当大模型参数规模、上下文长度与多模态训练需求同时抬升，算力底座正在从“买得到卡”转向“跑得稳、用得起、扩得动”的系统工程。挑战 RSI（这里指以算力规模扩张为核心的惯性路径，即 Resource-Scale-Inertia）并不是否定规模，而是指出：单靠堆叠加速器，已难以线性兑换成有效训练吞吐与业务价值。真正的分水岭，在于算力底座能否完成系统级协同。

RSI 的惯性：为什么“更多卡”不再等于“更多有效算力”

过去几年，AI 基础设施的主旋律是扩张。集群从千卡走向万卡，单卡算力持续攀升，互联带宽不断刷新。但一个越来越明显的现实是：峰值算力与实际有效算力之间的鸿沟，正在被系统瓶颈放大。

依据现有素材判断，挑战 RSI 的核心矛盾集中在三个层面：

第一，通信墙。 大模型训练中的 All-Reduce、All-to-All 等集合通信，会随着节点规模扩大而急剧放大。当单卡算力增速快于网络带宽增速时，计算单元会频繁等待数据，GPU 利用率被通信拖累。此时再增加卡数，边际收益递减，甚至因拓扑复杂度上升而出现负收益。

第二，内存墙与存储墙。 长上下文、多模态与 MoE 架构对显存容量、KV Cache 管理和数据吞吐提出更高要求。若存储层无法与计算层匹配，数据供给就会成为训练流水线的“饥饿点”。算力底座若只关注加速器规格，而忽视存储带宽与数据编排，整体效率必然受限。

第三，能耗与散热墙。 高密度机柜的功率密度持续上升，风冷逐渐逼近极限，液冷从“可选项”变为“必选项”。电力成本、PUE 与散热能力，正在直接决定一个集群能否长期稳定运行。算力底座的竞争，正在从芯片层面延伸到供电、制冷与运维层面。

换句话说，RSI 的惯性在于：把算力等同于加速器数量，而忽略了算力是一套需要协同的系统。 挑战 RSI，不是反对规模化，而是反对“只规模化”。

系统级协同：算力底座的四个重构方向

要真正挑战 RSI，算力底座需要在架构层面完成从“堆卡”到“协同”的转变。结合当前产业实践，可以归纳为四个方向。

1. 互联与拓扑：从“连得上”到“连得高效”

集群性能越来越取决于互联网络的设计。无论是 NVLink、InfiniBand 还是以太网路线，关键在于拓扑结构能否匹配训练任务的通信模式。合理的分层互联、拥塞控制与自适应路由，可以显著降低集合通信开销。算力底座的竞争力，正在从“单卡峰值”转向“集群有效带宽”。

2. 软硬协同：调度与编译决定实际吞吐

同样的硬件，在不同调度策略与编译优化下，表现可能相差巨大。任务编排、显存复用、算子融合、并行策略（数据并行、张量并行、流水并行）的组合，直接影响 MFU（模型 FLOPs 利用率）。算力底座若缺乏与之匹配的软件栈，硬件潜力就无法释放。这也是为什么“自研芯片 + 自研框架”的垂直整合路线受到关注。

3. 存储与数据供给：让计算不再“等饭吃”

训练集群需要高吞吐、低延迟、可扩展的存储系统。数据预处理、缓存分层与检查点写入，都会影响训练连续性。算力底座需要把存储视为一等公民，而非附属组件。否则，再强的计算层也会被数据供给拖慢。

4. 能效与运维：决定长期成本曲线

液冷、供电架构、故障自愈与集群健康管理，正在成为算力底座的“隐形战场”。一个万卡集群的可用性，往往取决于能否快速定位并隔离故障节点。运维自动化水平，直接关系到有效训练时间。能效比与稳定性，最终会反映在单位 Token 成本上。

算力底座的竞争，正在从“硬件参数”转向“系统能力”

我们的判断是：挑战 RSI 的关键，不在于是否继续扩张，而在于扩张是否伴随系统效率的同步提升。

第一，算力底座的评价标准需要更新。 单卡 TFLOPS 依然是重要指标，但集群 MFU、有效训练时间、单位 Token 成本、故障恢复速度，才是更贴近业务价值的度量。采购决策若只看峰值参数，容易陷入 RSI 陷阱。

第二，软硬协同能力将成为分水岭。 在硬件差距逐渐收敛的背景下，谁能把调度、编译、通信与存储优化做到极致，谁就能在同等硬件上跑出更高有效算力。这意味着算力底座的竞争，本质上是系统工程能力的竞争。

第三，能效与成本将重塑产业格局。 随着集群规模扩大，电力与散热成本占比上升。液冷、绿电与智能运维，不再是“锦上添花”，而是决定算力底座能否可持续运营的基础设施。依据现有素材判断，这一趋势仍将延续。

第四，开放与标准化值得关注。 互联协议、编程模型与调度接口的开放程度，会影响生态协作效率。过度封闭的系统可能短期高效，但长期面临适配成本与创新速度的挑战。

结论

挑战 RSI，不是拒绝规模，而是拒绝“只有规模”。算力底座的下一阶段，是从加速器堆叠走向系统级协同：互联要高效、软件要匹配、存储要跟上、能效要可控。只有当这些环节形成合力，峰值算力才能真正转化为有效算力，进而转化为业务价值。

对于技术决策者而言，问题已经从“买多少卡”变成“如何让这些卡持续高效地跑起来”。这，才是算力底座真正的深水区。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。