灵晟蝉联双榜第一,但超算竞赛的规则已经变了
灵晟以2.198EFlops蝉联TOP500第一,领先美国El Capitan约21%,并在HPCG保持榜首。本文解释TOP500与HPCG的差异、灵晟全栈自主架构的真实边界,以及为什么在AI算力虹吸传统超算的背景下,双榜第一更像一个旧赛道的起点而非终点。
灵晟蝉联双榜第一,但超算竞赛的规则已经变了
双榜第一的真正含义:跑得快,也要跑得稳
TOP500衡量的是极限冲刺,HPCG衡量的是真实负载下的持续输出
灵晟这次的双榜第一,不能简单理解成“跑分赢了两次”。TOP500和HPCG评价的是两种完全不同的能力:前者看一台机器在理想条件下能把浮点计算推到多高,后者看它在接近真实科学计算的负载下能稳定输出多少。同时拿下这两个榜,说明灵晟不只是峰值性能高,而是在内存带宽、通信效率和系统均衡性上同样站得住。

TOP500的排名依据是Linpack测试,测的是双精度浮点运算的极限速度。灵晟以2.198EFlops的实测性能排在榜首,领先第二名美国El Capitan约21%。这个数字代表一台超算在求解稠密线性方程组时能达到的最高吞吐量,但它更接近一种“极限冲刺”——所有资源都被调动起来,跑一个对通信模式要求相对规整的任务。
HPCG的测试逻辑则不同。它求解的是稀疏矩阵共轭梯度问题,这类计算在真实科学模拟中更常见,对内存访问和节点间通信的压力远大于Linpack。很多在TOP500上排名靠前的机器,到了HPCG榜单上名次会明显下滑,原因就在于峰值性能高不等于真实负载下效率高。灵晟以22PFlops的成绩继续排在HPCG首位,意味着它在处理这类不规则、强内存依赖的计算时,依然能把相当比例的硬件性能转化为实际产出。
两个榜单同时领先的含金量正在于此。单独看TOP500,可能只是堆出了足够多的计算单元;单独看HPCG,也可能只是在特定负载上做了优化。同时覆盖两个维度,指向的是系统设计上的整体均衡——计算、存储、互联没有明显的短板。
当然,这两个榜单都不能完全等同于“实际可用算力”。TOP500依赖机构自愿申报,Linpack测试也长期被批评与现实应用脱节。HPCG虽然更接近真实负载,但依然是一个标准化的基准程序,不能覆盖所有科学计算场景。灵晟的双榜第一是一个重要的技术信号,而不是对全球超算格局的完整描述。

全栈自主不是口号,但公开信息只到架构层
在线加速全CPU超智融合架构意味着什么
灵晟最值得拆解的技术选择,是它没有走当前主流的GPU加速路线,而是提出了一种“在线加速全CPU超智融合架构”。公开资料对这个架构的描述高度一致:系统首创在线加速(Online Acceleration)全CPU超智融合架构,实现从芯片、网络、存储到系统软件的全栈自主可控。

“全CPU”意味着系统的核心计算能力主要来自CPU,而不是依赖GPU或其他专用加速器来承担大规模并行计算。这与近十年超算领域的主流趋势形成明显反差。自深度学习兴起以来,全球新建的大型超算几乎都把GPU作为AI训练和部分科学计算的主力,CPU更多承担调度、数据预处理和通用计算任务。灵晟选择全CPU路线,直接影响了它在不同基准测试中的表现特征。
HPCG恰好是一个对内存带宽和延迟极其敏感的测试。它模拟的是稀疏矩阵运算、不规则访存等真实科学计算中常见的负载模式,GPU集群在这类场景下往往难以发挥峰值性能,而设计良好的CPU系统反而能保持较高的实际效率。灵晟在HPCG上领先,与这一架构选择有内在关联。全CPU系统在内存一致性、数据搬运路径和编程模型上更接近传统科学计算的习惯,不需要频繁在CPU与GPU之间转移数据,这对内存带宽敏感型负载是实质性的优势。
但这条路线也有代价。在AI大模型训练这类高度规则、计算密集、天然适合大规模并行矩阵乘法的负载上,GPU集群的峰值吞吐优势仍然明显。全CPU架构能否在AI训练场景中达到同等能效,公开资料没有给出可验证的数据。在线加速机制的具体实现方式——是CPU内置的专用指令集、片内加速单元,还是系统层面的调度优化——同样没有披露。
从芯片到系统软件的全栈自主可控,边界在哪里
“全栈自主可控”是灵晟对外传播中最重的表述,但证据目前只到架构层。四份来源都使用了同一句话:“实现从芯片、网络、存储到系统软件的全栈自主可控。”这句话本身是一个声明,不是一个可以独立核验的技术细节。
芯片是谁的、基于什么制程、互联网络采用什么方案、存储架构如何组织,公开资料均未披露。E08和E14的source_scope都明确标注了这一边界:具体芯片型号和技术路径未披露。这意味着读者不能把“全栈自主可控”自动理解为“每一个环节都有公开可验证的国产替代方案”。它更准确的解释是:系统设计方宣称在关键环节上采用了自主技术路线,并实现了从底层硬件到上层软件的贯通,但外部无法仅凭现有信息判断自主化的深度和真实边界。
这种信息不透明并非孤例。超算领域长期存在“架构公开、实现保密”的传统,尤其是涉及芯片细节和互联参数的部分。灵晟的披露策略符合这一惯例,但惯例本身也提醒我们:在缺乏芯片级证据的情况下,“全栈自主可控”更接近一个需要持续验证的工程目标,而不是一个已经可以完整评估的既成事实。

目前能够确认的是应用层的适配规模。灵晟已支撑22项千万核级全机规模应用,适配220余款领域应用。这个数字说明系统在实际科研和工程负载中已经投入使用,而不是停留在基准测试阶段。但千万核级应用具体覆盖哪些领域、220余款应用的运行效率如何,公开资料同样没有展开。技术路线清楚了,但一台超算的价值最终要看它支撑了什么。
22项千万核级应用,比榜单排名更值得关注
从跑分到产出:灵晟的实际负载能力
榜单排名只能证明系统在特定基准程序下的峰值表现,真正检验一台超算工程成熟度的,是它能否支撑起真实、完整、大规模的科学计算任务。灵晟目前披露的数据提供了一个观察窗口:已支撑22项千万核级全机规模应用,适配220余款领域应用。

“千万核级全机规模”这个表述的技术分量,需要放在超算系统的实际运行逻辑里理解。超算的难点从来不在于单个节点的计算能力,而在于数万甚至数十万节点协同工作时,通信延迟、负载均衡、故障恢复和任务调度能否保持稳定。一个应用能够扩展到千万核级,意味着它必须把计算任务切分成足够细的粒度,同时把节点间的数据交换控制在可接受的成本内。这对应用本身的并行算法设计、系统软件栈的调度能力、以及底层互联网络的稳定性都是严格检验。22项应用达到这一规模,说明灵晟的系统软件栈至少已经过多次真实负载的检验,而不是停留在理论性能或小规模验证阶段。
220余款适配应用则指向另一个维度:生态可用性。一台新架构超算从交付到真正可用,往往要经历漫长的软件移植和优化周期。应用适配数量达到这一量级,说明系统在编译器、数学库、并行工具链等基础软件层面已经具备了一定的通用性,能够支撑不同领域的研究者把既有代码迁移到新平台上运行。
国际同行评议提供了另一层佐证。基于灵晟开展的XLSDFT科研应用成果入围2026年ACM戈登贝尔奖。该奖项是超算应用领域的最高荣誉之一,入围本身意味着这项工作的科学价值和计算规模得到了国际评审的认可。但入围不等于获奖,也不能据此推断灵晟的整体应用水平已经达到国际领先。它更准确的含义是:灵晟至少在一个具体科研方向上,支撑出了具有国际竞争力的成果。
需要克制解读的地方同样明显。公开资料没有披露这22项应用的具体领域分布、完成质量或运行效率。它们可能集中在少数几个传统优势方向,也可能在更多领域只是完成了初步移植,尚未进入深度优化阶段。220余款适配应用也存在类似问题——适配不等于高效运行,更不等于被研究者长期使用。这些数字证明了灵晟已经跨过“能用”的门槛,进入“好用”的验证阶段,但距离“用得好、用得广”的成熟生态,仍有相当距离。

全球算力正在被AI虹吸,超算竞赛的规则变了
27台新系统入榜,TOP500历史上最低周转率说明了什么
灵晟的蝉联发生在一个容易被忽略的背景下:本期TOP500只有27台新系统入榜,是榜单历史上新系统周转率最低的一次。这个数字比任何单台机器的性能对比都更能说明问题。传统超算的更新节奏正在被打断,增量更多来自现有系统的升级扩容,而不是顶端系统的整体换代。

原因并不神秘。过去几年,AI训练对低精度算力的需求远超传统科学计算,云厂商和AI公司取代国家实验室,成为算力投资的主要推动者。它们的采购逻辑不同:不追求单一系统的峰值排名,而追求集群规模、能效比和弹性调度。资金因此大规模流向AI数据中心,对传统超算硬件形成虹吸效应。当一家云厂商可以为一个AI集群投入数十亿美元时,传统超算中心的预算优先级自然下降。
这意味着灵晟的领先发生在旧赛道的尾声。美国并非放弃了传统超算——El Capitan仍以1.809EFlops位居第二,说明美国在科学计算领域保持着实质投入。但全球算力竞赛的参照系已经变了。灵晟真正的对手不是哪一台具体的机器,而是整个算力投资逻辑的转向。它能否持续领先,取决于能否把已验证的架构优势转化为AI时代的可用算力,而不是继续在Linpack和HPCG的坐标系里证明自己。