图片2900P的物理肉身：万张国产卡，塞进一座“冰窖”
FP16精度下，2900P意味着每秒2900亿亿次半精度浮点运算。这个量级如果用华为昇腾910B（单卡约320TFLOPS），需要超过9000张；如果混合部署昇腾910C和海光深算，卡数会轻松破万。这是一座名副其实的万卡集群。
而甘肃庆阳这座2900P算力底座，之所以被视作里程碑，能让上万张国产卡同时并行，拼的早已不是单卡跑分，而是三大夺命工程：
1. 高速互联的“神经外科”
万张昇腾卡之间若连接松散，集群有效算力利用率（MFU）会惨跌至20%以下，昂贵算力白白蒸发。华为自研的HCCS互联技术在这里派上了用场，配合国产交换芯片和800G硅光模块，将卡间带宽推到了400GB/s以上，跨机架延迟控制在微秒级。据现场工程师透露，为了让上万张卡在训练千亿参数大模型时步调一致，仅光模块就部署了数万只，它们全数来自中际旭创、光迅科技等国内厂商——而就在7月初，这些光模块的硅光封测产线还在被BIS新规精准“锁喉”。
2. 浸没式液冷的“冰封王座”
数万张加速卡同时满负荷运转，总功耗突破兆瓦级。传统的风冷早已投降，庆阳这座算力中心全面采用了冷板式液冷+浸没式液冷混合方案。巨大的液冷管路里流淌着国产冷却液，将PUE（电能使用效率）硬生生压到了1.2以下。而就在BIS 7月新规里，部分高端液冷泵阀也被列入了限制清单，倒逼国产替代连夜顶上。
3. 软件生态的“灵魂暗夜”
这是最让算法工程师崩溃的一环。从英伟达CUDA迁移到华为昇思MindSpore或海光ROCm，远非一键转换。很多底层算子需要重写，显存泄漏和通信死锁时有发生。据一位参与现场调试的工程师私下透露，为了让某个千亿参数MoE模型跑满万卡，他们在机房里熬了整整六周，重写了超过3000行汇编代码。BCG6月底的《AI芯片供应链安全评估》中直言，国产算力集群的有效算力利用率，目前仍只有英伟达同规模集群的65%-80%，软件优化正成为吞噬资金和人力的无底洞。
