國產算力領域近期迎來重要突破，兩家企業分別從芯片架構與系統集成角度推出創新成果，標志著行業競爭焦點從單卡性能轉向大規模集群協同能力。這一轉變源于大模型訓練對算力需求的指數級增長——當參數量突破萬億級后，單一芯片的物理性能已觸及天花板，如何讓上萬張計算卡高效協作成為關鍵挑戰。

摩爾線程在開發者大會上發布的“花港”全功能GPU架構，通過計算密度提升與低精度計算支持實現技術躍遷。據披露，新架構算力密度較前代提升50%，能效比提高10倍，并支持從FP4到FP64的全精度計算范圍?；谠摷軜嬕巹澋摹叭A山”芯片定位AI訓推一體場景，專為萬卡級集群設計；“廬山”芯片則聚焦圖形渲染領域，AI計算性能提升64倍，光線追蹤效率增長50%。這種“雙線并進”策略延續了其全功能GPU路線，試圖在圖形與計算市場同步建立優勢。

系統層面的創新同樣引人注目。中科曙光推出的scaleX萬卡超集群系統首次實現國產萬卡級算力集群的實物展示，該系統由16個超節點通過高速網絡互連，可部署超萬張AI加速卡。針對高密度部署的散熱難題，系統采用浸沒相變液冷技術，使單機柜算力密度提升20倍，PUE值降至1.04。這一突破意味著在相同空間與電力條件下，數據中心可容納更多算力，直接降低運營成本。

通信延遲成為制約集群性能的另一瓶頸。當GPU數量突破萬級時，節點間數據傳輸效率直接影響整體運算速度。摩爾線程通過新一代異步編程模型與自研MTLink互聯技術，宣稱支持十萬卡規模擴展；中科曙光則發布scaleFabric網絡架構，依托400Gb/s帶寬與亞微秒級延遲的原生RDMA網卡，構建起低延遲通信網絡。兩家企業的技術路徑雖不同，但均瞄準解決“通信墻”這一行業痛點。

推理場景的需求爆發推動硬件適配性升級。隨著DeepSeek等6710億參數大模型落地，硬件廠商需證明其產品能支撐復雜推理任務。測試數據顯示，摩爾線程MTT S5000單卡在預填充環節吞吐量突破4000 tokens/s，解碼吞吐量超1000 tokens/s，表明國產GPU已具備處理千億參數模型的全流程能力。這種突破不僅驗證了硬件性能，更為大模型商業化應用掃清障礙。

軟件生態的完善程度正成為競爭新維度。摩爾線程將MUSA統一架構升級至5.0版本，核心計算庫muDNN在矩陣乘法與注意力機制等關鍵算法上的效率超過98%，顯示出在CUDA生態壟斷下的突圍努力。中科曙光則采取開放策略，其系統支持多品牌加速卡，已完成400余個大模型的適配優化，通過構建兼容性底座降低客戶遷移成本。這種差異化競爭路徑，反映出國產算力產業在生態建設上的多元探索。

從芯片架構革新到系統集成突破，從訓練效率提升到推理性能驗證，國產算力產業正通過技術迭代與生態構建雙輪驅動，逐步縮小與國際領先水平的差距。在萬億參數大模型時代，這場圍繞“規模與效率”的競賽，或將重新定義全球算力格局。