两台机器，一条线的两端

在 2026 人工智能计算大会（AICC 2026）上，浪潮信息发布了两款产品：面向前沿模型运行的元脑 SD200 Ultra 超节点 AI 服务器，和面向大规模推理的元脑 HC2000 多元算力机组。前者要回答「单机能不能装下一个大模型」，后者要回答「同样的钱能产出多少 token」。

SD200 Ultra：把通信时延压下去

  • 以 128 颗国产 AI 芯片紧耦合对称直连，通信时延 0.69 微秒；
  • 单机可运行总参数量 2.8 万亿的 Kimi K3；
  • Token 生成时延降到 5.85 毫秒以内，相当于单用户约 170 tokens/秒，官方称约为业界平均水平的 5 倍；
  • 整机 8TB 带宽、64TB 内存，官方称可支持 10 万亿参数规模的前沿模型单机运行。

这类超节点的思路是把「一群机器互连」变成「一台机器内部互连」：通信时延降一个数量级，长上下文与 MoE 路由带来的全局通信开销就不再是主导项，这也是它敢报单机 2.8 万亿参数的底气。

HC2000：把每块钱的 token 产出抬上去

HC2000 走的是另一条路：DirectCom 2.0 极速架构搭配高密液冷 AI 整机柜（300 千瓦级），再用 MCIS 推理软件栈按负载动态匹配算力。官方给的数字是，在典型 Agent 任务场景下与单一算力构建的推理系统相比，同等 SLO 约束、同等投资可实现 10 倍的 Token 产能提升。注意这两个前提——同等 SLO 与典型 Agent 任务——换成你自己的负载，比例会变。

为什么这次把「时延」单独拿出来说

训练时代看算力总量，智能体时代看「每一步要等多久」。一个工具调用型任务由几十上百步组成，单步延迟从几十毫秒压到几毫秒，累积到任务层面就是可做与不可做的差别；也正因为如此，这一代算力产品普遍开始报 token 时延，而不是只报卡数与算力。

算力采购的比价口径正在从「每卡多少钱」转向「每千次任务调用多少钱」，这一转变会淘汰一批只在峰值算力上好看的方案。