模型发展的两极化趋势已经愈发明显，一方面，在企业级应用侧，小参数模型成为应用落地的最佳选择；另一方面，通用大模型的参数正在不断攀升，大模型已经进入了万亿参数时代。

当前，MoE（MixtureofExperts）高效模型架构正在驱动大模型参数规模持续提升，比如采用MoE混合专家架构的KIMIK2开源模型，其总参数量达1.2万亿，但每个Token推理时仅激活32B参数。

算力系统面临挑战

随着模型参数的不断增加，万亿参数模型时代已经到来，无论是KIMIK2，还是GPT、Grok，参数量都已经发展到万亿阶段，而万亿参数的模型也对算力系统架构提出新的挑战。

首先要面临的就是庞大算力需求。万亿参数模型的训练需要极高的算力支撑。以GPT-3为例，其1750亿参数的训练量相当于在2.5万张A100GPU上运行90-100天。万亿参数模型的算力需求可能达到数十倍，传统计算架构难以满足。

同时，模型并行和数据并行的分布式训练虽能分摊计算压力，但跨节点的通信开销（如梯度同步）会显著降低算力利用率。例如，GPT-4训练的算力利用率（MFU）仅为32%-36%，主要受限于显存带宽导致的“内存墙”问题。

此外，超大规模MoE模型的训练稳定性也是不小的挑战。参数规模和数据体量的激增会导致梯度范数频繁突刺，影响收敛效率。同时，模型参数量的增加以及序列长度的增加将会带来KVcache（键值缓存，Transformer架构大模型在推理过程中常用的一种优化技术）,数量的激增，尤其是序列长度的增加可能会带来指数级的KVcache存储空间的需求。

以FP16格式计算，万亿参数模型仅权重就需约20TB显存，加上KVcache、激活值等动态数据，实际内存需求可能超过50TB。例如，GPT-3的1750亿参数需350GB显存，而万亿参数模型可能需要2.3TB，远超单卡显存容量（如H100的120GB）。此外，长序列（如2000KTokens）的训练会使计算复杂度呈平方级增长，进一步加剧内存压力。这些需求远超过了传统AI服务器的显存能力极限，亟需构建具有更大显存空间的计算系统承载，才能解决模型“放得下”的问题。

此外，MoE架构的路由机制容易导致专家负载不均衡，部分专家因过度使用成为计算瓶颈，而其他专家则训练不足。具体来看，传统局部负载均衡损失（Micro-batchLBL）会阻碍专家领域特化，因为单个Micro-batch的数据分布往往单一。

对此，阿里云提出了全局负载均衡损失（Global-batchLBL），通过跨Micro-batch同步专家激活频率，在保障全局均衡的同时允许局部波动，显著提升了模型性能（平均PPL降低1.5个点）。

此外，当大模型技术方向逐渐从训练转向推理场景，清程极智CEO汤雄超在WAIC2025期间曾向笔者表示，AI技术的主要方向，已经从预训练转向了后训练及推理阶段，“算力需求也正在从训练侧，转向推理侧。”汤雄超指出。

大模型推理属于敏感型计算，对分布式计算通信延时要求很高，以MoE架构模型为例，其分布式训练涉及大量跨设备通信，如Token分发与结果聚合，通信时间占比可高达40%。浪潮信息副总经理赵帅表示，在此背景下，企业需要构建更大ScaleUp高速互连域。

总体来看，赵帅告诉笔者，万亿模型对算力系统也提出了很大挑战，“企业需要具有更大显存空间、更大高速互连域、更高算力的超节点系统支持。”赵帅指出。

构建大规模ScaleUp系统或是最优解

面对算力需求的增加，以及新需求所带来的挑战，传统ScaleOut集群通过增加节点数量扩展算力，但节点间通信瓶颈（如InfiniBand的10微秒时延）在万亿参数模型训练中被无限放大。单节点已经不能满足超大规模参数模型的训练需求，ScaleUp系统通过超节点技术，将数百颗AI芯片封装为统一计算实体，实现跨节点通信性能接近节点内水平。

从大模型应用角度出发，面对单点算力/显存的天花板，构建大规模ScaleUp系统，通过并行计算技术（如专家并行、张量并行）将模型权重与KVCache拆分到多个AI芯片上协同工作，在赵帅看来，这种路径是解决万亿参数模型计算挑战的唯一可行路径。“我们需要构建大规模、高集成度的ScaleUp系统，通过紧密耦合大量的AI芯片形成单一高速互连域，才能汇聚起超大显存池以承载模型，并通过优化互连拓扑与协议实现芯片间超低延迟、高带宽通信，从而满足万亿模型推理‘放得下、算得快’的要求。”赵帅指出。

通过ScaleUp系统的方式，已经成为未来万亿参数模型的必然趋势，对于万亿大模型推理，不仅需要构建更大的显存空间，还需要实现卡间超低延迟的互连，构建更大的scaleup高速互连域。

除了构建庞大的系统之外，多芯片协同也是目前企业较为常用的一种方式，将多枚芯片封装到一个计算带上，缩短芯片间的距离，以实现更高的性能。

针对此，服务器厂商也在寻找新的技术方向，以满足客户在超大规模参数模型训推方面的需求。以浪潮信息为例，在近日举办的2025开放计算技术大会上，浪潮信息就发布了面向万亿参数大模型的超节点AI服务器“元脑SD200”。赵帅向笔者介绍道，该产品基于浪潮信息创新研发的多主机低延迟内存语义通信架构，以开放系统设计聚合64路本土GPU芯片。

具体来看，此次发布的元脑SD200在可单机运行1.2万亿参数KimiK2模型的同时，还支持DeepSeek、Qwen、GLM等模型同时运行，并支持多Agent协同按需调用。“构建具有更大显存空间、更大scaleup高速互连域，以及更高算力的超节点系统，应对万亿模型的算力挑战。”赵帅与笔者分享了浪潮信息推出元脑SD200的“初心”。

从系统开放协同角度出发，元脑SD200基于全局路由自动构建技术，得以实现64卡P2P全互连与业务感知的拓补动态切换，并配合多层级通信机制，降低了AllReduce/AllGather时延。

与此同时，依托开放PD分离框架，支持异步KVCache高效传输与差异化并行策略，在提升业务SLO的同时保持对多元算力的兼容性，实现计算与通信架构的深度协同优化。

从架构创新角度出发，元脑SD200采用了多主机3DMesh系统架构，基于OpenFabricSwitch实现64路GPU高速互连。面对为何选择创新性的3DMesh系统架构的提问，赵帅表示，3DMesh系统架构能够让服务器拥有一个更大的、统一地址的显存空间，“通过3DMesh系统架构，将原先单机8卡全互连拓展到了多机，跨域互连。”赵帅指出。

从应用角度出发，随着推理场景的不断发展，对低延迟的要求也越来越高，这也导致了ScaleUp会成为接下来技术重点发展的方向，“ScaleOut技术已经相对成熟，同时，在推理场景中，ScaleUp是首先需要解决的问题，这也让ScaleUp成为未来大模型技术发展重点探索的领域，”赵帅进一步指出，“但这也并不意味着ScaleOut就不适用了，ScaleUp与ScaleOut会保持同步前行的状态。”

软硬协同是关键

ScaleUp的发展除了硬件架构的变革之外，也离不开软件系统的搭建，只有做好软硬协同，才能激发芯片更大的潜能，提升算力利用率。

当前，软硬协同是解决万亿参数大模型算力瓶颈的核心路径，其本质是通过软件层深度适配硬件特性、硬件层针对性支撑软件需求，实现“1+1>2”的效率跃升。

硬件能力的释放需软件层深度适配，比如，字节跳动COMET技术通过动态KV缓存重组，将MoE模型的通信延迟从0.944秒降至0.053秒，使超节点硬件利用率突破90%。若缺乏软件优化，即使硬件带宽提升10倍，实际通信效率可能仅提升2-3倍。

基于此，赵帅表示，通过多年，历经从实验室到应用，再到用户POC的过程，浪潮信息发现，软件在超节点复杂的系统中，发挥着重要的作用，“当scaleup链路复杂程度逐渐升高之后，就更需要对其进行更为细致的监控和管理，”赵帅进一步指出，“这种监控和管理与之前单机内的监控管理相比，复杂度更高，同时还需要在上层实现匹配创新系统架构的应用框架。”

以此次浪潮信息发布的元脑SD200为例，其中就针对3DMesh系统架构开发了一套PD分离框架，但受限于PD分离技术定制化程度高、开源方案经验少等特点，赵帅表示，在整体开发过程中，还是经历了很长的POC环节，才将软硬协同做到最优。

除此之外，数据中心就像一枚硬币，一面是要面对日益增加的单机柜功率，另一面是要有序推进碳中和进程，如何平衡好硬币的两面，也是当前企业需要考虑的因素。尤其是使用超节点，其功耗密度已达兆瓦级（如万卡集群功耗>10MW），软硬协同是破局关键，若软件未适配硬件的动态功耗调节，可能导致芯片长期处于高功耗状态，甚至引发过热降频。

阿里云增长提速，技术团队披露背后原因　　界面新闻记者|肖芳　　界面新闻编辑|文姝琪　　“目前AI大模型还没有大范围落地，面临的挑战包括任务处理的确定性、处理过程的可视化以及性价比等三个方面。模型能力和AI使用方法的每一次跃升，都会带来至少10倍的增长