北京
第23届中国计算机大会10月22日在成都开幕。中科曙光高级副总裁李斌在大会期间表示：“算力系统走向集约化、规模化，需要围绕计算、存储、互连、供电、冷却进行一体紧耦合系统创新”。
在李斌看来，随着模型参数增长和智能体加速落地，算力系统正走向集约化、规模化。这一判断把算力基础设施的讨论从单点性能拉回到系统层面：当算力系统向更大规模、更高密度演进，计算、存储、互连、供电、冷却等环节之间的协同关系，直接影响系统能否稳定、高效运行。系统创新不是某一部件的孤立升级，而是围绕上述环节进行一体紧耦合设计。
系统创新覆盖五个关键环节
李斌提到的计算、存储、互连、供电、冷却，对应算力系统的多个关键组成部分。计算负责任务处理，存储承担数据存取，互连影响节点间数据交换效率，供电和冷却则关系系统运行的基础保障。将这些环节放在一体紧耦合系统创新的框架下，意味着系统设计需要统筹考虑各环节之间的匹配与协同。对于走向集约化、规模化的算力系统而言，单点优化难以独立支撑整体效率，系统级协同成为重要方向。
这一表述没有停留在单一硬件层面。对通信与计算产业来说，算力系统规模化部署涉及的不只是芯片或服务器，还包括网络互连、能源供给和冷却等基础设施条件。李斌所强调的一体紧耦合，指向的是系统内部各环节的联动关系。这为观察算力基础设施创新提供了一个系统视角。
“超节点+超集群”提升Token生产效率
在系统级创新路径上，李斌介绍，通过“超节点+超集群”系统级创新可提升Token生产效率。Token是模型处理文本等任务的基本单位，Token生产效率关系模型训练与推理服务的系统吞吐和成本。将超节点与超集群作为系统级创新方向，意味着算力系统需要在节点规模和集群组织层面协同演进。
他介绍，今年7月上线的曙光8000（登峰）全国产十万卡AI超集群，已支撑300多个重点科学工程仿真和万卡级模型预训练。从应用看，该超集群已覆盖重点科学工程仿真和万卡级模型预训练两类场景。由此看，算力系统的集约化、规模化并非单纯的规模扩张，而是需要在计算、存储、互连、供电、冷却等环节形成系统协同，以提升整体效率。
从李斌的发言看，算力系统的创新重点正在向一体紧耦合的系统层面延伸。对于行业而言，如何在规模化背景下实现计算、存储、互连、供电、冷却的协同，是算力基础设施演进中需要持续回答的问题。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
