算力需求井喷的背景下，国内算力市场的增长预期被大幅拉高。援引央视财经消息，权威行业机构发布预测，2029年国内算力卡整体采购规模将暴涨至1.44万亿元。万亿级蓝海市场正式开启，标志着我国算力产业进入爆发式增长周期（883436）。
市场空间的急剧放大，映射到实际基础设施建设上：近日，中科曙光（603019）宣布中国首个全国产十万卡AI超集群“曙光8000（登峰）”正式在郑州落成，并同步接入国家超算互联网。这标志着AI基础设施建设开始从万卡级迈向十万卡级部署阶段。
中科曙光（603019）高级副总裁李斌在凤凰网财经等媒体的采访中指出，在AI基础设施迈入十万卡时代的当口，国产算力通过超智融合、全链路自研、全栈可靠性等路径，以系统能力支撑“人工智能（885728）+”应用全面落地、惠能科学发现与产业经济。
行业的急速发展，也引发了业界对超智融合路线以及国产算力发展等话题的讨论。而贯穿所有这些讨论的一条暗线是，无论10万卡集群多么宏大，最终指向都是让算力从科研圈的“阳春白雪”变成普通人触手可及的普惠能力。
李斌预判：“曙光8000已经有很大一部分资源在接手机APP后端了，大家打开手机，后面的算力可能就是郑州的。算力长期一定普惠，方向是云化而非家家买服务器。”
在媒体群访环节，中科曙光（603019）高级副总裁李斌围绕Token计价、曙光8000的定位、10万卡集群的工程难点、AI for Science趋势及算力普惠等热点问题回答了凤凰网财经等媒体的提问。
以下为凤凰网财经整理的李斌的核心观点：
01 谈算力需求：高端算力需求持续存在，智能体火热后需求更大
针对近期Meta（META）租赁冗余算力引发的市场对“算力泡沫”的讨论，李斌认为算力存在阶段性、周期（883436）性波动，但结构性来看这几年总体还是存在需求，特别是在高端算力方面。
“这一轮算力需求主要是AI带来的。如果AI存在巨大泡沫，未来可能过剩；但现在AI逻辑持续往前走，特别是今年智能体起来之后算力需求量非常大。大模型能力越来越强，AI写代码已超越很多工程师，在生产系统里作用出来了，所以未来可能持续对算力存在需求。”
关于10万卡集群的建设门槛，他反对简单以城市划线：“10万卡是单体体量很大的基础设施，合理逻辑是应用需求导向，你有没有单体这么大算力规模的需求？同时也要结合东数西算、算电融合、绿电布局来看，不是一个简单‘哪儿适合建’的问题。”
02 谈国产算力曙光8000：用系统能力提升整体竞争力
对于国产算力目前的发展现状，李斌认为：“现实的问题，是在一些领域，单点能力相比全球顶尖水平还存在差距。所以我们的思路就是多用一些芯片，功耗可能多一些，然后看能不能解决同样的问题、达到同样的应用效果。”
他进一步指出，这就回到了系统设计的根本：规模大了之后能不能解决可扩展性和可靠性挑战。这也是曙光8000重点攻克的系统工程问题。
对于曙光8000作为中国首个全国产十万卡级AI超集群这一重要里程碑，李斌认为主要体现在三个方面：一是规模上首次突破十万卡级；二是设计上实现超智融合，区别于以往AI算力基础设施；三是全栈基于国产技术实现。
03 谈10万卡门槛与工程挑战：规模扩大10倍，难度是指数级不是线性
业内常说10万卡是下一代AI基础设施的门槛，李斌从两个维度解读：模型尺度定律（Scaling Law）仍在：目前领先模型参数在万级规模，未来参数还会增长，需要更大规模、更高扩展性的算力平台。
在工程化瓶颈方面，曙光8000建成时，其实找不到任何一个大模型能真正用到10万卡做完整预训练，因为到了万卡级别再往上，性能提升会遇到算法和互联的瓶颈。他强调，从万卡到10万卡不是简单的乘以10，确实面临很多挑战。超算研制最大的难点，来自规模扩大后的问题，主要体现在两个方面：
性能效率挑战方面，核心在于设备互联。无论是大规模并行计算还是大模型训练，都需要海量算力单元高度协同。但互连网络（Scale Out与Scale Up）、异构体系结构极度复杂，任何一个短板都会导致性能发挥不出来，目标是保证从万卡到10万卡效率线性扩展。
可靠性挑战方面，元器件数量多10倍，故障率理论上也高一个数量级；加上结构更复杂，维持稳定性更难。曙光的做法是：将单点可靠性提高一个数量级（从部件到板卡），用液冷保障恒温稳定环境，同时通过提高计算密度，在一个柜级单元（一个柜子640个加速卡）内用铜互连，以提升信号质量和可靠性。这些工程创新相互交织，共同支撑系统从万卡向十万卡平稳迈进。
谈及铜与光的选择，李斌则判断：“现在大厂做法都是柜级优先用铜，成本低、功耗低、可靠性高、信号好。但当数据传输量到临界点，铜的驱动能力只有十几厘米时，就会转向光电共封。所以不是一定谁好谁坏，是物理规律决定的逻辑。”
04 谈算力采购标准与度量衡：从“核时/卡时”走向“Token产出”
针对政府采购算力需要制定标准的问题，李斌坦言目前还在探索：“原来算力采购比较简单粗暴，CPU看‘核时’，GPU看‘卡时’或包月。但不同行业用户真正关心的是领域产出。现在智能体AI把事情做了一定标准化，就是Token，Token产出的指标，一定程度上把度量衡统一了。”
他认为，这可能是方向，但在科研方向较难，不过某些垂直领域（如药物设计的算力吞吐）可能会先形成行业评判指标。
05 谈算力与普通人距离：长期一定普惠，方向是云化而非家家买服务器
面对“算力越来越高端，普通人是否够不着”的疑问，李斌先拆解了超算与智算的任务差异：“大家都觉得超算是‘阳春白雪’，智算好像很接地气，但其实计算本质都是芯片处理0和1，没太多本质区别。只是超算更多服务于科研工程问题，智算现在大家理解多是手机上这种AI问答，使用方式有点不一样。”
李斌认为，短期看，近两年部分部件成本上涨，推高硬件系统与算力服务成本；同时Token需求过高，供给严重短缺，价格持续上行。但长期来看，算力更加普惠是总体方向。
他举例说，过去算力主要用于科研院所的大科学工程仿真，与普通人距离较远；如今像郑州曙光8000，已有很大一部分资源接入手机APP后端，为头部模型服务公司提供算力，用户打开手机，背后的算力可能就是郑州提供的。
在他看来，算力正与普通人的生活越来越近。李斌以人脸识别（885759）为例类比大模型：“现在刷脸认证技术门槛已大幅降低，未来大模型也会这样。算力普惠、效率提升，单位需要的算力降下来，它就变成基础能力。”
至于普通人用算力的方式，李斌判断总体是云化：“边端设备带点小算力处理实时智能，但没必要每人家里放笨重服务器。装个APP，后端有强AI能力帮你编程、规划，其实就已经一体化了。”
随着大模型、科学智能和智能体应用加速发展，算力基础设施正从千卡、万卡集群向更大规模演进。面向高并发、高吞吐、多精度、多任务的复合负载，十万卡级AI超集群不再只是数字概念，而是下一代AI基础设施的重要入门能力。
针对“十万卡集群训练与推理比例”的提问，李斌表示根据市场需求运营，但目前看到的确实推理的需求比训练要多，这是明确的。
他特别强调，推理场景的优化空间更大，且直接关联经济效益，评价从看计算性能转向看Token吞吐能力。在超长上下文推理里，存储扮演的角色越来越重要（KV Cache、Offload等），综合极致优化的价值很大。
06 谈曙光8000与AI for Science：大量大应用已用AI，基础设施不能落后
据了解，此次中科曙光（603019）8000（登峰）具有“芯片、计算、存储、网络、散热、应用、服务”全链路全自研AI基础设施能力。目前，在十万卡核心节点上，已完成300余项超智融合应用优化，涵盖大模型、机器人、汽车、创新药（886015）、新材料、量子计算、天文气象等二十余领域。曙光8000（登峰）依托国家超算互联网接入全国一体化算网，将面向科研高校、企业及个人用户全面开放普惠、高效、便捷的算力服务。
李斌回顾，曙光8000在过去几年的研制过程中经历了不少调整。曙光团队在早期看到了结合AI的趋势，将系统定位为“超智融合”，从而跟住了国际主流趋势。
“目前8000系统投入使用以来，其实是对中国AI for Science的发展一个非常大的推进作用。”李斌表示，过去存在一个问题：前沿技术跑得快，但大的算力基础设施发展滞后。而现在比较乐观的结果是，曙光8000作为一个支撑平台在国际上处于领先地位，没有让中国在这块的支撑呈现落后状态。
他透露：“曙光8000支撑国家战略性的科学工程计算大应用，有很多都用了AI结合的办法，比例比预想的要高很多。”这说明国内大的应用团队在快速采用AI方法，而曙光8000提供了一个去探索、尝试并取得效果的平台。
07 谈超智融合：不是机房分两区，是同一计算单元全精度支撑
针对外界对“超智融合”的误解，李斌明确澄清：“我们说的超智融合，它不是说一个机房里面这边放一些超算设备，那边放一些智算设备，它是这样一个超智融合。它核心逻辑是，一个芯片、一个计算单元需要同时具备对科学工程计算、数字计算仿真的支撑能力，也需要具备对神经网络类算法的支撑能力。”
对于为何要这么做，李斌则解释称，AI for Science的场景太碎片化。各学科原来的计算方法不一样，用的神经网络也可能不是大语言模型的Transformer，计算精度需求也从FP64到INT8各不相同。如果一个系统不能在同一芯片上灵活提供全精度支撑，就无法满足这种交叉融合的探索需求。
“曙光8000超智融合架构带来的好处是1+1大于2。你不用AI for Science的方法，它还能覆盖原来超算的高精度仿真；同时它有较强的低精度算力，能跑大模型训练和推理；还能做到单一超算或智算都难提供的综合能力，提供AI for Science需要的全面通用能力。”李斌如此解释道。
