IT时报记者 孙妍
10月12日至16日，2026中国国际工业博览会（以下简称“2026工博会”）在上海举行，首次设立国芯展，300多家半导体芯片全产业链企业参展。最直观的一大趋势是，国产芯片厂商正在密集布局超节点。
天数智芯展台的C位，立着天垓300 IXL144超节点。这一业界最高密度的单机柜GPU超节点首次亮相，将144颗GPU装进了一个机柜。
超节点已经从“造得出”转向“用得起”，但在实际落地前，企业要算清三笔账。
超节点从“造得出”转向“用得起”
算力需求暴涨是不争的事实。IDC报告显示，智能体进一步拉陡了算力需求曲线，2026年中国智能算力规模预计达2576.5 EFLOPS，同比增长87.9%。
但是，天数智芯副总裁郭为在接受《IT时报》记者采访时表示，要让企业从技术验证走向规模采购，先要帮他们算清三笔账：一是迁移账，已有的模型与代码是否需要推倒重写；二是机房账，是否要为整机柜专门改造供电、承重与散热，乃至新建机房；三是运营账，每百万有效Token的成本能否下降，算力能否按需扩展而不形成闲置。
迁移、机房与运营三笔账合在一起，衡量的是超节点的系统经济效能。郭为指出，能够规模铺开的超节点，需要同时具备更高的集成密度、对现有机房更友好、对已有代码更兼容，天垓300 IXL144就是沿着企业真实需求去设计的。
144芯装进单机柜的考验
天垓300 IXL144方案在单柜内集成144颗GPU与18颗CPU，配备约10.1TB显存。其价值不止于密度，更在于系统经济效能的整体改善。
主流整机柜超节点多采用专用整机柜形态，配套专属液冷与供电，往往要求“先建房、再上柜”，改造投入大、周期长。IXL144采用贴近常规机柜标准的单机柜形态，在供配电、承重与散热条件匹配时即可进入现有机房。结合灵活组网拓扑，可一次规划、分步扩展，避免一次性过度投入。
天数智芯自主通用GPU架构与自研软件栈兼容CUDA生态，支持企业复用已有模型、主流框架及开发经验，降低迁移工作量与上线成本。作为通用GPU，同一底座既承载大模型训练与推理，也支撑金融估值、科学智能等任务，区别于仅适配特定AI负载的专用芯片，迁移成本与上线周期相应下降。
怎么让144颗GPU协同如一？这就要考验互联能力。 IXL144支持高带宽整柜P2P互联、100ns级单跳时延、原生Load/Store与跨节点显存直访，将144颗GPU组成统一内存语义的高带宽域。约10.1TB显存为模型权重、MoE专家和长上下文KV Cache留出空间。模型所需并行资源更多在单柜内协同，高频All-to-All交互留在柜内、减少跨柜等待。
通过计算、互联与调度的协同，让同等投入转化为更多有效算力。据测算，IXL144每百万有效Token的成本较国际主流方案可降低40%。
天垓系列已实现万卡级规模部署，天数智芯由此打磨出了系统级交付与运维经验。从今年1月公布四代架构路线图，7月世界人工智能大会发布天垓300、效能对标并超越Hopper架构国际主流方案，到此次展出天垓300 IXL144，GPU能力正从单芯片延伸至整机柜，并在真实机房中持续迭代。
“超节点不是单一产品，而是一项系统工程，最终比拼的是系统经济效能。”天数智芯副总裁邹翾表示，“天垓300 IXL144只是天数智芯整套系统化超节点方案中率先推出的一个。面向不同算力规模、不同机房条件的完整产品布局已经形成，后续将在合适场合逐一呈现。”
端侧成为独立且庞大的算力层
随着AI从云端走向现场，算力需求正在分层：大规模训练与复杂复判集中在云端，而大量要求实时响应、涉及数据安全、需要现场闭环的任务，须在本地、在端侧完成。端侧不是云端能力的简单下放，而是一层独立且规模可观的需求。
然而，长期以来，端侧算力多由专用设备承载，工具链与算子支持有限，模型一旦更新或规模增大，就可能难以移植，设备也容易成为算力孤岛，难以承接持续演进的模型与现场任务。
由云端GPU厂商来做端侧，可以将云端能力自然下沉。一是把云端成熟的通用GPU架构与完整软件栈带到端侧，使端侧能够持续运行更新、更大的模型，而不受制于薄弱的端侧工具链；二是云端与端侧同源，模型在云端训练、端侧部署、云端复判之间顺畅流转、精度对齐，现场场景中“边缘初检、中心复判”的协同正建立于此；三是端侧产品跟随云端同代路线图演进，叠加本地化交付，客户的端侧投入同样具备长期延续性。
“我们几乎跟主流的具身智能企业都有合作。”郭为透露。彤央就是机器人的“大脑”，提供模型运行与实时推理能力，显著提升机器人的智能水平。
落地超1000个项目之后
“天数智芯已经落地部署超过1000个项目，服务30多个行业的380多家商业化客户。”郭为强调，算力的价值，最终由生产环境中的实际成效来检验。
在工博会现场最受关注的工业领域，中控技术TPT时序大模型应用一体机经过层层打磨而生。天数智芯基于天垓系列产品接入客户自研工业计算引擎，开展TPT训练与微调测试及自研算法全量性能验证，并基于vLLM完成双卡27B通用大模型推理部署、验证KV Cache三级缓存优化方案，为生产工艺优化、运行状态预测与操作辅助等应用提供算力支撑。
在金融行业部署AI算力，必定会面临的挑战是高并发响应延迟要求高和迁移适配复杂。在一家头部银行中，天数智芯国产GPU最能发挥计算性能优势的场景之一是期权定价，最能发挥并行计算潜能的是金融产品估值，100万行数据下曲线插值较CPU方案加速约4倍，显著提升运算效率。
矿山井下风险点多，多矿点难以集中核验。面对这些挑战，天数智芯单机4张智铠100X实现50路1080P视频实时处理，告警带画面、跨矿点集中核验。天数智芯联合百度一见平台，将违规行为识别准确率提升至85%左右。
城市治理的起点往往是让海量摄像头“会思考”，让长尾事件“被发现”。在交通领域，面对抛洒物、事故等长尾事件样本少、全量复核人力负担重的挑战，天数智芯联合开云智联，将大模型核心事件阶段测试准确率提高至90%以上，目标平均发现时间小于1分钟。
在医疗领域，针对临床信息查阅负担重、病历质控与医保审核占用人力、AI难以接入业务流程的困局，天数智芯与卫宁健康合作实现病历缺陷边写边提示、9大类医保规则实时审查，以及7×24小时ICU辅助临床决策。
1000个项目落地后，通用软件栈持续演进并承接CUDA生态，企业既有的模型与开发成果得以降低复用、迁移的工作量。企业能够以熟悉的真实业务负载评估超节点的性能，验证结果也更贴近生产。
