先说结论

2026年9月23日下午，云栖大会「AI Native 磐久超节点服务器与硬件工程创新」分论坛用七场演讲回答了一个问题：当大模型把服务器逼到单柜650千瓦、单颗GPU模组3500瓦、互联域要从64卡跳到千卡甚至万卡时，硬件工程还能怎么办？阿里云给出的答案是磐久AL144超节点——单柜144卡、650千瓦，通过二级光互连最多扩展到10368卡，一年前还被视作极限规格的AL128（350千瓦、64卡互联）如今成了「上一代」。但这场论坛真正值得记录的不是参数，而是方法论：主持人刘清溪口中的「系统工程究竟要怎么做」，被拆解成了铜与光的边界、热阻的分配、电压的取舍、故障率的治理，最后落到用AI研发AI硬件。嘉宾反复强调的一点是——四道工程墙（互联、散热供电、内存、拓扑部署）里，任何单点优化都无法同时作答。

一年一代：超节点撞上四道墙

开场嘉宾、阿里云资深技术专家郭锐用四个信号解释了为什么硬件必须重构：MoE（混合专家模型，把万亿参数拆给多个专家网络）成为主流，单域卡数需求从64卡跃升到百卡、千卡级；推理算力与芯片功耗同步大涨；KV Cache（大模型推理时缓存的上下文键值对）让内存需求变得急迫——显存HBM很快但很贵，装不下所有上下文；而Agent应用的兴起让CPU「重新回到了AI集群的关键路径」，因为Agent需要的是内存和IO，而不是纯算力。

这四个信号在郭锐看来映射成四道墙：互联墙（scale-up域，即单机柜内高速互联的卡数域，要从64卡走向百卡千卡甚至万卡）、散热供电墙（机柜从两三百千瓦向五百千瓦、兆瓦级演进）、内存墙（KV Cache要不要池化）、拓扑部署墙（老旧机房怎么办）。他的原话是：单点解决一个工程，没办法回答四个问题。

所以AL144的答案是一代架构、三个产品族：旗舰AL144整机柜超节点（基于AI Infra 3.0架构）、面向存量机房的AL64分布式超节点、面向Agent场景的CPU整机柜与CXL（Compute Express Link，一种缓存一致性互联协议）KV Cache内存池化整机柜。AL144的形态细节最能说明「系统工程」四个字的分量：36个GPU计算节点加12个交换节点组成IT柜，旁边是独立的供电柜——之所以把计算和供电分成两个柜子，是因为散热和供电部件在原设计里占位太大，塞在一起就无法保障144卡的互联密度；3个PDU加14个Cap Shelf（电容备电架）负责秒级瞬态功耗支撑。整柜全液冷，而上一代AL128还是风液混合。

阿里云自报的规格跃升是：单域密度提升2倍，机柜功耗从350千瓦涨到650千瓦（提高86%），GPU模组设计功耗从2000瓦涨到3500瓦（涨75%）。这些数字与官方通稿一致（外部核验：搜狐转载的官方发布稿确认144卡、650kW、3500W、万卡Max 10368、单柜带宽Pb/s级）。郭锐还补充了一个容易被忽略的工程细节：3500瓦的模组必须用垂直供电——平铺电源的PCB寄生参数太大，满足不了芯片微秒级的电流突变，所以供电模块干脆贴到芯片背面。

铜光边界、仿生液冷与800V：三场攻坚里的同一套账

**铜和光的边界在哪里。**主持人刘清溪的串场给出了框架：柜内互联按TCO（总拥有成本）测算，最优解仍是铜；跨柜互联正从铜走向光。高级硬件工程师王嘉琦把这层「边界」算成了账：单波速率从53G到106G再到212G，铜的损耗随速率和距离线性增加，走到212G时，芯片封装、过孔、PCB走线和连接器已经吃掉了芯片驱动能力的大头，留给外部互联的链路预算所剩无几。硬要用铜，就得加Retimer（信号重定时芯片）——但它会引入约100纳秒的器件延时，而且「在实际应用中会成倍体现在传输时间上」。光互联则把器件延时降到纳秒级，传输损耗随距离几乎不涨。王嘉琦据此把2026年定义为「光互联元年」，并预测2030年AI scale-up域的光互联渗透率超过30%——这是演讲者的判断，不是既成事实。

方案选型上，阿里云选了NPO（近封装光互联，把光引擎放在主芯片附近）而非侵入芯片设计的CPO（共封装光学），理由是NPO可以模块独立维护、故障与主芯片解耦。落成产品叫SNPO：单模版DR32用硅光方案、外置光源、最远500米、功耗低于26瓦；多模版VR32内置光源、30米、低于10瓦；两者共引脚定义、共socket，同一块主板按场景换模块。接口兼容3.2T/6.4T/12.8T三档带宽，误码率实测在1e-10到1e-12量级（规范要求1e-9）。量产时间表是2026年Q4量产、2027年上半年批量交付。配套的NPX规范做了一件事：铜和光封装进同一个socket——向内短距配铜线缆，向外拓展用光模块，省掉重复开发。这套东西也开放：王嘉琦明说，光互联还在起步阶段，性价比和可靠性待提升，仅靠一家公司做不成，所以开放规格书和规范。

**热怎么散。**资深技术专家钟杨帆的分享把「全栈液冷」拆到了热阻级别。行业背景是：GPU模组功耗从100瓦一路涨到GB300世代的约2700瓦、Rubin世代预计3000瓦以上；机柜功率从2006年的8千瓦、2021年的15千瓦，涨到如今业界口径的GB200/300约一百三四十千瓦、Rubin Ultra预计600千瓦以上（这些为演讲者引用的业界口径）。他的结论是「再大的风也吹不凉滚烫的芯」，液冷从可选项变成必选项。工程上有两笔账：一是TIM（芯片与冷板间的导热界面材料）——导热硅脂做到约6 W/(m·K)就到头了，液态金属可以超过26，在功率密度330 W/cm²时能把温升改善近15度，对3500瓦的模组来说这15度直接兑换成功耗释放空间；二是冷板——从水平微通道升级为按芯片Power Map（功率分布图）定向喷射的射流冷却，把喷射点放在最热的地方，用最短路径带走热量。整机柜层面则是仿生思路：像叶脉和血液循环那样按每个芯片的实际需流做阻抗匹配，避免「近端抢流、远端欠流」——从350千瓦到650千瓦的关键不是更大的泵，而是更均衡的流量分配。可靠性上，全焊接冷板减少密封圈漏点、三级漏液检测、分区防扩散，因为漏液和凝露是不可逆的。

**电怎么送。**练恒和向蓓两位专家接力讲了800V HVDC（高压直流供电）。练恒先算天花板：电流越大，线缆越粗，粗到拐弯半径拐不过来就是物理天花板；损耗按I²R平方增长。从54伏母线提到800伏，电压提升十几倍，线路损耗大幅下降。为什么是高压直流而不是高压交流？他给了三个理由：柜内部件全用直流、备电系统（BBU/CBU）天然直流、以及最关键的安规——800伏直流可以做浮地设计，故障电流不会经过人体入地。整条链路极简：10千伏市电进来，经「巴拿马」电源（阿里与台达2019年联合推出的中压直转直流方案，取代中间一串配电设备）到sidecar供电柜，再到节点，只经过两级设备。Cap Shelf用电解电容而非超级电容，为的是微秒级响应GPU的EDP瞬态尖峰（最快可冲到卡功耗的2倍），瞬态峰值支撑能力1.5兆瓦；电解电容定制后支撑10亿次充放电，设计寿命5年以上。向蓓接着讲板级：800伏进节点后，计算节点转50伏中间母线（功率约20千瓦），交换节点转12伏（约3.6千瓦），两级三级转换并存，按转换效率与路径损耗取最优；HVDC PDB在IEC 62368安规基础上加了20%裕量，节点拔出后1秒内降到60伏以下安全电压，漏电流2毫安预警、10毫安保护，PDU与节点联动可以把绝缘故障定位到具体节点。垂直供电则与平头哥芯片团队共同定义了十二相power block，比三个四相模块释放约20%布板空间给电容。

这三场攻坚背后是同一套逻辑：每一项「参数提升」都要先算一笔物理账（链路预算、热阻、I²R），再把账转成可分配、可验证的工程指标，最后把接口和规范开放出去换取供应链安全。郭锐说得更直白：800伏的电源砖如果不开放、各伙伴不pin-to-pin兼容，「选定的方案一旦出现供应问题，你没有第二个供方」——开放不只是生态姿态，是供应风险管理。

故障率要打到最后一个数量级：稳定性治理的账

高级技术专家杨磊的分享回答了一个尖锐问题：超节点更复杂了，怎么反而可能比传统八卡机更稳定？他先列了三大挑战：迭代周期缩到一年，新平台必须一个季度稳定下来；元器件种类和用量爆炸式增长；单柜价值和「爆炸半径」（单点故障影响的业务规模）指数级上升，故障率必须极致地低。

阿里的应对分两层。管理层面上：重构质量标准、开发流程、质量活动和交付模式，让平头哥芯片、服务器整机、云实例可以同时发布；从2017年起推动从整机到部件全归一——A厂、B厂、C厂交付的是同一套产品；对液冷新部件做白盒化，管控深度到高温区电容和端子。运营层面上是「用AI治理AI服务器」：把每个部件的故障特征抽象成原子故障特征，监控颗粒度细到杨磊比喻的「毛细血管」级别，再用AI拟合多维数据识别变异点，问题发现时间从周级、天级缩短到分钟级；自研诊断系统做拓扑级、节点级、链路级分层诊断定界，减少误报。与合作伙伴的攻关节奏是：固件类问题当天解决，硬件类两天完成定位，关键部件有一周内的快速失效分析通道。杨磊自报的收益数据是：超节点故障率峰值在一个季度内收敛；整柜折算成八卡的故障率，达标周期比传统八卡缩短两个月，第三个月就优于同期八卡——这些是厂商口径，无第三方数据佐证。

他同样点出了超节点最怕的两件事：批量漏液和凝露——传统机房空调坏了顶多过热保护，液冷漏液是不可逆损伤，「一旦批量发生，代价以亿起步」。这解释了为什么整场论坛的可靠性设计都围绕「故障域隔离」展开。

AI写硬件：当验证比生成贵，SOP先变成AOP

最后两场演讲把话题从「造硬件」转向「用AI造硬件」。高级硬件工程师佟思凯抛出的问题很扎心：同样的模型在软件领域已经能跑自我迭代的循环，放到硬件领域大多还停留在问答助手。他的诊断是四个困难：硬件知识长尾且大量依赖不成文的隐性经验；原理图、手册、示波器波形这些数据格式不适合喂给AI；大量工作依赖Cadence、Creo等第三方软件和物理世界；最关键的是「验证比生成贵」——软件有编译器和单元测试这两件「被低估的奢侈品」，判断一个想法对不对几乎零成本，而硬件要仿真、打板、上测试台，投板错误不可逆。

所以他们的方法论不是等更聪明的模型，而是把成熟SOP（标准作业程序）拆解成AOP（Agent Operating Procedure，写给智能体的行动手册）：把硬件研发按8个领域×6个阶段拆成48块、上百个动作，每个动作按输入、动作、判据、验证器四元组定级——AI能参与哪一步，不是拍脑袋，是评审出来的。他们还提出了L1到L5的五级分级：L1人本主导（他举例说展台上那台AI音乐整机柜的结构设计，基于当下transformer架构的AI做不出来）、L2物理交互、L3工具中介、L4协同决策（当前实践所在）、L5自主闭环（CPLD固件开发已接近）。落地案例包括需求分解、FMEA失效模式分析（转写疑似「飞马分析」，按语义校正）、电源工程师五段式助手，直到AI直接驱动Creo生成三维装配。可靠性靠搬运软件界的benchmark概念：黄金测试集加双轨对照打分加版本对比防退化。佟思凯最后呼吁把数据结构、交付模板、判据测试集做成行业开放标准——「一家企业把SOP变成AOP，提升的只是自己的独立交付率；整个行业一起开放，提升的是这条长链的整体效率。」

压轴的赵哲讲了固件团队的「数字员工」：不是找无所不能的超级模型，而是构建一个稳定工作的系统——主Agent只当调度者不写代码（保持上下文干净），写代码和做审查的Agent必须分开（「既当裁判又当运动员，幻觉严重」），知识库以人和AI都可读的Markdown文档按需挂载，每轮交付持久化成文件、可审计可回放。自报运行数据：上线三个月，平均单项交付约3小时但可并行、可7×24工作；项目代码AI生成采纳率100%；AI缺陷发现占比从约50%提升到90%，目标96%以上「人可以完全放手」。他引用了一句口号式总结——从vibe coding到vibe working（转写疑似「Web coding/Web working」，按语境校正为业界流行说法，归属阿里CEO吴泳铭）。

观察指标与启发

把整场论坛串成几条可跟踪的链条：

其一，跨柜互联从铜到光。变化源于212G世代铜的链路预算耗尽与Retimer的100纳秒延时；谁得谁失——存量老旧机房业主因AL64分布式方案不必推倒重建，铜互联与Retimer厂商的长距市场承压，光器件国产链路获得确定性订单；二阶影响是「超节点专属机房」与「改造存量机房」两条部署路线并行；观察指标是SNPO能否如期在2026年Q4量产、2027年上半年交付，以及2030年30%渗透率的预测是否兑现。对读者的启发是：介质选择不是技术审美，是一笔链路预算账——当驱动能力被封装和PCB吃掉大头，就该换介质了。

其二，供电从54伏走向800伏直流。变化源于I²R损耗与线缆物理天花板；运维人员获得免拔线的盲插运维，功率器件厂商获得新市场，但安规与器件生态要整个重构——向蓓坦言器件级安规拼图「还不特别成熟」；二阶影响是电源模块故障率标准被要求下降一个数量级（柜级模块用量从AL128的约150颗涨到AL144的近二三百颗）；观察指标是那份基于IPC-9592B加严、覆盖6大类24项的白皮书能否在Q4如约开放，以及几家厂商跟进。启发：高压化的瓶颈从来不是拓扑，是安规、供应安全和生态。

其三，液冷从可选项变必选，AI从运维工具变研发同事。散热上，TIM材料与冷板结构的热阻分配决定了650千瓦之后还能不能再往上；研发上，「验证比生成贵」决定了硬件AI必须先把判据工程化。观察指标是AI缺陷发现占比能否过96%、独立交付率的行业基准能否共建。

郭锐在开场说，AL128发布一年就从「极限规格」变成了「上一代」。这场论坛留下的真正注脚是：下一代超节点的竞争，用钟杨帆的话说，「是工程深度与标准广度的竞争」——两个都要抓。对普通读者，看懂这层的捷径是盯住三个数字：单柜千瓦数、互联域卡数、以及开放规范的跟进厂商数量。

（本文基于官方回放转写整理，讲者姓名与议题已按云栖议程页校正；关键规格经官方通稿交叉核验，故障率、采纳率等为阿里云自报口径；转写疑似项已在文中标注。）