中国无GPU超算打破美国制裁策略

未曾到来的芯片

全球排名第一的超级计算机在运行中完全未使用一块英伟达 GPU。

这是绝大多数英文媒体将忽略的关键信号。安装在深圳超级计算中心的 LineShine，在 2026 年 6 月发布的 TOP500 榜单中位列第一，其性能达到 2.198 exaflops（即每秒约 2200 亿亿次浮点运算），这得益于通过定制互连架构和软件栈将约 4.5 万个国产 CPU 连接在一起。此前的榜首——位于劳伦斯利弗莫尔国家实验室的美国"埃尔卡皮坦"（El Capitan）——依然携带着由英伟达主导的架构基因，这也正是定义这一超算时代的基石。

此事之所以重要，是因为它直接动摇了美国出口管制背后的核心假设：切断中国获取先进 GPU 的渠道，就能延缓其人工智能发展轨迹。LineShine 证明了另一条路径在技术上是可行的——尽管这条路充满痛苦、成本高昂，且能效比可能更低，但它确实走得通。三十多年来，华盛顿的逻辑简单到可以用一句话概括：限制芯片，就限制能力。而 LineShine 表明，这一假设与其说是基于基础物理规律，不如说是维护市场主导地位。

五倍的机器，五分之一的战略

日本"FugaKU"曾在 2020 至 2025 年间多次蝉联世界第一，如今已跌至第九位，性能为 0.442 exaflops，约为 LineShine 峰值性能的五分之一。

这一差距并非偶然，它反映了两国在 AI 基础设施路径上的结构性分歧。中国同时追求规模与自主——建设更大规模且独立设计的机器。LineShine 的架构植根于海光半导体（Hygon Semiconductor）的"天机"（Dhyana）CPU，该处理器本身源自 AMD 的 Zen 1 微架构，但在中国本土供应链内进行了改造与重新设计。结果就是一台不依赖任何单一外国供应商提供计算核心的机器。

日本的 Fugaku 曾是效率的杰作。它采用基于 ARM 架构的 A64FX 处理器，专为富士通定制，并将高带宽内存直接集成在芯片上。Fugaku 遵循的是另一种模式：一台单一用途的国家科研资产，针对科学模拟和气候建模优化，而非商业 AI 训练的骨干网络。当衡量超级计算机价值的首要标准是 LINPACK 基准测试成绩和稳态科学吞吐量时，这一选择是合理的。但在今天，它看起来更像是一种战略错配。

二者之间的鸿沟远不止于原始 exaflops 数字。TOP500 衡量的是 LINPACK 性能——一种针对传统高性能计算工作负载优化的线性代数基准测试，在连续内存块上运行密集的矩阵运算。该榜单并未涵盖内存带宽的异构性、GPU 到 GPU 的通信吞吐量，或在数千个节点上训练一个 100 亿参数模型的实际挑战。这些才是与 AI 相关的核心指标。TOP500 联合创始人、田纳西大学 Jack Dongarra 教授近日指出：“超算正进入成熟阶段，而其与 AI 工作负载的融合正在加速”——这一微妙却重要的区分凸显出，对于政策制定者真正关心的问题而言，这份榜单本身衡量的或许就是错误的事情。

不被视为漏洞的制裁缺口

西方决策者将 GPU 出口限制描绘成 chokepoint（咽喉要道）。逻辑直白：没有高端英伟达芯片，就没有前沿 AI 模型。拜登政府 2022 年 10 月的出口管制规则及其 2023 年和 2024 年的后续扩展，专门针对超过既定性能阈值的 GPU 和互连技术。其意图是为中国的 AI 算力设定一道硬天花板。

LineShine 并未违反任何法规。它只是让这一假设变得过时。

代价是真实可测量的。以海光"天机"为代表的中国 CPU 设计，在单芯片 AI 训练吞吐量方面落后于最新的英伟达 H100 或 B200 若干代。一颗 H100 可提供约 312 teraflops 的 FP8 性能；而在同等 AI 工作负载下，一个 Dhyana 节点的输出仅为其中的零头。要达到接近 exaflops 级别的性能，需要将 4.5 万个节点连接起来，这意味着在互连结构（定制交换机、无阻塞拓扑和低延迟通信层）、电力分配、冷却基础设施和软件优化上投入巨额资金。每次训练的能量成本会更高，某些工作负载的求解时间会更长。有效 FLOP 的硬件成本也几乎可以肯定不如同等规模的 GPU 集群划算。

但战略上关键的是方向。如果中国能像其在电池、太阳能板、电动汽车和 5G 基础设施等领域一样，在此架构上持续迭代，效率差距便会缩小。中国工程团队已多次证明，通过累积性迭代周期，能够大幅压缩硬件设计的学习曲线。而当差距收窄时，美国发现自己限制了一个不再依赖被限制组件的市场领域。这是大多数风险评估未能定价的第二效应：在多年视野中，成功刺激了替代研发的路径的制裁，从定义上就是自我瓦解的。

国内生态及其瓶颈

LineShine 同时也揭示了中国半导体生态系统的约束条件。“天机"CPU 仍依赖中芯国际（SMIC）的 7 纳米制程节点，该节点因应同一波由美国主导的出口管制而面临的产量挑战和设备限制，也正是促成这一架构转向的根源。先进封装——通过堆叠内存和计算层以弥补更小制程节点的方案——是另一个中国落后于台积电和三星的瓶颈。这些都是真实约束，而非纸面推演。这也正是 LineShine 需要 4.5 万个节点而非更小规模的更强芯片集群的原因所在。

然而，中国在如此约束下仍建成了一台世界第一的机器，这本身就是一个信号。它表明，尽管受制重重，但国内生态系统在获得充分资金支持和规模化统筹时，足以产出世界级成果。中国国家超算中心的网络布局、十四五规划对国产半导体的强调，以及国家背景投资基金的战略耐心，三者汇聚共同促成了这一成就。这种汇聚难以单纯通过外部压力来复制。

谁赢谁输，谁重新校准

中国在"科技自立"叙事中胜出。同时，它也赢来了一条绕过制裁的潜在路径，且无需依赖秘密采购或走私。如果面临出口管制的其他国家——印度、巴西、土耳其、伊朗——也能证明国产 CPU 集群足以支撑其 AI 雄心，整个制裁体系将失去可信度。LineShine 树立的先例不仅具有技术意义，更具备地缘政治含义。它在告诉每一个受美国出口管制影响的国家：存在一条出口匝道。

美国在 GPU 后时代失去了先发优势。“埃尔卡皮坦"的领先地位建立在英伟达的 Hopper 架构及更广泛的 GPU 中心化生态系统之上——包括 cuDNN、NCCL 以及让大规模 GPU 集群变得实用的软件工具链。LineShine 的崛起预示，下一轮超级计算领导权可能属于一个不同的硬件范式——一个美国无法掌控的范式，一个可能在英伟达接入存在不确定性或附带条件的市场中成为默认选择的标准。

日本失去了曝光度，但不一定失去了能力。Fugaku 位居第九并非性能衰退的反映，而是一种战略选择的结果——它优先考虑的是效率与研究保真度，而非大规模商业适用性。这一选择在五年前是理性的。然而在一个中国正在以五倍于 Fugaku 实测性能的速度构建无 GPU 集群的世界里，它看起来像是完全不同的优先级——或许是对超级计算目的的不同理解。

接下来会发生什么

眼前的问题是，LineShine 能否将其 LINPACK 榜单成绩转化为实际的 AI 性能。如果其 CPU 中心化设计在现代大语言模型训练所需的非规则内存访问模式、稀疏张量运算和海量并行处理方面遭遇困难，这份排名将迅速过时，叙事也会收缩。CPU 集群擅长的是密集、可预测的工作负载。而 AI 训练日益被 GPU 被专门设计来应对的稀疏、不规则且受内存带宽限制的操作所主导。

如果 LineShine 能够实现适配——而中国软件工程在这一类适配方面有着从算法优化到框架级创新的一贯记录——其影响将远超超级计算领域。软件层将是 AI 基础设施争夺战的真正战场。一个能够以大规模高效运行 PyTorch 或同类国产替代方案的 CPU 集群，其威胁性质与一台只能跑 LINPACK 的集群截然不同。

对于企业领袖和投资者而言，结论是直接的：假设 AI 基础设施将持续依赖西方芯片供应链，已不再安全。无论这最终导向碎片化的全球 AI 生态系统与相互竞争的硬件体系、美国的 CPU 中心化设计重返赛道，还是一种协商均衡，战略规划的时间窗口都很狭窄。以 GPU 接入定义能力的时代已经终结。下一个时代将由那些用最可控的组件构建最有效系统的人来定义。

这场竞赛不再仅仅是关于谁拥有最快的芯片。而是关于谁能在不需要最快芯片的前提下，建成最快的系统。