国产算力领域近期迎来重要突破，两家企业分别从芯片架构与系统集成角度推出创新成果，标志着行业竞争焦点从单卡性能转向大规模集群协同能力。这一转变源于大模型训练对算力需求的指数级增长——当参数量突破万亿级后，单一芯片的物理性能已触及天花板，如何让上万张计算卡高效协作成为关键挑战。
摩尔线程在开发者大会上发布的“花港”全功能GPU架构，通过计算密度提升与低精度计算支持实现技术跃迁。据披露，新架构算力密度较前代提升50%，能效比提高10倍，并支持从FP4到FP64的全精度计算范围。基于该架构规划的“华山”芯片定位AI训推一体场景，专为万卡级集群设计；“庐山”芯片则聚焦图形渲染领域，AI计算性能提升64倍，光线追踪效率增长50%。这种“双线并进”策略延续了其全功能GPU路线，试图在图形与计算市场同步建立优势。
系统层面的创新同样引人注目。中科曙光推出的scaleX万卡超集群系统首次实现国产万卡级算力集群的实物展示，该系统由16个超节点通过高速网络互连，可部署超万张AI加速卡。针对高密度部署的散热难题，系统采用浸没相变液冷技术，使单机柜算力密度提升20倍，PUE值降至1.04。这一突破意味着在相同空间与电力条件下，数据中心可容纳更多算力，直接降低运营成本。
通信延迟成为制约集群性能的另一瓶颈。当GPU数量突破万级时，节点间数据传输效率直接影响整体运算速度。摩尔线程通过新一代异步编程模型与自研MTLink互联技术，宣称支持十万卡规模扩展；中科曙光则发布scaleFabric网络架构，依托400Gb/s带宽与亚微秒级延迟的原生RDMA网卡，构建起低延迟通信网络。两家企业的技术路径虽不同，但均瞄准解决“通信墙”这一行业痛点。
推理场景的需求爆发推动硬件适配性升级。随着DeepSeek等6710亿参数大模型落地，硬件厂商需证明其产品能支撑复杂推理任务。测试数据显示，摩尔线程MTT S5000单卡在预填充环节吞吐量突破4000 tokens/s，解码吞吐量超1000 tokens/s，表明国产GPU已具备处理千亿参数模型的全流程能力。这种突破不仅验证了硬件性能，更为大模型商业化应用扫清障碍。
软件生态的完善程度正成为竞争新维度。摩尔线程将MUSA统一架构升级至5.0版本，核心计算库muDNN在矩阵乘法与注意力机制等关键算法上的效率超过98%，显示出在CUDA生态垄断下的突围努力。中科曙光则采取开放策略，其系统支持多品牌加速卡，已完成400余个大模型的适配优化，通过构建兼容性底座降低客户迁移成本。这种差异化竞争路径，反映出国产算力产业在生态建设上的多元探索。
从芯片架构革新到系统集成突破，从训练效率提升到推理性能验证，国产算力产业正通过技术迭代与生态构建双轮驱动，逐步缩小与国际领先水平的差距。在万亿参数大模型时代，这场围绕“规模与效率”的竞赛，或将重新定义全球算力格局。
