曙光8000(登峰)：全国产十万卡AI超集群的工程密码——从万卡到十万卡，超智融合架构如何打破算力天花板

一、引言2026年7月10日，中科曙光在光合组织2026智能计算应用大会上宣布，中国首个全国产十万卡AI超集群——曙光8000(登峰)正式落成，并同步接入国家超算互联网。这标志着中国AI基础设施建设正式从万卡级迈向十万卡级部署阶段。十万卡，指同一集群部署十万张及以上AI加速卡的先进计算基础设施。过去业界普遍认为万卡是大模型的算力门槛，而随着万亿参数大模型的爆发，十万卡已成为下一代AI基础设施的硬性入场券。但十万卡不是简单的"万卡×10"。中科曙光高级副总裁李斌直言：“十万卡考验的不是卡的数量，而是系统架构、网络互连、访存效率、能效控制，以及生态应用能力的综合较量。”本文将从系统架构、网络互连、存储系统、液冷散热、应用生态五个维度，深度解析曙光8000(登峰)的工程密码。┌─────────────────────────────────────────────────────────────────┐ │ 曙光8000(登峰) 系统架构总览 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 海光芯片 │ │ 海光芯片 │ │ 海光芯片 │ │ 海光芯片 │ ... │ │ │ (10万卡) │ │ (10万卡) │ │ (10万卡) │ │ (10万卡) │ │ │ └─────┬────┘ └─────┬────┘ └─────┬────┘ └─────┬────┘ │ │ │ │ │ │ │ │ └──────────────┴──────────────┴──────────────┘ │ │ │ │ │ ┌──────────▼──────────┐ │ │ │ scaleFabric 高速网络 │ ← 类IB原生RDMA │ │ │ (十万卡无阻塞互联) │ │ │ └──────────┬──────────┘ │ │ │ │ │ ┌────────────────┼────────────────┐ │ │ ▼ ▼ ▼ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ ParaStor │ │ 浸没式相变 │ │ 超智融合 │ │ │ │ 分布式存储│ │ 液冷散热 │ │ 调度系统 │ │ │ │ IO500双冠 │ │ PUE1.1 │ │ 全精度支持 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ ▼ │ │ ┌──────────────────────┐ │ │ │ 国家超算互联网 │ │ │ │ (全国一体化算力网) │ │ │ └──────────────────────┘ │ │ │ │ 300+ 超智融合应用优化 | 70+ 万卡规模扩展 | 20+ 领域覆盖 │ │ │ └─────────────────────────────────────────────────────────────────┘二、系统架构：超智融合的原生一体化设计2.1 传统分区架构的问题传统AI算力中心通常采用"分区"架构：科学计算集群用高精度FP64，AI训练集群用低精度FP16/INT8，推理集群独立部署。这种架构导致三个核心问题：资源利用率低：各分区负载不均衡，A分区空闲时B分区排队数据搬运成本高：科学计算和AI推理之间需要跨集群搬运数据运维复杂度高：多套独立系统，每套需要独立的管理和调度2.2 超智融合架构曙光8000(登峰)摒弃了传统的分区方式，采用原生超智融合架构，实现了高精度科学计算和低精度智能计算的原生一体化融合。""" 曙光8000(登峰) 超智融合调度系统核心逻辑 """fromenumimportEnumfromdataclassesimportdataclassfromtypingimportList,Dict,OptionalimportheapqimporttimeclassPrecisionMode(Enum):"""计算精度模式"""FP64="fp64"# 高精度科学计算FP32="fp32"# 混合精度FP16="fp16"# AI训练INT8="int8"# AI推理MIXED="mixed"# 混合精度自适应classTaskType(Enum):"""任务类型"""SCIENTIFIC="scientific"# 科学计算TRAINING="training"# 大模型训练INFERENCE="inference"# AI推理SIMULATION="simulation"# 工业仿真@dataclassclassComputeTask:"""计算任务描述"""task_id:strtask_type:TaskType precision:PrecisionMode flops_required:float# 所需算力 (PFLOPS)memory_required:float# 所需内存 (TB)duration_estimate:float# 预估时长 (秒)priority:int# 优先级 (0-100, 越高越优先)submitted_at:float=0.0deadline:Optional[float]=NoneclassSuperFusionScheduler:""" 超智融合调度器 核心能力：在同一套集群上，同时调度FP64科学计算和INT8 AI推理， 实现"全精度原生一体化"调度。 """def__init__(self,total_flops:float,total_memory:float):self.total_flops=total_flops# 总算力 (PFLOPS)self.total_memory=total_memory# 总内存 (TB)# 当前资源使用self.used_flops=0.0self.used_memory=0.0# 任务队列（按优先级排序）self.task_queue:List[tuple]=[]# 运行中的任务self.running_tasks:Dict[str,ComputeTask]={}# 调度统计self.stats={"scientific_tasks":0,"training_tasks":0,"inference_tasks":0,"simulation_tasks":0,"total_utilization":0.0,"samples":0,}defsubmit_task(self,task:ComputeTask):"""提交任务到调度队列"""task.submitted_at=time.time()# 根据优先级和任务类型计算调度权重# 科学计算任务在夜间获得更高权重（利用闲置算力）priority_weight=self._compute_priority_weight(task)heapq.heappush(self.task_queue,(-priority_weight,task))self.stats[f"{task.task_type.value}_tasks"]+=1def_compute_priority_weight(self,task:ComputeTask)-float:"""计算调度优先级权重"""base_weight=task.priority# 科学计算任务在非高峰时段获得加成iftask.task_type==TaskType.SCIENTIFIC:current_hour=time.localtime().tm_hourifcurrent_hour8orcurrent_hour22:base_weight*=1.5# 夜间加成# 推理任务获得实时性加成iftask.task_type==TaskType.INFERENCE:base_weight*=1.3# 临近deadline的任务获得紧急加成iftask.deadline:remaining=task.deadline-time.time()ifremaining3600:# 1小时内base_weight*=2.0returnbase_weightdefschedule(self)-List[ComputeTask]:""" 执行一轮调度 核心策略：将集群资源动态分配给不同类型的任务， 确保高优先级任务优先，同时不浪费闲置资源。 """scheduled=[]available_flops=self.total_flops-self.used_flops available_memory=self.total_memory-self.used_memory temp_queue=list(self.task_queue)self.task_queue=[]whiletemp_queueandavailable_flops0:_,task=heapq.heappop(temp_queue)iftask.flops_required=available_flopsand\ task.memory_required=available_memory:# 分配资源self.used_flops+=task.flops_required self.used_memory+=task.memory_required self.running_tasks[task.task_id]=task scheduled.append(task)available_flops-=task.flops_required available_memory-=task.memory_requiredelse:# 资源不足，放回队列heapq.heappush(self.task_queue,(-self._compute_priority_weight(task),task))# 更新利用率统计self.stats["total_utilization"]+=(self.used_flops/self.total_flops)self.stats["samples"]+=1returnscheduleddefcomplete_task(self,task_id:str):"""完成任务，释放资源"""iftask_idinself.running_tasks:task=self.running_tasks.pop(task_id)self.used_flops-=task.flops_required self.used_memory-=task.memory_requireddefget_utilization(self)-float:"""获取当前集群利用率"""ifself.stats["samples"]==0:return0.0returnself.stats["total_utilization"]/self.stats["samples"]defget_stats(self)-dict:"""获取调度统计"""return{"total_utilization":f"{self.get_utilization()*100:.1f}%","task_distribution":{"scientific":self.stats["scientific_tasks"],"training":self.stats["training_tasks"