不加GPU提升15%算力：大模型优化网络架构新趋势
过去两年，整个行业的算力军备竞赛似乎只有一个标准答案：采购更多GPU，建设更大规模的集群，不断堆高算力峰值。
然而，这条看似唯一的路径，如今正被重新审视。
近日，智谱首次公开了一项已在生产集群中得到验证的架构创新——ZCube组网架构。其中一组数据颇为引人注目：在GPU数量未增、服务器未换、甚至应用代码一行未改的情况下，集群的推理吞吐量直接提升了15%，而TTFT（首Token响应时间）的P99尾延迟则下降了40.6%。关键在于，这些数字并非实验室仿真推演的结果，而是来自真实生产流量的考验。
对于一家服务上百万开发者的大模型API平台而言，这意味着同一套硬件基础设施，每秒能够多承载15%的并发请求，流量洪峰下的排队等待时间将大幅缩短。而P99尾延迟近40%的降幅，直接关系到终端用户感知到的“卡顿感”能减少多少，体验提升立竿见影。
更让行业内部关注的，是成本结构的变化。据披露，ZCube架构所需的交换机和光模块数量，比原有方案减少了约三分之一。集群规模越大，这笔节省的绝对值就越可观。在当前推理需求持续高增长、算力供给整体偏紧的市场环境下，这种“不动硬件、只动组网”的效率挖潜，无异于对存量算力资产进行了一次极低成本的价值重估。
不是只有智谱一家在抠算力
虽然智谱此次公开的技术细节有限，但其核心逻辑已足够清晰：当集群中数千甚至数万张GPU同时处理推理请求时，每一次KV Cache的跨卡传输、每一次数据同步，都需要穿越GPU之间的互联网络。这张“路网”的效率上限，直接决定了GPU本身的真实算力能发挥出几成。ZCube的思路，正是从拓扑设计的源头重新规划这张网络，旨在从根源上消除拥塞，而非等到拥堵发生后再去疏导。
几乎在同一时间，另一件事的发生，为这个技术方向的判断增添了更重的砝码。
OpenAI联合NVIDIA、AMD、Intel、Microsoft、Broadcom五大巨头，正式发布了MRC（多路径可靠连接）网络协议。这是一套面向超大规模AI集群的开放网络协议，目前已经部署在OpenAI所有最大规模的超算集群中，包括位于德克萨斯州Abilene的Oracle超算和微软Fairwater超算，用于训练ChatGPT等前沿模型。
将这两件事放在一起观察，指向的判断是一致的：当GPU集群的规模从万卡级向十万卡级跃进时，网络早已不再是那个被动的“连接件”，而是制约整体系统效率的核心变量。
不过，它们的技术路径却截然不同。MRC侧重于在协议层优化“交通规则”；而ZCube则是在架构层重构“路网”本身，从拓扑设计上消除产生拥塞的结构性根源。一软一硬，可谓殊途同归。
如果把视野拉开，会发现“不依赖堆叠硬件，转而从基础设施和系统架构中挖掘效率”这件事，正在成为行业一个微妙的转向。
从硬件侧看，NVIDIA最新一代Blackwell Ultra架构，通过NVFP4精度格式和注意力层加速，在DeepSeek-R1推理任务上，其吞吐量达到基础版GB200的数倍。Google推出的第七代TPU Ironwood，其单芯片的训练推理性能也比前代Trillium提升了超过4倍。
从芯片创业公司看，一批专门为推理设计的非GPU架构也在加速渗透。主攻超低延迟的Groq，其LPU在Llama 2 70B模型上跑出了每秒300个token的速度，据称比H100集群快10倍。晶圆级芯片公司Cerebras则声称，其推理速度在多项测试中超越了NVIDIA Blackwell。
从模型架构本身看，通义千问的Qwen3-Next通过混合注意力机制和高稀疏MoE设计，将训练成本压缩到此前的十分之一以下，推理上下文吞吐量提升超10倍。DeepSeek推出的稀疏注意力技术，使得新版模型的长文本推理速度比前代快2到3倍，API调用成本几乎砍半。
这些探索呈现出一个共同特征：它们都不再仅仅依赖“购买更多计算卡”这一单一杠杆，而是致力于在现有算力存量和有限的新增投入中，寻找更大的产出倍数。
当“买卡”不再是唯一答案
这场从“堆硬件”向“挖效率”的转向，正在对上游供应链产生实质性影响。
最直接的变量来自网络设备端。ZCube方案实现了交换机与光模块用量减少三分之一，而MRC协议则推动两层交换机组网替代传统的三到四层架构——两者叠加，意味着AI集群的采购逻辑将发生结构性调整：对高端交换机的需求，将从追求“更多层级”转向“更少层级、更大端口密度”；同时，光模块则加速向800G及以上速率集中。
事实上，市场数据已经在验证这个趋势。据LightCounting统计，2025年800G光模块出货量同比翻倍，1.6T光模块开始出货；预计2026年800G出货量将继续翻倍，1.6T产品将从2025年的较小基数跃升至数千万端口量级。
从资本市场的视角看，AI网络基础设施正在从万卡集群的“配套工程”，升级为产业链的核心价值环节。有机构预测，2026年数据中心交换机总销售额将同比增长86%。谷歌、亚马逊、微软和Meta四大云厂商2026年合计资本支出计划高达数千亿美元。叠加MRC协议推动以太网在超算集群中加速替代InfiniBand的长期趋势，800G/1.6T光模块产业链、高密度以太网交换机及相关芯片、连接器环节，正进入一个需求结构重塑的关键窗口期。
北京计算机学会AI专委会秘书长、北京大学特聘研究员张有鱼指出，将时间轴拉长来看，智谱此次公开的ZCube实践，在行业大背景中具有两层含义。
第一层是技术层面的，它用真实生产数据验证了一个事实——在千卡乃至万卡规模的集群中，网络架构本身可以成为一个独立的效率杠杆，且边际改造成本极低。当全行业都在GPU采购上投入巨资时，这种“四两拨千斤”的效率挖潜，显然比再下一笔芯片订单更具性价比。
第二层是商业层面的，对于手握大量GPU存量的平台型公司而言，硬件折旧是固定成本，谁能从既有资产中榨取出更多的Token产出，谁就能在API价格持续下探的市场竞争中拉开成本优势。智谱实现的15%吞吐提升和三分之一的网络硬件节省，放在百万级并发请求的规模下，对应的是一笔相当可观的运营成本优化。
相关攻略
Helm开源前聚焦解决企业经营中的具体痛点，如会议承诺跟进、客户流程中断等，强调“先复核，后确认”的设计理念。开源后期待外部贡献者参与真实AI场景共建，但暂不接受自动外发消息、自动审批等功能建议。
2026年CodingAgent市场格局已定。阿里云在云原生自动化部署领先，处理复杂工程需专业工具。文心快码在企业级落地与工程可控性突出，多智能体协同与白盒流程减少幻觉，获多家头部企业部署。GitHubCopilot通用生成成熟，但对国内定制化需求适应性弱。Cursor适合独立开发者。
一、如何利用AI生成前端代码提升开发效率 在软件开发领域，一个备受关注的话题是如何借助人工智能技术自动生成前端代码，从而显著提升开发效率与代码质量。这不仅是技术层面的升级，更是一场深刻的工作流程变革。随着AI技术在多个行业的深度融合，其在前端开发中的应用已从早期探索步入实际生产阶段，核心价值在于大幅
一、数据AI与数据驱动的决策：如何利用人工智能优化企业数据分析策略 在数字化转型浪潮中，数据AI与数据驱动的决策正深刻重塑企业的决策模式。面对日益激烈的市场竞争与海量信息，借助数据AI提升决策效率、降低误判风险，已成为企业生存与发展的核心战略。本文将深入解析数据AI在金融、医疗等关键行业的实际应用价
投资者在互动平台向上市公司提问，重点关注其旗下子公司的具体业务布局与经营范围。 公司董事会秘书对此进行了正式回复。根据官方披露的信息，该子公司全称为“豆神智算科技有限公司”，其经核准的工商经营范围明确包含人工智能应用软件研发、基础算力服务与技术解决方案提供等核心业务板块。 需要特别关注的是，这家子公
热门专题
热门推荐
Excel多表数据整合：四种高效方法详解 在日常办公与数据分析中，我们经常需要处理分散在不同表格中的数据。销售业绩、客户资料、财务流水等信息往往各自独立，如何快速、准确地将它们合并为一份完整的视图，是提升工作效率的关键。本文将系统介绍Excel中四种实用的多表数据整合技巧，帮助您轻松应对各类数据合并
ignore-error 1 " uploadprocessed= "true "> 1 养蚕全过程概述：从蚕卵到蚕茧的关键步骤 成功养殖家蚕并收获高品质蚕丝，是一个系统化、精细化的管理过程。整个流程环环相扣，涵盖了选种孵化、幼虫饲养、上蔟结茧与采收处理等多个核心阶段。其中，温度与湿度的精准控制、新鲜
《空洞骑士：丝之歌》中红色护符能显著改变角色能力，影响战斗与探索策略。其获取通常需完成高难度挑战或深度探索，例如击败特定敌人、破解环境谜题、完成隐藏任务或与特殊商人交换。了解这些护符的效果与获取方式，有助于玩家规划成长路线，从容应对游戏中的试炼。
MetaGPT产品介绍 在软件开发领域，效率与门槛一直是两个难以兼顾的痛点。MetaGPT的出现，正是为了解决这个问题。它本质上是一个基于多智能体协作框架的AI平台，目标很明确：让用户用最自然的方式——说话，来驱动复杂的软件构建过程。 那么，它具体是如何运作的？我们可以从几个核心维度来看： 多智能体
游戏产业步入高质量发展关键阶段，亟需资源整合与创意孵化平台。2026创新游戏&开发者大会以“创意无限，游启新机”为主题，将于2026年6月11日至12日在杭州举办。大会通过专场分享、项目路演等形式，连接行业从业者与创作者，加速优质创意落地，推动产业协同升级与高质量发展。