所以阿里云这次发布灵骏真武M890超节点实例才显得更有针对性。
现场看了看参数，8个节点、64张卡、超过9TB显存，确实足够抢眼。并且阿里云把过去需要企业自己采购、组网、调优的一整套设备，做成了一台云上随取随用的“AI计算机”
以前模型变大，第一反应是继续加卡，但卡多了以后，问题也跟着来了。模型能不能装下，长上下文能不能放进去，几十张卡之间通信是否顺畅，任何一个环节掉链子，最终都会变成推理延迟、Token成本和运维压力。
灵骏真武 M890 超节点实例把64张卡放进同一个高速互联域，过去需要跨机柜部署的部分任务，现在有机会在一个超节点里完成。对企业而言，少掉的不只是服务器数量，还有跨柜通信、反复调优和故障排查带来的时间成本。
目前，智能计算灵骏已经完成对Qwen-3.8-Max和KIMI-K3 两款万亿参数MoE开源模型的Day0适配。新模型发布后，底层平台能够快速跟进部署。这也说明超节点的价值是要让模型、软件栈和高速互联真正协同起来。
值得注意的是，把灵骏真武M890超节点实例、智算灵骏、CPFS、TPN和AgenticFS放在一起看，阿里云补齐的是从模型训练、Token生产到Agent运行的整条基础设施链路。
智能计算灵骏提供十万卡级扩展的AI算力集群，超节点实例提供高密度的训推新形态算力，HPN网络与存储模型训练提供网络与数据支撑，AgenticFS则为大量Agent提供相互隔离的文件工作空间。Agent数量真正增长以后，云厂商比拼的会是整套系统能否高效协同，单项峰值参数的重要性反而会逐渐下降。
这也解释了阿里云为什么持续投入全栈AI Native基础设施。
沙利文数据显示，超过50%的中国大模型公司正在使用阿里云，阿里云在企业全栈AI云服务市场的份额达到40.1%。行业选云标准已经变了。
以前大家先问有多少卡，接下来更关心的是，模型训练完以后，Token能不能稳定生产，Agent能不能规模化运行，业务团队还需不需要长期耗在底层系统上。
阿里云这次把灵骏真武M890超节点实例放到云上，看起来是想让复杂的AI工程变成企业能够直接调用的服务，真正进入生产环境。
