近日，国产GPU厂商摩尔线程宣布，基于MTT S5000千卡智算集群的解决方案已在多个国家级智算中心完成规模化部署，并顺利通过大模型训练实测。据官方披露的数据，该集群在千卡规模下训练千亿参数级大模型时，线性加速比达到82%，整体训练效率较上一代产品提升约40%。这一进展标志着国产算力资源正从“单卡可用”加速迈向“集群好用”的新阶段。
摩尔线程MTT S5000是其面向AI训练的主力产品，采用7nm制程工艺，单卡FP16算力达到256 TFLOPS，显存容量为48GB HBM2e，显存带宽1.2TB/s。在集群互联层面，MTT S5000支持摩尔线程自研的MCCX（Moore Compute eXchange）高速互联技术，单链路带宽达400Gbps，配合优化后的集合通信库，可在千卡规模下保持较低的通信开销。摩尔线程方面表示，该集群已适配DeepSeek、LLaMA、Qwen等主流开源大模型框架，并完成了与PyTorch、Megatron-LM等训练框架的深度对接。
无独有偶，壁仞科技最新披露，其BR100系列GPU在智算集群场景中完成了新一轮优化，单集群最大支持规模扩展至3000卡，针对MoE（混合专家）架构的大模型训练场景，推出了定制化的通信调度策略，可将专家并行的通信延迟降低约30%。燧原科技则于近日发布了新一代训推一体芯片“燧原S60”，单卡FP16算力为192 TFLOPS，主打性价比与能效比，官方称在同等功耗下推理吞吐较上一代提升2.5倍，主要面向中小规模智算中心和边缘算力场景。
从“单卡参数”到“集群效率”，国产算力资源的竞争焦点正在发生明显转移。过去两年，业界关注的重点往往是单卡算力峰值与制程工艺，但在大模型训练的实际场景中，千卡乃至万卡集群的线性加速比、通信效率、框架适配度以及长期运行的稳定性，才是决定算力资源能否真正转化为生产力的关键。摩尔线程此次公布的千卡集群实测数据，其意义正在于此——它证明国产GPU在系统级工程能力上已具备支撑大规模训练的基础条件。
与此同时，算力资源的供给结构也在发生变化。最新统计显示，截至2025年第二季度，全国已建成和在建的智算中心超过300个，其中采用国产AI芯片的占比从2023年的不足15%提升至目前的约35%。在京津冀、长三角、粤港澳等算力枢纽节点，国产算力集群的部署节奏明显加快。中国电信、中国移动等运营商近期也加大了国产GPU集采力度，其中中国移动2025年AI服务器集采中，国产芯片占比要求已提升至40%以上。
不过，国产算力资源的大规模落地仍面临现实挑战。一方面，不同厂商的GPU在编程接口、算子库和通信协议上尚未形成统一标准，开发者在跨平台迁移时仍需承担较高的适配成本；另一方面，千卡以上集群的故障率与长期稳定性仍需在实际业务中持续验证。有智算中心运维负责人向记者表示，国产集群在连续满载运行72小时以上的场景中，偶发的卡间通信抖动仍是需要重点关注的运维课题。
对此，产业界正在推动协同破局。近日，由中国电子技术标准化研究院牵头，摩尔线程、壁仞科技、燧原科技等多家国产GPU厂商参与的《AI芯片集群互联接口规范》草案已进入意见征求阶段，旨在统一集群互联的物理层与协议层标准，降低多厂商异构混训的门槛。摩尔线程方面也透露，其MCCX互联技术已向合作伙伴开放，支持与部分国产GPU实现异构混训的初步验证。
从算力资源栏目观察，国产AI芯片正在完成从“能用”到“好用”的关键跨越。千卡集群的落地不是终点，而是国产算力真正进入大模型训练主战场的起点。随着互联标准逐步统一、框架生态持续完善，2025年下半年国产算力资源的规模化供给能力有望迎来新一轮跃升，值得持续关注。