国内首次！8.9毫秒推理速度破纪录，1元打穿百万token

Agentic AI时代，已经到来！

英伟达GTC大会上，老黄公开表示，当AI具备了感知和推理能力时，智能体AI就诞生了。

「它如同数字世界的「机器人」，本质是理解-思考-行动」。

当前，AI智能体革命已至临界点。国内外科技巨头纷纷加速布局，全力争夺这一赛道主导权。

据Gartner预测，到2028年，AI智能体将参与人类约15%的日常工作决策。

Georgian报告也显示，如今，91%的企业研究主管正计划在内部铺开Agentic AI的落地应用。

然而大规模部署之前，「交互速度」与「成本控制」仍是横亘在许多企业面前的两大关键挑战。

这里有简单的一个案例，就足以说明一些问题。

国外一支开发团队基于Azure的OpenAI服务，构建了一个智能体。然而，随着时间的推移，响应变得越来越慢，一次简单查询耗费10秒以上。

当他们用OpenAI API测试完全相同的提示词后发现：OpenAI响应时间为1-2秒，Azure则需要5-10秒。

同一款模型，同一个提示词，却有五倍差异。

要知道，智能体的交互速度，直接决定了用户体验的质量。如今，人们对AI响应速度的期待，已从「秒级」进化到「毫秒级」。

不仅如此，成本又直接决定了智能体产业化的可行性。多智能体的协作，对低延迟和token消耗又提出了更高的要求。

分毫必争的响应速度，决定了人们是否愿意买单；而真金白银的投入，则决定了企业能否持续推动AI智能体落地。

那么，如何才能既要又要呢？

在2025人工智能计算大会上，浪潮信息重磅发布了两大破局创新系统：元脑SD200超节点AI服务器，以及元脑HC1000超扩展AI服务器。

• 在元脑SD200上，DeepSeek R1大模型的Token生成速度飙升至8.9毫秒，创下国内LLM推理的最快纪录，首次将智能体实时交互带入「10毫秒」时代。

• 在元脑HC1000上，LLM的推理成本被前所未有地压缩至「1元/百万Token」，彻底击穿规模化部署的成本天花板。

Scaling Law下一站：AI智能体爆发

2025年，大模型的Scaling并未放缓，而是进入了一个全新的阶段。

Scaling Law的焦点，早已从「预训练」转向了「推理」。

从o3、Gemini 2.5，到Grok 4、GPT-5，全球顶尖AI不断迭代，每一次发布都刷新了以往SOTA。

这一演进的节奏仍在加速。爆料称，谷歌Gemini 3.0、OpenAI Sora 2都将于十月初面世。

反观国内，DeepSeek R1/V3.1-Terminus、Qwen家族等开源模型，月更、周更已成为常态。

在能力边界上，LLM正从纯文本，走向了融合视觉、听觉的多模态模型，并逐步演变为一个底层「操作系统」。

可以预见，AI能力将依旧会指数级增长——

LLM性能越来越强，所处理的任务长度和复杂度，也在不断提升。

我们看到，Scaling Law推动的模型参数量，从百亿千亿向万亿、甚至百万亿迈进。

与此同时，在后训练阶段增加算力投入，可显著提升LLM推理能力。

为何这一转变如此重要？因为「推理」是构建Agentic AI的基础。

众所周知，2025年，是「智能体元年」。作为LLM的核心应用形态，智能体落地进入了爆发期。

在这一赛道上，谷歌、OpenAI、Anthropic等巨头竞相布局。

比如，OpenAI的「编码智能体」GPT-5-Codex深受开发者欢迎；另外，还有正在内测的「GPT-Alpha」，具备高级推理、全模态，可以调用工具。

然而，AI智能体的产业化落地并非易事。

能力、速度和成本，成为了当前AI智能体产业化决胜的「铁三角」。

AI不再局限于技术演示、实验，而要深入场景，成为创造可衡量价值的核心生产力。

这意味着，商业成功的核心已从单纯追求模型能力，转向对能力、速度、成本三者的综合平衡。

交互速度：决定智能体的商业价值

在智能体时代，速度不再是锦上添花，而是生存底线。token的吞吐速度，已成为AI应用构建的「隐形计时器」。

在人机交互时代，我们对AI延迟感知不强，只要响应速度跟上人类阅读思维即可。

一般来说，只要满足20 token/s输出速率，就能实现流畅的阅读体验。

而现在，AI的游戏规则彻底改变。

交互主体不再是「人-机」对话，而是「智能体-智能体」的高频博弈。

延迟哪怕是几毫秒，也可能导致决策失效。而且，在规模化商业部署中，这种差异会被无限放大，形成「以快杀慢」的绝对碾压。

智能体间交互，多为「小数据包」高频通信。这好比修了16条车道高速公路，AI只跑两公里，巨大的带宽对于小包传输如同虚设。

而传统通信协议「上下高速」的过程，反而成了主要耗时。

延迟是会层层累加的。当前智能体仅是初露锋芒，未来互联网将由它们主导协作。

每一个交互环节的微小延迟，都会在复杂的协同网络中呈指数级放大，最终导致整个应用响应慢到无法接受。

如果延迟无法降低，那就失去了商业化的可能性。

举个栗子，在欺诈防控场景中，对智能体响应速率提出了极限要求——约10毫秒。

当前，DeepSeek响应速度基本在10-20毫秒左右，其他的普遍高于30毫秒。这远不足以支持AI的高频交互。

token成本：规模化的生死线

此外，token成本，是智能体能否实现规模化扩张，并且盈利的关键。

即便模型能力卓越，若token成本无法控制在合理范围内，高频、并发的实际应用，将难以持续。

一方面，LLM存在着「token膨胀」效应：推理前思考过程已产生上千万token。一个复杂任务，直接让token成本指数级暴涨。

那么，是什么原因导致token思考数暴增？

首先必须承认的是，模型本身算法能力差异是影响因素之一。

不同LLM在设计和训练过程中，算法架构和优化策略各有优劣，而优化程度更高的LLM可通过更高效推理路径，在较少token消耗下完成相同的任务。

其次，底层计算架构选择路径等，也会进而影响token成本。

因为LLM运行有依赖于底层的计算架构，包括硬件加速器、分布式计算框架等等。

若是计算架构无法高效支撑LLM推理需求，比如在分布式系统中存在通信瓶颈或计算资源分配不均，LLM可能需要生成更多token「绕路」完成任务。

当前，在做AI Coding的程序员，每月消耗token数比一年前平均增长约50倍，达到1000万-5亿token。

企业每部署一个智能体，平均token成本大概1000-5000美元。未来五年，token消耗预计增长100万倍。

可见，不论是速度，还是成本，都成为AI智能体商业化落地的最大挑战。

面对这个难题，我们该如何解？

两大核心方案，拿下速度成本难题

浪潮信息，同一时间给出了两大解决方案——

元脑SD200超节点AI服务器  

元脑HC1000超扩展AI服务器

元脑SD200

若要实现更低延迟token生成能力，就需要在底层基础设施，比如架构、互联协议、软件框架等关键点上，实现协同创新。

浪潮信息新的突破，在于元脑SD200超节点AI服务器。

如前所述，DeepSeek R1在元脑SD200上token生成速度实现了8.9毫秒。

目前，最接近的竞争对手，最好的数据是15毫秒。这是国内首次将智能体实时交互，带入到10毫秒时代。

为何元脑SD200能够取得如此大的速度突破？

这背后离不开团队，融合了智能体应用和超节点开发的技术成果。

· 首创多主机3D Mesh系统架构

它可以实现单机64路本土AI芯片纵向扩展（Scale Up），提供4TB显存和6TB内存，构建超大KV Cache分级存储空间。

而且，单节点即可跑4万亿参数LLM，或同时部署多个协作的智能体。

此外，在硬件设计上还支持了「开放加速模组」（OAM），兼容多款本土AI芯片。

· 跨主机域全局统一物理地址空间

团队还通过远端GPU虚拟映射技术，突破了跨主机域统一编址的难题，让显存统一地址空间扩展8倍。

它还支持拓扑动态伸缩，可按需扩展128、256、512、1024卡的规模。

通过Smart Fabric Manager，元脑SD200实现了单节点64卡全局最优路由，保障了芯片间通信路径最短，进一步缩短了通信延迟。

最重要的是，互连协议的设计，是元脑SD200实现极低延迟的关键。

首先，团队采用了基建的协议栈，只有物理层、数据链路层、事务层三层协议，原生支持Load/Store等「内存语义」，GPU可直接访问远端节点的显存或主存。

并且，基础通信延迟达到了「百纳秒级」。

其次，浪潮信息Open Fabric原生支持由硬件逻辑实现的链路层重传，延迟低至微秒级。

不依赖OS、软件栈，它就能匹配更低延迟、更高吞吐的AI推理场景。

元脑SD200还采用了，分布式、预防式流控机制，无需丢包或ECN来感知拥塞。

得益于以上高效、可靠的协议设计，元脑SD200实现了业界最低0.69微秒通信延迟。

当然了，超节点的大规模商业化应用，还必须依靠整机的高可靠的设计。

为此，浪潮信息从系统硬件层、基础软件层、业务软件层，构建了多层次、可靠的保障机制。

• 系统硬件层：全铜缆电互连，短距离紧耦合传输，每十亿小时故障率低于「光模块互联」方案100倍

• 基础软件层：创新GPU故障信息转储、跨域故障关联定位等技术，实现全方位可观测、全栈运维自动化

• 业务软件层：基于Profiling性能数据启动故障预隔离和任务自动迁移，保证业务故障预测与自愈，实现推理响应不中断

在元脑SD200上，团队还非常强悍地实现了推理性能超线性扩展。这意味着，性能的提升幅度超过了资源投入的增加幅度。

以DeepSeek R1-671B为例，从16卡扩展到64卡，实现了16.3倍超线性的扩展率！

具体来看，元脑SD200将这件事做到了极致的完美：

通过PD分离策略、动态负载均衡等技术，充分发挥出了超节点的架构优势，让系统内部的处理流程变得极其高效，资源竞争和拥堵被降到最低。

最终，将通信耗时控制在了10%以内。

可以设想，在实际高并发场景下，当请求量急剧攀升时，系统能够高效地将负载均匀分布至各个计算单元，避免了个别节点的「拥堵」拖累整个系统的响应时间。

这意味着，无论是第1个请求，还是第100万个请求，都能获得同样稳定且低水平的延迟。

既能「跑得快」又能「跑得多」，保证绝对极致的低时延，这就是实现规模化的生命线！

基于软件生态FlagOS，元脑SD200还能继续兼容更大的生态，主流代码即可直接编译运行。

当前，元脑SD200已实现对Pytorch算子的全覆盖，AI4S的典型应用可以一键迁移。

如下所示，64个AlphaFold 3蛋白质结构预测，即可在一台元脑SD200超节点AI服务器同时运行。

速度挑战解决之后，token成本又该怎么打下来？

元脑HC1000

为此，浪潮信息给出的答案是——元脑HC1000超扩展AI服务器。

它基于全对称DirectCom极速架构打造，能够聚合海量的本土AI芯片，支持极大的推理吞吐。

对于一个企业来说，在起步探索、POC阶段，平台通用性更加重要，可以快速验证想法，抢占市场先机。

这对其创新、迭代的速度，至关重要。

但当它进入大规模部署阶段，即应用被市场验证，token调用数呈指数级增长是时，核心目标又转变为——高效、低成本运营。

而元脑HC1000，就能把推理成本打到最低1元/百万token。

· 全对称DirectCom极速架构

DirectCom极速架构，每计算模组配置16颗AIPU，采用了直达通信的设计，解决了传统的服务器架构下，协议转换和带宽增强问题，实现了超低延迟。

计算通信1:1均衡配比，实现了全局的无阻塞的通信。

传统意义上，计算与通信是互斥关系，计算时不会传输，计算完成后再传。

当前，有很多将计算和通信结合的策略，主要是把原来在传过程，针对GPU等待时间做优化。

除此之外，还包含了许多细粒度的任务，比如不同模型架构，不同并发情况，通信数据块大小和通信策略都要优化，才能提升效率。

HC1000还采用全对称的系统拓扑设计，可支持灵活PD分离、AF分离，按需配置算力，最大化资源利用率。

它还支持多元算力，让不同的芯片协同工作。

· 超大规模无损扩展

同时，HC1000支持超大规模无损扩展，实现从1024卡到52万卡不同规模的系统构建。

计算侧支持DirectCom和智能保序机制，网络侧支持包喷洒动态路由，实现了深度算网协同，相较传统RoCE方法提升1.75倍。

它还支持自适应路由和智能拥塞控制算法，将KV Cache传输对Prefill、Decode计算实例影响降低5-10倍。

总结来看，元脑HC1000是通过「全面优化降本」和「软硬协同增效」，实现了高效token生产力。

它不仅创新了16卡计算模组，单卡成本暴降60%+，每卡分摊系统均摊成本降低50%。

而且，它采用了大规模工业标准设计，降低了系统复杂度的同时，还提高了系统可靠性，无故障运行时间大幅延长。

系统采用的DirectCom架构保障了计算和通信的均衡，让算网协同、全域无损技术，实现了推理性能1.75倍飙升。

通过对LLM的计算流程的细分和模型结构的解耦，实现了计算负载的灵活的按需配比。

单卡MFU计算效率，最高可以提升5.7倍。

元脑SD200+元脑HC1000，成为浪潮信息两大「杀手锏」，分别攻克了AI智能体应用速度和成本难题。

那么，下一步又该走向何方？

「专用计算架构」是未来

近期，OpenAI在算力布局上，动作频频：

先是和甲骨文签下3000亿美元大单，随后又获得英伟达100亿美元的投资。

紧接着，他们又官宣了「星际之门」五大超算全新选址计划。

这一系列举措，无不指向一个核心事实——对于LLM训练和部署而言，算力需求始终是一个「无底洞」。

当前，AI算力的可持续发展正面临三大关键挑战：

• 工程极限：系统规模的扩展已逼近工程能力的上限。
• 能源压力：算力的大幅增长给电力基础设施带来了巨大负担。
• 效能失衡：算力投入和产出失衡，商业兑现进程缓慢。

目前，市面上的「AI芯片」仍以通用芯片为主。

GPU，是增加了CUDA核心和矩阵运算Tensor核心的传统图形计算芯片；ASIC，则是优化了矩阵计算和张量处理的通用矩阵计算芯片。

但正如前文所述，这些基于通用计算架构的方案，正逐渐在能效比和成本效益上触及瓶颈。

仅是单纯依靠堆叠更多计算单元，或是提升制程工艺的传统路径，难以沿着scaling Law在算力规模、能耗、成本之间取得平衡。

其原因在于，通用架构虽然适用性强、易于产业化推广，但效率低下。

相比而言，应用面较窄的专用架构，则有着更高的效率。

对此，浪潮信息AI首席战略官刘军认为，未来的关键便是在于「发展AI专用计算架构」：

我们必须推动发展路径的转变，要从一味地追求规模扩展，转向注重提升计算效率。  

并以此为基础，重新构思和设计AI计算系统，大力发展真正面向AI应用的「专用计算架构」。

具体而言，就是从硬件层面来优化算子与算法，定制出大模型专用芯片，进而实现软硬件层面的深度协同优化，即「算法硬件化」。

只有这样才能让性能的Scaling，追上token的高速增长。

这不仅是突破算力瓶颈的必经之路，更是推动AI产业迈向下一阶段的基石。

面对大模型时代，浪潮信息的前瞻性思考为业界指明了一条方向：通过创新计算架构，让AI更好地走向落地。

文章来自于微信公众号 “新智元”，作者 “新智元”