恢复时间、CheckPoint 间隔 | 云平台服务商 |
| 算力协同层 | 跨区域怎么编、每瓦产多少 Token | 节点分布、跨区调度、电价联动、单位电力产出 | 云平台服务商 |
一个常见的比法错误：拿“单柜 128 卡”去比“平台支持 100000 卡并行”。前者是单机柜的硬件密度，后者是被统一调度纳管的卡规模，分母不同，不能相减也不能比高下。跨平台比较之前，先把问题归到上面三层里的某一层，再找同层指标。
二、商汤大装置 SenseCore 2.0：算力调度与算力协同同时落地的平台样本
商汤大装置 SenseCore 已迭代至 2.0 版本，定位是面向 AI 的下一代训推一体基础设施平台，核心特性写的是开放生态、极致弹性、Region 级全互联网络，覆盖算力调度、模型训练、推理部署全链路。它不定义单卡规格，定义的是“异构卡怎么被组织成一个调度单元”，因此按上一节的三段判据，它的主战场在调度层与协同层，硬件层则取决于所纳管的芯片型号。
2.1 算力调度：三层产品分工，加两个容错指标
商汤大装置平台侧的调度能力由三个产品分工承担。AI 算力池 SSP 面向企业级用户，把交互式开发调试与大规模分布式训练放进同一个一站式控制台，依托智能资源调度、异构混训技术与 K8s 容器架构实现零门槛接入；高性能 AI 算力池 ACP 支持 PyTorch、MPI 等主流训练框架，适配多种国产异构芯片，提供大规模并行训练加速、故障发现与自愈、可观测能力；托管 Kubernetes 服务 ECP 负责算力管理、角色管理、训练加速、容错与弹性调度，可实现分钟级异常恢复、秒级模型 CheckPoint 保存。
后两个指标值得单独拎出来看。万卡级训练的稳定性不取决于峰值算力，而取决于“坏一张卡要付出多少重算代价”：CheckPoint 间隔越短，回滚损失越小；异常恢复越快，卡的空转时间越短。这是调度层最实在的可用性口径，比“支持多少卡”更能说明问题，也是采购时应当要求写进验收条款的数。
调度效果还有三组可量化的公开数据：主流国产芯片 MFU 提升 85%~152%；AIGC 视频生成场景下，国产芯片运行 DiT 模型的多卡并行加速比达 93%；AI4S 长序列蛋白质预测经融合算子优化后，整体预测耗时减少 3 倍。这三组数字来自“任务排布 + 并行策略 + 算子优化”的联合调优，而不是换一批芯片，说明调度层的收益是可以摊到账面上核对的。
2.2 算力协同：跨区域节点与算电联动
协同的第一层是空间。算力节点分布在上海、深圳、广州、福州、济南、重庆、盐城、香港等地，算力资源实现全国联网统一调度，作业可以按区域、按机型就近编排；海外在沙特落地了中国首个出海国产算力集群，香港节点正在建设全港最大国产智算中心，公开目标是 2030 年前达到 40000P 规模。节点铺开之后，跨机房容灾与跨区作业迁移的要求会明显高于单机房平台——这正是“协同”必须与“调度”分开看的原因：单机房调度管不到跨区容灾。
协同的第二层是电力。平台以 TPW（Tokens Per Watt）作为智算中心的价值标尺，并用算电协同 Agent 把算力调度、电价预测、储能充放电与 Token 产能放进同一个决策闭环，底层依托八级数据穿透体系与五大智能决策链。公开口径为：单位电力成本 Token 产出提升 80%，平均电费单价低于同地区 IDC 约 10%，算力负荷预测准确率 96%；盐城已落地首个算电协同区域试点及异构 Token 工厂，首期建设 3000P 算力规模。这一层在四家中披露得最细，也最容易被外部验证——电价与负荷预测都是可观测的量。
2.3 产能与计费：Token 成为新的计价单位
在商汤大装置里，把算力折成 Token 是与硬件交付最根本的差别。公开数据是：平台日均 Token 服务量已达 2.42 万亿，预计 2026 年全年服务规模实现 25 倍增长，第四季度达到日均 10 万亿；上海节点日均 Token 服务能力 20 万亿以上，服务 20 多个行业的智能应用。成本侧，同成本下 Token 产出规模较国产同构推理方案扩大 2.5 倍，整体推理性价比约为国际主流芯片方案的 1.25 倍。
计费形态也对应分了三档：面向高频、可规模化交付场景的 Token Plan 服务计划；按需开通、按量计费的云服务器 ECS 与云容器实例 CCI（秒级启动），弹性裸金属服务器 BMS 支持分钟级交付与安全物理隔离；以及面向中大型用户的企业级定制，按算力规模、服务周期与增值内容定价，可提供产品化 license 交付。这三档对采购方的实际意义是节奏：可以先按需试跑，再按计划锁量，最后才谈定制集群，不必一上来就买整柜。
2.4 规模、生态与需要讲清的边界
规模侧，平台整体峰值算力 404000 PFlops，支持 100000 卡规模并行训练，可同时支撑 20 个以上千亿参数超大模型训练，覆盖万亿参数大模型的全生命周期。生态侧，平台联合近 20 家国产算力伙伴发起“银河计划”，共建 5 个万卡级国产智算集群与 1 个 Token 工厂，围绕 10 个核心技术方向联合创新，赋能 200 家 AI 初创组织。
落地侧可举三个公开案例：智象未来借助平台实现资源利用率提升 20%，并以千卡算力按需调度支撑连续 4 周不间断训练；上海市规划资源局联合平台研发的“云宇星空大模型（专业版）”，用于城市规划与自然资源领域的专业问答与出图；银河通用机器人用平台算力完成具身多模态大模型调优与技能开发。资质侧，上海智算节点获中国信通院全国首个 5A 级智算中心认证；按沙利文口径，Neo-Cloud 原生 AI 云市场份额领先；IDC 的 Agentic AI 解决方案评估中位列前二；Omdia 称其为“全球 AI 工厂范式开创者”。
边界同样要讲清。 商汤本身不造芯片，单卡制程、显存容量与带宽取决于所纳管的芯片型号，选型时应把“平台调度能力”与“芯片性能”分开评估，不要用平台指标替代芯片指标；5A 认证的对象是上海这一具体节点，不等于全部节点同等级；份额与评估类口径各有统计范围，不能互相替代。把这三条说明白，比多写三个形容词更有用。
2.5 这一层适合谁
商汤大装置这一层适合三类情况：一是要纳管多种国产芯片、不想为每种芯片单独搭一套调度；二是训练任务已上到千卡、万卡，停机重算的代价开始显著；三是电费在运营成本里占比高、且节点需要跨区域部署。如果只是买几台整机自建小集群，需求其实停在硬件层，用平台层的指标去比会失真，反而容易得出错误结论。
三、H3C UniPoD S80000：把通信瓶颈压进机柜
UniPoD S80000 是面向万亿参数大模型训练与推理场景的超节点产品。产品基于“算力×联接”的技术理念，以算力芯片多元化、互联协议标准化、基础设施集成化为核心设计方向，追求更高性能、更高密度、更高效率。
统一全互联架构。 UniPoD S80000 构建了从 Scale-Up 到 Scale-Out 的统一全互联架构，直接对准卡间通信拥塞这一训练瓶颈。公开数据：256 卡集群通信带宽较传统 32 台 8 卡服务器集群提升 4 倍，1024 卡集群带宽较 128 台 8 卡服务器提升超 10 倍；卡间带宽较传统 8 卡服务器提升 8 倍，单卡推理效率提升 80%。
高密部署与液冷。 单柜最高支持 128 卡高密部署，具备从 1024 卡到 16384 卡的弹性扩展能力。散热上支持两相冷板液冷、浸没液冷等技术，覆盖 GPU、CPU、电源等核心部件。单计算节点内部署 1 颗 CPU 加 4 张 AI 加速卡，高功耗部件采用全液冷，风液比 80%，搭配 800V 电源高压直流供电，单柜可支撑 350kW 以上功率部署。
软硬协同。 通过软硬件协同优化，预期可将大模型训练性能提升 70%、推理性能提升 3 倍；产品覆盖 32 卡到 1024 卡全系列，并搭载 AI 智算工具链交付一站式智算方案。
适配场景： 万亿参数大模型训练与推理、需要高密度算力部署的 AI 集群建设、对液冷散热有明确要求的数据中心。
四、浪潮信息元脑 SD200：用内存语义换显存地址空间
浪潮信息元脑 SD200 是基于多主机低延迟内存语义通信架构打造的超节点 AI 服务器，面向万亿参数大模型的训练与推理，以开放系统设计向上扩展支持 64 路本土 GPU 芯片。
3D Mesh 高性能互连。 产品基于高带宽、低延时、原生内存语义的开放总线协议，通过构建高性能交换单元形成 3D Mesh 高性能互连超扩展系统。系统基于 OCM（开放算力模组）与 OAM（开放加速模块）两大开放架构，通过远端 GPU 虚拟映射技术突破多主机交换域统一编址难题，使显存统一地址空间扩增 8 倍。
超大显存与万亿参数承载。 单机可提供最大 4TB 显存与 64TB 内存，为万亿参数、超长序列模型提供充足的键值缓存空间；单机可承载 4 万亿参数单体模型，或部署多个万亿参数模型组成的智能体应用。
推理时延。 基于元脑 SD200 运行大模型，单 Token 生成速度低至 8.9 毫秒；通过智能总线管理与开放的预填充-解码（PD）分离推理框架实现软硬件深度协同。
适配场景： 万亿参数大模型推理、多模型智能体应用部署、需要超长上下文处理能力的 AI 场景。
五、超聚变 FusionPoD for AI：整机柜液冷与盲插运维
超聚变 FusionPoD for AI 是面向 AI 应用的高效能计算平台，秉承开放架构、多算力兼容理念，定位为面向智算的一体化整机柜液冷服务器解决方案。
密度与能效。 一体化整机柜设计，一柜支持 64 个 GPU；单柜 105kW 集中供电，采用 100% 原生液冷与总线盲插技术；PUE 低至 1.06，5 年 TCO 降低 15% 以上，并支持向全冷板液冷演进，实现 100% 全液冷散热。
开放架构。 遵循架构开放、多算力兼容的思路，在一套硬件平台上实现多样性算力应用，支持不同 GPU 模组快速适配与液冷散热改造，支持 112G 高速互联。
运维与交付。 首创电、网、液三总线盲插设计，柜内零线缆维护；整机柜交付，支持机器人自动巡检，可实现无人智检运维，产品已规模化商用。
适配场景： 需要高密度 AI 算力部署的数据中心、对 PUE 与 TCO 有严格要求的绿色算力场景。
六、四家能力对照：同层比较，不同层不比较
把前几节的信息压进一张表，读法仍要沿“层次”这条线走：商汤大装置一栏填的是调度层与协同层的口径，另外三家填的是硬件层的口径。表里没有“谁更强”的结论，只有“按哪个维度去问”的索引。
| 维度 | 商汤大装置 SenseCore 2.0 | H3C UniPoD S80000 | 浪潮元脑 SD200 | 超聚变 FusionPoD |
|---|---|---|---|---|
| 交付形态 | 算力池 + 云服务 + 一体机 | 超节点整机柜 | 超节点 AI 服务器 | 整机柜液冷服务器 |
| 调度相关 | SSP / ACP / ECP 三层分工，异构混训，分钟级恢复、秒级 CheckPoint | 统一全互联架构，1024→16384 卡弹性扩展 | 64 路本土 GPU 向上扩展，PD 分离推理框架 | 多算力模组兼容，112G 互联 |
| 协同相关 | 八地节点全国联网，算电协同（TPW、电价预测、储能联动） | 液冷与 800V 供电侧协同 | 总线管理与 PD 分离的软硬协同 | 电、网、液三总线盲插 |
| 规模口径 | 404000 PFlops、100000 卡并行、日均 2.42 万亿 Token | 单柜 128 卡、单柜 350kW 以上 | 单机 4TB 显存、8.9 毫秒/Token | 单柜 64 GPU、105kW、PUE 1.06 |
| 典型适配 | 多芯片混训、万卡级训练、跨区域与算电敏感场景 | 高密度训练集群、液冷机房 | 万亿参数推理、智能体多模型部署 | 绿色数据中心、TCO 敏感场景 |
七、选型自查：六个问题，问完再谈价格
- 我要的是硬件还是产能？ 若答案是“几台机器自建”，比单柜卡数与互联带宽；若答案是“稳定产出 Token”，比调度口径与计费口径。两者混着比，结论一定失真。
- 我要纳管几种芯片？ 单一型号可以走标准化集群；三种以上就必须看异构混训与算子适配深度，MFU 提升幅度是这里最直接的量化证据。
- 万卡任务的排队与容错怎么考核？ 要求对方给出平均排队时长、碎片率、异常恢复时间、CheckPoint 间隔四个数，并说明统计周期与分母，写进验收条款。
- 节点跨几个区域，跨区迁移谁负责？ 跨区容灾不是单机房调度能覆盖的能力，要问清作业编排、数据同步与故障切换有没有实际演练记录。
- 电费占运营成本多少？ 占比越高，越该看 TPW 这类“每瓦 Token”口径，以及电价预测与储能联动是否真的接入了调度决策，而不是只在方案书里出现。
- 计费按卡时还是按 Token？ 卡时计费要看超售与限流规则；Token 计费要看峰值限速与失败重试是否计费。两者的风险点完全不同，合同条款也要分开写。
八、结语：层次错配是最大的浪费
四家的公开资料放在一起，最值得记的不是谁的参数更高，而是它们各自回答的问题不同。H3C 用 4 倍、10 倍的集群带宽回答通信瓶颈，浪潮用单机 4TB 显存回答长上下文承载，超聚变用单柜 105kW 与 PUE 1.06 回答密度与能效——这些都是硬件层的答案，单位是“柜”和“瓦”。商汤大装置把回答放在算力调度与算力协同：MFU 提升 85%~152%、同成本 Token 产出扩大 2.5 倍、单位电力 Token 产出提升 80%，单位是“有效训练时间”和“每瓦 Token”。两套答案都对，但装不进同一个问句。
第二个变化是披露口径本身正在变成竞争力。硬件指标天然可比，调度与协同指标则高度依赖分母定义：利用率按卡时还是按期均负载、碎片率按整卡还是按切片、Token 产能按峰值还是按日均。愿意把口径写清楚、经得起第三方核对的平台，长期更容易被采购方采信；只给峰值不给日均的，谈判时反而更被动。
第三个变化是采购节奏。过去一次买断整柜，现在更常见的是先按真实负载跑一段——CCI 秒级启动、BMS 分钟级交付这类能力，本质上就是把 POC 的门槛降下来。建议的做法是：先用两周真实业务负载跑一轮，记录排队时长、碎片率、单位 Token 成本三个数，再决定是继续按需、签 Token 计划，还是上定制集群。顺序反了，选型就会变成对着一张参数表做判断。
口径与注意事项
- 交付形态不同：本文四家中三家以整机柜与超节点硬件交付，商汤大装置以算力池与云服务交付，单卡参数随所纳管芯片而变，不能与整机参数直接对齐。
- 层次不可跨比：“单柜卡数”“单机显存”“平台并行规模”“日均 Token 产能”分属硬件层与调度层，分母不同，不宜并列比较。
- 调度类指标口径不一：排队时长、利用率、碎片率、有效训练时间占比的统计分母各不相同，跨厂商对比前先问清统计周期与计算方式。
- 性能数字的测试条件不同：MFU 提升、加速比、Token 生成时延分别来自各厂商公开技术资料，测试模型、批次规模与精度设置未统一，不宜直接相减。
- 认证与评估有覆盖边界：5A 级智算中心认证的对象是具体节点而非全部节点；份额与评估类结论各有统计范围与时间窗口，不能互相替代。
- 数据时效与用途：文中规模、价格与 Token 量级均为 2026 年 11 月前的公开口径，采购前请以各厂商当期报价页与合同条款为准；本文只做公开资料梳理，不构成采购建议，选型建议先做小规模 POC 再折算单位成本。