几十卡、数百卡、上千卡，AI 算力基础设施的规模竞赛，正在进入一个新的阶段。

过去，大模型厂商展示算力实力，最直观的方式是拥有多少张 GPU、建设了多大规模的计算集群。如今，随着超节点成为 AI 基础设施领域的热门方向，厂商展示实力的方式又多了一个：能够把多少颗 AI 芯片连接起来，让它们像一台计算机一样协同工作。

从英伟达的 GB200 NVL72，到华为的数百卡、千卡级超节点，再到各家国产厂商陆续推出的紧耦合计算系统，超节点的规模不断扩大。72 卡、384 卡、1024 卡，这些数字也越来越频繁地出现在产品发布和技术讨论中。

乍看之下，这似乎是过去算力竞赛的延续：以前比谁拥有的 GPU 更多，现在比谁能把更多 GPU 连接在一起。

但超节点真正试图解决的，恰恰是过去那种依靠增加机器数量扩充算力的方式所暴露的问题。

当模型规模越来越大，计算不再是唯一的瓶颈。芯片之间的数据交换、不同计算任务之间的同步，以及内存资源能否被高效使用，都开始影响最终的运行效率。增加更多芯片固然能够提高理论算力，但如果大量时间被消耗在数据搬运和等待上，硬件投入就未必能够转化为相应的性能收益。