阿里云计划建 50 万卡广域超节点集群：1GW 算力、6 微秒通信延迟

国产替代智算网络算力基建芯片与算力推理优化模型蒸馏训练引擎长上下文MoE架构

2026-09-22 15:13

40 浏览

0 点赞

AI 速览

阿里云在2026云栖大会公布50万卡广域超节点集群计划，目标支撑十万亿级MoE模型训练，面向企业智能体规模化落地。核心事实 - 算力规划：计划构建50万卡广域超节点集群，算力达1GW，通信延迟目标6微秒 - 技术底座：采用自研真武V900芯片、NPO光模块、HPN 8.0网络与CPFS存储系统 - 训练目标：支持十万亿参数MoE模型，五天完成SOTA模型后训练，每秒生成4.5万Token - 企业落地：目标千万级智能体部署，单任务人工介入<1次，智能体运行成本降70% - 平台支撑：PAI平台集成数据回流、自训练能力，OpenLake与LakeBase优化数据管理避坑提示 - 所有性能指标（如6微秒延迟、1GW算力）均为厂商目标值，非已验证实测数据 - 未披露测试环境与基线对照，实际效果需待工程落地验证价值点为关注大模型基础设施演进和企业智能体部署成本的技术决策者提供前瞻性技术路线参考。

9月22日消息，阿里云智能集团 CTO 李飞飞在2026云栖大会主论坛的演讲中给出下一步的算力计划：结合真武 V900 构建 50 万卡广域超节点集群，对应算力规模可达 1GW，目标做到 200Pbit/s 通信带宽与 6 微秒通信延迟。他给出的用途是训练 10 万亿甚至更高参数的 MoE 模型。

50 万卡、1GW、6 微秒

三个指标指向同一件事：把集群规模继续放大，同时不让通信把算力等掉。50 万卡对应 1GW 的算力规模；200Pbit/s 是目标通信带宽；6 微秒是目标通信延迟。

配套的技术方案分三块。光互联侧，阿里云自研可扩展的 NPO 光模块，用于广域超节点之间的高速光通信。网络侧，下一代的 High Performance Network 8.0 面向 scale-out 网络，支持 800Gbps 带宽与多路径路由。存储侧，自研的 CPFS 存储节点支持单集群做到 PB 级容量与 22TB/s 的吞吐。李飞飞称，整体 TCO 的优化幅度可达 70% 甚至更高。

已经落地的一代给出的是另一个形态。灵骏智算集群从裸金属演进到超节点：在一个机柜内共享内存，用全互联的架构把卡间互联性能在机柜内拉到较高水平，支撑当前模型的训练。

训练路线换台阶

李飞飞把生产智能这一侧的挑战归到四处。模型参数从万亿级 MoE 向十万亿级 MoE 演进；训练框架从预训练走向面向智能体的后训练，下一步是 RSI（递归式自我改进）；这类训练需要 Agent Serving 具备毫秒级弹性与百万级并发；集群规模则要从万卡级迈向十万卡级，再到百万卡级。

支撑这些环节的是 PAI 平台。他给出的口径是：五天完成一个 SOTA 模型的后训练，每秒生产 4.5 万 Token，日均处理 200TB 的 Trace 数据。这一层的下一步是支持数据回流与自训练，向自我迭代的训练结构演进。

企业侧的四个目标与垫在下面的指标

面向企业落地，李飞飞给出四个可以检验的目标。单任务非计划人工介入的次数小于 1 次；智能体的运行成本下降 70%；从单点实验走向基础设施，对应 300 万家中小企业每家有 10 到 100 个智能体，总量为千万级；从单个智能体走向多智能体协同，企业在智能体工作流里的渗透率做到 50% 或更高。

这些目标下面垫着一组产品指标。沙箱侧，冷启动拉起小于 180ms，深休眠状态下的恢复小于 600ms，单 region 一分钟可瞬时创建 10 万个以上沙箱。存储侧，一个智能体空间每秒可创建十万个小文件，支持 5000 亿次文件读写，并在多个智能体之间做文件系统、计算与存储资源的多维隔离。推理侧，KVCache 命中率可达 99% 或更高，远端 KVCache Store 把存储池化后容量成本降到三十分之一，首 Token 时延优化提升 50% 以上，在 PD 分离架构下有效带宽提升两到三倍。认证侧，Agent Identity 打通阿里云上 300 多个云产品。

数据一侧给的是 context 工程的口径：OpenLake 全域多模态数据湖仓使数据平台的资产管理成本下降 40% 或更高；LakeBase 把数据湖与数据库结合，让数据资产可以像代码库那样分支、分叉与回滚，版本管理做到亚秒级；面向智能体的 context 能力在生成 context、ontology 与知识库上的效率提升 50% 或更高。

好文章，需要你的鼓励

# 报错信息分析与调试指南 ## 任务说明请分析用户提供的报错信息，推测可能的错误原因，并提供系统性的调试步骤。 ## 分析要求 1. **错误类型识别** - 确定是语法错误、运行时错误、逻辑错误还是环境配置错误 - 识别具体的错误类别（如空指针、数组越界、类型不匹配等） 2. **原因推测** - 基于错误信息中的关键线索进行合理推断 - 考虑常见的导致此类错误的编程场景 - 分析可能的代码问题或环境问题 3. **调试步骤** - 提供从简单到复杂的逐步调试方法 - 包括代码检查、日志添加、环境验证等具体操作 - 给出预防类似错误的最佳实践建议 ## 输出格式 - **错误类型**：[具体的错误分类] - **可能原因**： 1. [原因1] 2. [原因2] 3. [原因3] - **调试步骤**： 1. [步骤1] 2. [步骤2] 3. [步骤3] 4. [步骤4] - **解决方案**：[具体的修复建议] ## 示例 **输入**：【报错信息】 ``` TypeError: Cannot read property 'length' of undefined at processData (app.js:25:18) at main (app.js:10:5) ``` **输出**： - **错误类型**：运行时错误 - TypeError - **可能原因**： 1. 变量未正确初始化就被访问其 length 属性 2. 函数参数传递了 undefined 值 3. 异步操作中数据还未加载完成就尝试访问 - **调试步骤**： 1. 检查 app.js 第25行附近的变量声明和赋值 2. 在访问 length 属性前添加类型检查：`if (variable && variable.length)` 3. 使用 console.log() 输出相关变量的值确认其状态 4. 检查函数调用时传入的参数是否正确 - **解决方案**：在访问对象属性前先验证对象是否存在，或确保变量在使用前已被正确初始化。