2026年，AI算力竞争正式从"单卡比拼"进入"系统级架构"的深水区。英伟达、华为、阿里三家几乎同时亮出了各自的旗舰算力平台——GB200 NVL72、昇腾950 SuperPoD、磐久AL128。三款产品代表了三种截然不同的技术路线，也折射出三家公司在AI时代的战略分野。
本文将从芯片级、机柜级、集群级三个维度，对这三款产品进行全面参数对比和深度分析。
一、选手简介
英伟达 GB200 NVL72
2024年GTC发布，2025年H1正式商用。基于Blackwell架构，将72颗B200 GPU通过第五代NVLink互联成一个单一巨型GPU域，是英伟达当前商用的最高阶标准化算力单元。
华为昇腾950 SuperPoD
2026年WAIC首次公开展出真机。搭载1024颗昇腾950DT芯片（16台计算柜），基于自研灵衢（UnifiedBus）互联协议，是业界最大规模的超节点产品，最大可扩展至8192卡。
阿里磐久AL128
2026年5月阿里云峰会发布，搭载平头哥自研真武M890芯片。单机柜集成128颗AI加速器，通过自研ICN Switch 1.0互联芯片实现Pb/s级带宽和百纳秒级延迟，已上线阿里云百炼平台。
二、单芯片参数对比
| 参数 | 英伟达 B200 | 华为昇腾950DT | 阿里真武M890 |
|---|---|---|---|
| 架构 | Blackwell（第五代Tensor Core） | 第三代达芬奇，双DIE UMA | 平头哥自研并行计算架构 |
| 制程 | 台积电4NP（4nm改进版） | 中芯国际N+2/N+3（≈7/5nm） | 未公开（推测7nm级） |
| 晶体管数 | 2080亿 | 未公开 | 未公开 |
| HBM容量 | 192GB HBM3e | 144GB HiZQ 2.0 | 144GB HBM |
| HBM带宽 | 8 TB/s | 4 TB/s | 未公开 |
| FP4算力（dense） | 10 PFLOPS | 4 PFLOPS | 未单独披露 |
| FP4算力（sparse） | 20 PFLOPS | — | — |
| FP8算力（dense） | 5 PFLOPS | 2 PFLOPS | 未单独披露 |
| FP8算力（sparse） | 10 PFLOPS | — | — |
| FP16/BF16 | ~2.25 PFLOPS | ~900 TFLOPS | 未公开 |
| 精度支持 | FP64/FP32/TF32/FP16/BF16/FP8/FP4 | FP8/MXFP8/MXFP4/FP16 | FP32/FP16/FP8/FP4全精度 |
| 片间互联带宽 | 1.8 TB/s（NVLink 5） | 2 TB/s | 800 GB/s |
| 功耗（TDP） | 1000W | 600W | 未公开 |
| 定位 | 通用训练+推理 | 大模型训练、Decode | 训推一体 |
单芯片分析
算力维度：英伟达B200在单卡算力上保持绝对领先。FP4 dense算力（10 PFLOPS）是昇腾950DT（4 PFLOPS）的2.5倍，HBM带宽（8 TB/s）也是昇腾的2倍。这种差距源于制程代差——台积电4NP对比中芯国际N+2/N+3，存在约1-2代的工艺差距。
能效维度：但功耗也是关键因素。B200的1000W TDP是昇腾950DT 600W的1.67倍。换算能效比：B200为100W/PFLOPS（FP4），昇腾为150W/PFLOPS，差距没有原始算力那么大。
显存维度：B200的192GB HBM3e领先，但昇腾950DT和真武M890都达到了144GB，在实际部署大模型时差距可控。
互联维度：昇腾950DT的片间互联带宽（2 TB/s）反而略高于B200（1.8 TB/s），这为后续超节点架构打下了基础。
三、单机柜/超节点系统对比
| 参数 | GB200 NVL72 | 昇腾950 SuperPoD | 磐久AL128 |
|---|---|---|---|
| 单柜GPU数 | 72颗B200 | 64颗昇腾950DT | 128颗真武M890 |
| 单柜CPU | 36颗Grace（72核ARM） | 未公开 | 未公开 |
| 单柜HBM总量 | 13.4 TB | 9.2 TB | 18.4 TB |
| 单柜FP4算力（dense） | 720 PFLOPS | 256 PFLOPS | 未公开 |
| 单柜FP4算力（sparse） | 1,440 PFLOPS | — | — |
| 单柜FP8算力（dense） | 360 PFLOPS | 128 PFLOPS | 未公开 |
| 单柜互联带宽 | 130 TB/s（NVLink 5） | TB级 | Pb/s级 |
| 单柜P2P时延 | NVLink域内~μs级 | 3μs RTT | <150ns |
| 单柜功耗 | ~120 kW | 未公开 | 未公开 |
| 散热方式 | 全液冷 | 全液冷 | 正交无缆化架构 |
系统分析
密度之战：磐久AL128以单柜128卡拿下密度冠军，是GB200 NVL72（72卡）的1.78倍，是昇腾950（64卡）的2倍。更高的密度意味着在相同机房面积下可以部署更多算力。
互联质量：这是三者差异最大的地方。
- AL128的P2P时延<150ns，是三者中最低的，对需要高频卡间通信的MoE推理场景极其友好
- GB200 NVL72通过NVLink 5实现72 GPU全互联，130 TB/s带宽，成熟稳定
- 昇腾950的3μs RTT在万卡训练中可接受，但推理场景不如另外两家
内存总量：AL128单柜18.4TB HBM领先，GB200 NVL72的13.4TB次之，昇腾950的9.2TB最低。但昇腾通过全局统一内存编址（256TB）在集群层面实现了反超。
四、最大集群规模对比
| 参数 | GB200 SuperPOD | 昇腾950 SuperCluster | 磐久AL128集群 |
|---|---|---|---|
| 最大互联规模 | 576 GPU（单SuperPOD） | 8,192卡 | 未公开（单柜128卡） |
| 互联协议 | NVLink 5 + InfiniBand | 灵衢（UnifiedBus） | ICN Switch 1.0 + ALink |
| 全局内存编址 | 无统一编址（跨柜走IB） | 256TB统一编址 | 未公开 |
| 最大集群 | 数万GPU（通过IB扩展） | 50万卡 | 未公开 |
| 跨柜互联 | InfiniBand（NDR/XDR） | 光互联（OCS） | 未公开 |
| 集群FP4算力 | 11.5 EFLOPS（9柜/576GPU） | ~2 EFLOPS（1024卡） | 未公开 |
集群分析
昇腾的"以多胜强"策略：华为在单芯片性能不敌英伟达的情况下，选择了通过超大规模集群实现弯道超车。灵衢协议支持最多8192卡全互联，最大可扩展至50万卡的SuperCluster，远超英伟达单SuperPOD的576卡。更关键的是256TB全局统一内存编址——所有计算卡可直接互通内存资源，无需繁琐的数据搬运，这对超长文本上下文推理尤为关键。
英伟达的"成熟生态"路线：NVLink + InfiniBand的组合虽然最大互联规模不如昇腾，但生态成熟、软件栈完善，跨柜扩展方案经过大规模验证。
阿里的"高密度推理"定位：AL128目前公开信息主要聚焦单柜128卡的能力，集群扩展方案尚未完全披露，但已上线阿里云百炼平台，商业化进度最快。
五、三条技术路线的战略解读
英伟达：单卡性能碾压 + CUDA生态壁垒
英伟达的核心策略是"以力破巧"——通过制程优势和架构创新，在单卡算力上保持代际领先，同时依靠CUDA生态的深厚积累形成护城河。GB200 NVL72的72 GPU全互联设计，本质上是将机柜变成一台超级计算机，在机柜内消除通信瓶颈。
优势：单卡算力领先2-3倍、CUDA全球垄断、商用最成熟 劣势：对华禁售高端型号、功耗高（120kW/柜）、供应链集中台积电
华为：系统级创新弥补单芯片差距
华为面对制程劣势，选择了"系统级突围"。灵衢协议是这盘棋的关键——它让8192张卡像一台计算机那样协同工作，256TB统一内存编址解决了大模型训练中的"记忆断层"问题。华为的思路很清晰：单卡打不过你，就把更多卡连起来，用规模换性能。
优势：100%国产供应链、万卡级超大规模训练、统一内存编址 劣势：单卡算力差距明显、2026 Q4才上市、生态仍在追赶
阿里：极致密度 + 超低时延，主打推理效率
阿里的路线最务实——不追求单卡算力第一，也不追求最大集群规模，而是在"推理效率"这个最贴近商业化的维度上做到极致。128卡/柜的密度、<150ns的P2P时延、已上线云服务的商业化进度，都指向同一个目标：成为Agent时代最高效的推理底座。
优势：单柜密度最高、互联时延最低、已商用上线 劣势：单卡详细算力数据披露不足、集群扩展方案未公开、供应链本土化率约60%
六、关键维度排名
| 维度 | 第一名 | 第二名 | 第三名 |
|---|---|---|---|
| 单卡FP4算力 | B200（10P） | 昇腾950DT（4P） | 真武M890（未披露） |
| 单柜密度 | AL128（128卡） | NVL72（72卡） | 昇腾950（64卡） |
| 互联时延 | AL128（<150ns） | NVL72（μs级） | 昇腾950（3μs） |
| 最大集群规模 | 昇腾950（50万卡） | GB200（数万卡） | AL128（未公开） |
| 统一内存 | 昇腾950（256TB） | — | — |
| 单柜HBM总量 | AL128（18.4TB） | NVL72（13.4TB） | 昇腾950（9.2TB） |
| 生态成熟度 | 英伟达（CUDA） | 昇腾（CANN） | 真武（T-Head SAIL） |
| 供应链安全 | 华为（100%国产） | 阿里（~60%） | 英伟达（对华受限） |
| 能效比 | B200（100W/P） | 昇腾（150W/P） | — |
| 商业化进度 | 英伟达（全球部署） | 阿里（已上线云服务） | 华为（2026 Q4） |
七、总结
三款产品代表了三种截然不同的AI算力哲学：
英伟达GB200是"大力出奇迹"——用制程优势和架构创新在单卡上碾压对手，用CUDA生态锁死开发者，用NVLink把72张卡变成一台机器。它是当前全球AI算力的天花板，但对中国市场来说，它是一枚"看得见吃不到"的果实。
华为昇腾950是"以量取胜"——承认单芯片的制程差距，转而通过灵衢协议把万张卡连成一台超级计算机。256TB统一内存编址和50万卡集群规模，是华为在系统层面的独门绝技。它的目标不是赢在单卡，而是赢在整体。
阿里磐久AL128是"精准打击"——不追求单卡第一，也不追求最大规模，而是在Agent推理这个最贴近商业化的场景上做到极致。128卡/柜的密度、<150ns的时延、已上线云服务的速度，都说明阿里想的是"先让客户用起来"。
2026年的AI算力竞争，已经不再是简单的"谁的TFLOPS更高"。它是一场关于架构设计、生态建设、供应链安全、商业化速度的综合较量。三家各有所长，没有绝对的赢家——真正的赢家，是这场竞争背后不断降低的AI算力成本和不断攀升的应用创新。
本文数据来源于各厂商官方发布信息及公开报道，部分参数因厂商未完整披露可能存在偏差，仅供参考。