十万卡，不是把十万张GPU插在一起

十万卡这三个字，最近出现得有点密。

听上去像个数量问题——把一万张卡的做法放大十倍。但真做过集群的人知道，规模每上一个台阶，麻烦不是按比例增加，而是换一种方式出现。

一座城市不是许多栋楼相加。楼可以一栋一栋盖，盖到一定程度，问题会从"楼本身"转移到"楼之间"：路网够不够，水电气怎么供，出了事谁管。

十万卡集群也是这个道理。

万卡规模的时候，少数节点故障、偶发的通信拥塞、调度排队，靠人工还能兜住。但到了十万卡，卡数越多，节点故障、通信拥堵、数据供给、任务调度和能源管理等问题就越容易被放大，任何一环没处理住，损失的不是一张卡，而是一整片算力。

所以十万卡的难点在于是否"靠得住"。

衡量一套集群，外行看装了多少张卡。内行看另一组数——这些卡里有多少算力，能长期稳定地交给模型去跑。

摩尔线程披露过的万卡级实践里，有几个数字值得关注：

· 线性扩展效率最高达到95%

· 有效训练时间占比超过90%

· 支持长时间训练和断点续训

· 覆盖通信、调度、故障诊断和恢复

· 已经进入Dense、MoE等大模型训练场景

这几条放在一起，说的是同一件事：摩尔线程超高的稳定性。

线性拓展效率最高达到95%，展开解释一下就是给多少卡就会用上多少卡，近乎不会有“摸鱼”的卡。而断点续训能跑通，意思是一次中断不会让前面的工作白费——这一条在十万卡上比在万卡上重要得多，因为规模越大，中断越频繁，从头再来的代价越贵。

这里要区分两件事。

MTT S5000提供的是基础计算能力，这是集群的地基。但地基不会自动变成楼。把大量GPU组织成一套能运行真实任务的智算系统，靠的是夸娥。

互联怎么搭、任务怎么切、通信怎么排、卡间调度、出故障后怎么诊断、诊断完怎么恢复——这些活没有一样是芯片自己能干的。集群从"硬件"变成"生产力"靠的是夸娥集群。再往外一层是软件生态：芯片和集群再强，开发者写不进代码、模型搬不过来，系统也转不起来。而摩尔线程的MUSA生态目前已有超80万的生态开发者，和国内主流大模型完美兼容。

摩尔线程面向十万卡扩展给出的布局是C256超节点架构，这是从万卡继续向上时，互联与拓扑层面要提前做的准备。

这类问题的答案，通常不在单卡的规格表里。它更像修路——路修得对不对，要等车流量上来才知道。

直接原因是需求端变了。前两天，京东云宣布与摩尔线程共同打造国产十万卡级全功能GPU集群。

这条消息值得注意的不是数字本身，而是一个信号：头部云厂商开始把国产GPU放进超大规模核心算力基础设施的规划里。接下来被追问的自然是供给端——谁能把十万卡组织起来，并且跑稳。

国产GPU过去几年的考验一直是"能不能做出一张不错的卡"，这个问题已经有了阶段性答案。而下一道考题：谁能组织和运营十万卡级的算力，摩尔线程已经提前交卷——从S5000这样一颗算力芯片，到夸娥把大量GPU组织成能跑真实任务的系统，再到面向十万卡的C256超节点，它给出的已经不只是芯片，还有MUSA软件生态、工程交付，以及把算力真正用起来的系统能力。

推荐