走進WAIC 2026的展館，最直觀的感受是什麼？答案是：大。這裡並不是指場館大，而是在許多核心展區都能看到一台龐大的算力伺服器裝置，甚至是一整堵“算力牆”。
從華為昇騰950超節點、阿里平頭哥真武M890與磐久AL128，到崑崙芯P800及天池超節點，再到沐曦、清微智能、天數智芯、摩爾線程等企業帶來的算力系統，雷科技(ID：leitech）發現，本屆WAIC上最搶眼的半導體產品，幾乎都不再以單顆晶片的形式出現。
說實話，國產晶片廠商如此集中地展示全產業鏈生態尚屬首次。不過，雖然晶片、架構各有所異，但是認真逛完後，小雷發現這屆WAIC的晶片廠商們最核心的關鍵詞其實是一樣的，那就是“超節點”。
什麼是“超節點”？你可以將其看作多卡叢集的升級版。傳統算力叢集只是將計算卡放在一起，用犧牲性能的方式換取更大的算力規模。而超節點則是在此基礎上，通過自研硬體和架構，在儘可能不降低性能的情況下，把計算卡串聯成龐大的算力叢集。
隨著AI算力的需求越來越高，AI企業對算力成本也越來越敏感，超節點也被視為算力企業的核心競爭力，所以在WAIC上，你可以看到“超節點”的宣傳幾乎“無處不在”。
巨頭集體亮劍，國產超節點迎來爆發
小雷首先來到的是阿里展區。作為國內雲服務和晶片的雙巨頭，阿里在展區裡展示了由真武M890與磐久AL128超節點組成的算力系統，也是最受關注的展品之一，甚至被評為此次WAIC的“鎮館之寶”。
真武M890作為阿里自研的頂級算力晶片，也吸引了不少人的注意。其採用平頭哥自研平行計算架構，內建144GB高頻寬視訊記憶體，片間互聯頻寬達到800GB/s，原生支援從FP32到FP4的多種資料精度，綜合性能達到上一代真武810E的3倍，可以兼顧大模型訓練、推理以及智能體並行任務。
單看參數，真武M890確實是一顆相當強大的訓推一體晶片，但小雷看完阿里的展區後覺得，它真正的核心其實並不是“性能提升”，而是阿里在這顆晶片上終於補齊了整個算力生態的循環。
與真武M890一同展示的磐久AL128，不僅搭載了平頭哥自研ICN Switch 1.0互聯晶片，其餘關鍵晶片和硬體也幾乎都是阿里自研的，而這也是128顆算力晶片能夠在系統層面組成一台“超級電腦”的關鍵。兩者的搭配，讓阿里的算力成本相較於此前有明顯下降。
對於已經手握千問大模型生態和雲伺服器平台的阿里來說，真武M890與磐久AL128的出現，意味著其終於打通了“晶片—伺服器—雲平台—大模型—智能體應用”的完整鏈路，將每一個環節都掌握在自己手中。
而在百度的展區，則是展示了以崑崙芯P800為核心搭建的天池算力矩陣，最高支援256卡超節點連接。對比前代的算力叢集，中吞吐性能、推理效率以及通訊時延等方面都提升明顯，並且適配文心、DeepSeek、智譜和MiniMax等主流模型，甚至能夠進一步拓展至數十萬卡的超大叢集。
作為一家與阿里類似的企業，百度的崑崙芯與天池，也是他們建構完整AI鏈路的關鍵。基於天池萬卡叢集的算力成本優勢，百度能夠在各個領域以更低的成本推動應用落地，這也是百度能夠在搜尋、文生圖、智能駕駛、智能體等各個業務上都取得突破的關鍵因素。
在小雷看來，這種擁有內部需求驅動的AI生態，也是阿里、百度等國內AI企業的一個關鍵優勢。在更低的算力成本支援下，他們能夠有更多機會去“試錯”，讓中國在AI落地層面跑得比其他國家都更快。
在H2的華為昇騰展廳，小雷也看到了本屆WAIC最具衝擊力的產品——昇騰950超節點，由1024張計算卡組成，擁有256TB的統一記憶體，NPU往返時延近3微秒，搭配統一記憶體編址系統，使其能夠像一台“完整”的電腦那樣使用和計算。
與其他廠商的部分展示不同，華為是真把完全版的伺服器搬到了展台，以至於在現場看過去就像在面對一堵牆壁，而在“牆壁”之內，則是目前中國最強的算力矩陣。值得一提的是，1024卡叢集只是本次展示的上限，昇騰950超節點最高可支援8192個晶片互聯，最高可擴展的叢集數量超過50萬卡。
昇騰950超節點就是華為在AI領域的最大資本。即使單顆晶片面對國際旗艦GPU仍有差距，只要能夠通過高速互聯和系統協同提高整體利用率，最終交付給客戶的有效算力依然極具競爭力。
在逛完國產算力三巨頭的展區後，小雷發現他們都在押注十萬卡等級的算力矩陣，並且基本都是自研晶片和互聯架構，最大程度降低硬體成本和維護成本，然後將其轉化為算力成本上的優勢。
事實上，這也是國產算力晶片的一個共同趨勢。以前大家都在考慮“有沒有芯”，但是隨著自研晶片幾乎成為標配，大家的競爭將進入“能不能變成穩定且廉價的算力”。
不止超大叢集，
這些國產玩家值得關注
在沐曦的展台，小雷也看到了他們最新發佈的曦景S600超節點，一整套龐大的伺服器裝置擺在展台中央，視覺衝擊力還是相當大的。不過，在感慨之後，更值得關注的東西其實藏在機櫃的深處——OEX正交架構。
沐曦的“曦景”S系列通過正交連接器和兩級交換拓撲，實現單機櫃64張計算卡高速互聯，並可通過橫向堆疊擴展至萬卡叢集。簡單來說，計算節點與交換節點不再依靠大量高速線纜連接，而是通過正交結構直接互聯。
由此形成的計算節點零線纜、交換節點零線纜以及節點之間零線纜“三0設計”，直接解決了大規模叢集中佈線複雜、訊號損耗和故障率上升等問題。事實上，大型資料中心的故障很多時候都不是算力晶片帶來的，而是其中的各種連接硬體、晶片在高頻使用下出現問題。
而沐曦這套方案，則是將線纜儘可能去除，用解耦式模組化設計替代，讓核心模組都可以單獨部署和維護，顯著降低資料中心的維護成本和時間。更低的維運成本和更開放原始碼的生態，對於想要部署私有算力伺服器的中小型企業來說，沐曦的方案非常具有吸引力。
而在另一邊的清微智能展區，則展示了下一代TX82晶片模型、可重構3.0技術及4K超節點系統。這套系統最有意思的地方在於，它並不追求用固定硬體結構覆蓋所有模型，而是根據不同演算法動態調整計算資源，減少部分單元閒置。
在現場展出的4K超節點最高可拓展4096顆晶片，配套軟體棧已適配200餘款模型。與巨頭們的超大叢集相比，清微的優勢在於能夠根據企業要求進行深度定製，讓企業部署成本和算力成本進一步降低。
另一家國產晶片企業摩爾線程，在WAIC上的展示重點則是如何把這些算力真正轉化為可持續生產的Token。
在摩爾線程展區，小雷看到了其圍繞“詞元時代，萬物智能”搭建的完整算力體系。摩爾線程將其概括為三座“AI工廠”，分別是模型訓練工廠、詞元生產工廠和智能體生產工廠。簡單來說，就是先把模型訓練出來，再以更低成本持續生成Token，最後將這些模型和Token能力裝進能夠執行任務的智能體。
源：雷科技
為了證明國產GPU不僅能運行已有模型，摩爾線程還展示了基於MTT S5000全功能GPU和MUSA軟體棧取得的訓練成果。其中，MoE-236B基礎模型完成了從零開始的全流程訓練，北京大學EvoPhys團隊的EvoPhys-World 5D世界模型也在這套國產軟硬體體繫上完成原生訓練。
在小雷看來，摩爾線程的思路與本屆WAIC的核心也十分契合：未來評價一家AI晶片企業，看的不再只是單顆GPU的峰值算力，而是它能否完成大模型訓練、穩定生產Token，並最終支撐智能體進入真實行業。
摩爾線程展示的“三座AI工廠”，本質上也是國產算力從賣晶片走向賣生產力的一次轉變。
而在雲端大算力之外，本屆WAIC上還有大量採用Arm CPU配合NPU、AI協處理器的端側方案，比如搭載18核Arm Cortex-A78AE處理器的地瓜機器人RDK S600，端側推理算力最高達到560 TOPS；瑞芯微也展示了RK3588、RK3576主控與RK1828 AI協處理器組成的雙芯方案，用於本地運行輕量級大模型。
這些Arm架構晶片並不是為了取代昇騰或者崑崙，而是作為機器人、汽車等AI終端的本地“大腦”來運作，將需要即時響應的低算力任務放在本地，只有複雜的任務才會進入雲端。
這也是未來AI生態的最佳方案，由雲端超節點負責複雜訓練和高強度推理，Arm端側晶片承擔即時感知、隱私資料處理與低延遲決策，端雲結合的優勢遠大於純雲端或純本地。
AI下半場，拼的不只是性能
不管是超節點，還是定製化叢集方案，不難發現其核心都在於降低算力成本，而非追求極致的AI性能。為什麼大家現在都不提性能了？其實不是不提，而是性能的重要性已經讓位於成本和效率。
AI行業的競爭其實早已過了單純比拚模型性能的時候，隨著Agent應用落地的需求增加，成本已經成為所有企業最關注的數字。
而且，隨著Agent的普及，企業對於算力成本只會越來越敏感，那怕每百萬Token的成本只是降低幾分錢，放大到數千萬使用者的規模上，所帶來的收益都是巨大的。而且，更低的算力成本也會加速AI的落地，反過來倒推算力叢集的規模繼續增長。
對於晶片企業來說，這也是他們最願意看到的“正循環”過程。
逛完WAIC的算力與晶片展區後，小雷發現，本屆展會最明顯的變化，就是國產算力的競爭重心。去年，大家仍在強調單顆晶片的峰值性能和算力上限，但是到了今年，晶片性能雖然還是很重要，但如何提高利用率、降低Token成本已經成為更核心的問題。
而在繼續逛完智能體、機器人和AI終端等展區後，小雷也逐漸明白了這種變化的根源——Agent正在推動AI從“偶爾使用的工具”，變成可以持續工作的智能夥伴。與傳統的使用場景相比，Agent需要反覆呼叫模型，並且自主規劃任務和檢查結果，消耗的Token都是成倍增加。
所以，沒有足夠廉價、穩定的算力，再強大的Agent也很難真正普及。這正是超節點、萬卡叢集和端雲協同在本屆WAIC集體成為焦點的原因。它們要解決的並不只是“算力夠不夠”的問題，而是如何讓計算卡更高效地生產Token。
從這個角度來看，WAIC 2026展示的並不只是幾顆更快的國產晶片，而是一套正在成形的中國AI算力體系：雲端超節點負責複雜訓練與高強度推理，邊緣和端側晶片承擔即時感知與低延遲決策，模型、平台和應用則共同消化這些算力。
而這，就是中國AI產業在未來突圍的關鍵。 (雷科技)