---
title: "算力竞赛的记分卡，正在从峰值转向Token产出"
canonical_url: "https://supawriter.sevnday.com/articles/06328cad-12e9-45b4-9a77-7777611dd65a"
channel: "程序员技术架构与踩坑实战"
channel_slug: "tech-arch"
author: "SuperAdmin"
published_at: "2026-09-24T00:37:40.655678+00:00"
updated_at: "2026-11-20T13:04:14.097486+00:00"
word_count: 2421
keywords: ["算力","模型","推理","Token","芯片","AI"]
---

> 摘要：浪潮信息在AICC2026发布元脑HC2000，单柜256张AIPU、全液冷、供电超300kW，并称同等投资Token产能提升10倍。本文拆解这个数字的成立条件与验证缺口，指出真正的变化是评估算力方案的标准从峰值算力转向单位投资的Token产出，而这一转向依赖推理需求持续放量。

# 算力竞赛的记分卡，正在从峰值转向Token产出

![图片](https://oss.zhidx.com/d21de5df93e6ae141f75a766849d2aac/6ab46800/uploads/2026/09/6ab247430916e_6ab247430488b_6ab2474304852_6.jpg)

## 一个柜子装256张卡，难的不是装进去

### 供电300kW意味着什么

一个标准机柜的供电能力，传统数据中心通常在10kW到20kW之间。元脑HC2000把单柜供电做到300kW以上（E29、E40），这个数字本身就是一道物理门槛。风冷机柜的散热能力大约在每柜20kW到30kW量级，超过这个范围，空气已经带不走热量。300kW不是把数字做大，而是换了一种散热介质才能成立。

![图片](https://supawriter.sevnday.com/cdn-img/supawriter/9d1a7acc38d1fca0.png)

### 液冷从可选项变成必选项

全液冷设计（E21）在这个功耗密度下不是锦上添花。当单柜功率密度是传统风冷机柜的4倍（E40），风冷方案在物理上已经不可行。液冷从“可以选”变成“必须选”，连带的是机房改造、管路铺设、冷却液运维这一整套工程能力的跟进。厂商发布的是机柜，实际交付的是一套需要配套基础设施才能运转的系统。

![图片](https://x0.ifengimg.com/res/2026/7DC1390A5A07EFF77EE602C1C657B8C55068923F_size108_w650_h365.jpg)

### 200Tbps带宽在解决什么问题

256张加速卡装进一个柜子，如果卡间通信跟不上，算力就是孤岛。柜内聚合带宽做到200Tbps，实现计算与通信1∶1的均衡配比（E12、E15），针对的是大模型推理中Prefill和Decode阶段的通信瓶颈。卡越多，通信压力越大，带宽不够，加卡反而可能降低整体效率。

“算力密度提升4倍”这个说法需要保留。厂商没有说明对比基准是哪种风冷机柜、何种配置（E40）。不同基准下，这个倍数可以差出很大空间。

![图片](http://dingyue.ws.126.net/2026/0922/a12a3fecj00tlqu9w001yd000u000k0m.jpg)

## 容量型与能力型：两种算力需求的分野是否成立

### 能力型智算追求单机跑大模型

SD200 Ultra 的产品逻辑是把一台机器做成一个能独立承载最大模型的单元。它基于本土 AI 芯片，单机承载运行 2.8 万亿参数的 Kimi K3 大模型（E03），以开放系统设计紧耦合 128 芯本土 AI 芯片，提供 8TB 统一编址显存和 64TB 内存，支持 10 万亿参数规模的前沿模型单机运行（E07）。这些数字指向同一个目标：让一台设备尽可能装下更大的模型，减少跨机通信带来的损耗。

![图片](https://www.aitntnews.com/pictures/2026/9/22/4119f30d-b634-11f1-9f18-fa163e47d677.webp)

### 容量型智算追求单位投资产出 Token

HC2000 的优化方向不同。它面向的是推理请求持续涌入的场景，衡量标准是同等投资能产出多少 Token，而不是单机能跑多大的模型（E31）。当推理需求规模化之后，限制因素从“能不能跑”变成“跑得划不划算”，优化对象随之从峰值算力转向持续吞吐和资源利用率。

![图片](https://simg.baai.ac.cn/hub-detail/09bef65e0421696b16cb32f5669bff6a1790084401994.webp)

### 这个二分法是产品定位还是行业规律

浪潮信息把 Agent 时代的 AI 计算划分为能力型智算与容量型智算两个方向，前者支撑突破智能上限，后者实现智能充分供给（E09）。需求侧的支撑来自其首席 AI 战略官刘军的判断：AI 正从回答问题走向解决问题，一个智能体接到任务后要理解目标、制订计划、调用工具、执行任务、检查结果，发现问题还要重新规划，跑起来就是几个小时甚至几天（E34）。任务时长从秒级变为小时甚至天级，Token 消耗量级随之跃升，推理侧需要的就不再是峰值算力，而是持续吞吐。

这个二分法有实际依据，但它是浪潮信息的企业观点（E09），不是行业共识。实际部署中，很多场景可能同时需要两种能力——既要求单机跑得动大模型，又要求单位成本足够低。硬性二分简化了真实需求的复杂度，把它当作产品定位比当作行业规律更稳妥。

![图片](https://tlcj-static.tuoluo.cn/sync/f45f26381e53b966ee5ecf742fc88c2f)

## 10倍Token产能：一个需要拆开看的数字

### 同等投资这个前提有多重要

“同等投资Token产能提升10倍”这句话里，最容易被忽略的是前半句。同等投资意味着对比的锚点不是算力峰值，而是每单位资金能产出多少Token。这个口径本身比“算力提升几倍”更贴近用户的实际决策——企业买机器不是为了看跑分，是为了把推理服务跑起来、把成本摊薄。但“同等投资”的对比对象没有交代清楚：是跟上一代风冷产品比，还是跟同等预算的纯GPU方案比，还是跟不同配置的HC2000比？不同基线下的10倍，含义完全不同（E08、E13、E20）。

![图片](https://www.aitntnews.com/pictures/2026/9/22/42856b20-b634-11f1-a723-fa163e47d677.webp)

### SLO约束下的对比意味着什么

限定条件里还有一条：“主流开源大模型推理服务”和“同样的SLO约束”（E30）。这两个前提把结论框在一个相当具体的场景里。SLO是服务等级目标，通常包括延迟上限、吞吐下限、可用性要求等。同样的SLO意味着对比双方在服务质量上是对齐的，不是拿一个跑得飞快但经常超时的方案去比一个稳定但慢的方案。这个约束让10倍这个数字有了可讨论的基础，但也意味着换一个模型、换一组SLO参数，结果可能大幅偏离。厂商没有披露具体是哪个模型、SLO数值是多少、测试方法是什么。

![图片](https://simg.baai.ac.cn/hub-detail/168fe2b613c8fdfed048addc36c709ea1790084401995.webp)

### 缺少第三方验证的厂商口径怎么用

MCIS软件栈的机制是清楚的：通过请求路由、P/D分离推理、算力动态调整和KV Cache管理，让不同类型芯片协同工作，减少闲置和等待（E22）。配套的传输优化数据——小数据量传输性能最高提升约5倍、节点内本地磁盘IO性能提升约32倍——为这个机制提供了一部分支撑（E16）。但这些数据同样是厂商测试口径，未披露测试环境和对比基线。

合理的做法是把10倍当作一个方向性信号，而不是一个可以直接写进采购报告的结论。它说明的是：在特定推理场景下，软硬协同优化有可能把Token产出效率拉高一个量级。至于这个量级在用户自己的业务负载下能兑现多少，取决于模型类型、请求模式、SLO要求和运维水平。在第三方基准测试出现之前，这个数字的参考价值大于决策价值。

![图片](https://oss.zhidx.com/686eec75e1d759cb2f7665d497037294/6ab46800/uploads/2026/09/6ab24742334ba_6ab24742300ea_6ab24742300b4_5.jpg)

## 对采购者和观察者来说，判断标准变了

### 从看峰值算力到看单位投资Token产出

采购者过去比的是单卡算力、互联带宽、显存容量。这些参数仍然重要，但它们回答的是“这台机器最快能跑多快”，而不是“这笔投资每年能产出多少可交付的Token”。当推理成为算力消耗主体，后一个问题才是预算审批时真正要回答的。HC2000把“同等投资Token产能”推到台前（E25），无论10倍这个具体数字是否可信，它指向的评估维度是成立的：分母是整柜的采购、供电、散热和运维成本，分子是在给定SLO下稳定输出的Token量。

![图片](https://x0.ifengimg.com/res/2026/939FF970AD38B6EAC09FC2BF8D08C76548A67BAD_size175_w650_h433.jpg)

这个标准要落地，软件栈的开放性是前提。MCIS兼容SGLang、vLLM等主流推理框架（E22），意味着用户不必被锁死在某一套调度工具上，也意味着单位投资Token产出可以跨框架比较，而不是只能在厂商自己的闭环里自说自话。

### 多元芯片支持是灵活性还是妥协

![图片](https://supawriter.sevnday.com/cdn-img/supawriter/446cb1f15a6da591.jpeg)

支持多种本土AI芯片，从采购角度看是议价空间和供应安全，从工程角度看则引入调度复杂度。不同芯片的算子覆盖、显存管理、通信原语不一致，混编部署时性能损耗和运维成本都会上升。MCIS声称能覆盖请求路由、P/D分离和KV Cache管理（E22），但这类协同的实际效率高度依赖具体芯片组合和模型结构，没有通用答案。多元支持是灵活性，代价是调优成本——这笔账要算进单位投资Token产出里，而不是只算硬件采购价。

### 这个转向在什么条件下会逆转

IDC与浪潮信息联合报告预测，全球活跃Agent从2026年约7940万个增至2030年22.16亿个，Token消耗量从0.026Peta增至152667Peta（E33、E38）。这组数字是容量型智算需求逻辑的基石。需要说明的是，该报告由IDC与浪潮信息联合发布，存在利益关联，预测值不等于实测值。

如果Agent规模化落地慢于预期，或者模型效率提升大幅降低单任务Token消耗，容量型智算的需求增速就会放缓，高密液冷机柜的高前期投入反而变成负担——液冷改造、机房承重、运维体系都需要提前投入，而这些投入只有在机柜长期高负载运行时才能摊薄。判断标准本身没有错，错的是把它当成无条件适用的公式。

## 参考来源

- [浪潮信息发布元脑SD200 Ultra超节点AI服务器|界面新闻 · 快讯](https://www.jiemian.com/article/15124335.html)（ddgs）
- [承载2.8万亿模型，首破5.85毫秒！ 元脑AI超节点SD200 Ultra...](https://www.ithome.com/1/006/194.htm)（ddgs）
- [同等投资Token产能提升10倍！ 元脑HC2000... | 凤凰网](https://tech.ifeng.com/c/8weojRepZov)（ddgs）
- [同等投资Token产能提升10倍！元脑HC2000多元算力机组发布 - 中宏网](https://www.zhonghongwang.com/show-140-473304-1.html)（serper）
- [浪潮信息发布元脑HC2000多元算力机组|hc_网易科技](https://www.163.com/tech/article/L7HGBL6500098IEO.html)（ddgs）
- [浪潮信息发布元脑HC2000多元算力机组 - 网易](https://www.163.com/tech/article/L7HGBL6500098IEO.html?clickfrom=w_tech)（serper）
- [浪潮信息刘军：智能有望像电力，成为普惠基础资源 - ManyVoices](https://robotstar.ru/manyvoices/read/163_com_dy_article_l7h05ak30514r9oj_html_297e5aeb)（ddgs）
- [2026，从“堆芯片”到“造Token”，AI算力竞赛换了记分卡- DoNews专栏](https://www.donews.com/article/detail/5192/107713.html)（ddgs）
- [2026，从“堆芯片”到“造Token”，AI算力竞赛换了记分卡_陀螺科技](https://www.tuoluo.cn/article/detail-10131245.html)（ddgs）
- [浪潮信息发布元脑HC2000多元算力机组 - 星空科学探索频道](https://tech.shaoqun.com/a/1326329.html)（serper）
- [单机跑Kimi K3首破5.85毫秒，同等投资Token产能提升10...](https://zhidx.com/p/596515.html)（ddgs）
- [AI...](https://hub.baai.ac.cn/view/58183)（ddgs）
