通过一整套芯片、光互联、存储和软件生态，把越来越大的AI计算系统进一步连接起来。
华为进一步摊开了AI算力的技术版图。
9月17日，在华为全联接大会2026上，华为副董事长、轮值董事长汪涛集中展示了面向AI基础设施的新一轮技术进展：昇腾960研发进度提前，NPO光互联产品Hi-ONE即将规模量产，采用NPO技术的昇腾960超节点正式发布；同时围绕计算、互联、存储和管理，华为还首次完整展示了支撑超节点集群的11颗关键芯片。
相比一年前强调“超节点+集群”的算力路线，今年华为进一步将目标指向Agentic AI（智能体AI）。
智能体持续工作时间变长、上下文持续增长以及多智能体并发，使得AI基础设施面对的不再只是NPU算力问题。CPU需要同时处理大量推理任务，存储系统要存储不断扩大的KV缓存，数千乃至数万颗芯片之间还要进行高速通信。AI基础设施已经开始从单一芯片竞争，转向计算、互联、存储协同的系统工程。
汪涛表示，华为AI战略的核心仍是算力，将继续围绕“超节点+集群”进行系统架构创新。截至目前，昇腾910C超节点已经部署超过1000套，昇腾950超节点开始规模商用。
如果说过去几年华为试图回答的是“如何在单芯片之外获得更大的系统算力”，今年给出的进一步答案则是：通过一整套芯片、光互联、存储和软件生态，把越来越大的AI计算系统进一步连接起来。
超大规模AI集群越来越像一台复杂的计算机。
汪涛提到，目前万亿参数级MoE模型持续迭代，10万卡规模的算力集群正在成为前沿模型训练的重要基础设施。但将10万张AI加速卡放在一起，并不意味着10万张卡的算力能够简单相加。
其中最大的损耗之一来自通信。
根据华为测算，在由传统八卡服务器组成的10万卡集群中，模型训练期间芯片之间通信所消耗的时间可能超过全部训练时间的40%，而衡量AI集群有效算力的重要指标MFU（模型浮点算力利用率）每提升一个百分点，都可能缩短模型迭代周期。
在华为常务董事、ICT BG CEO杨超斌看来，AI基础设施的瓶颈正转向互联。他表示，随着模型参数增大、集群规模扩大，一个典型MoE模型在10万卡集群上的MFU可能不到20%；与此同时，Prefill（预填充）、Decode（解码）等阶段的计算和访存特征开始分化，CPU和NPU之间的配比也随不同场景发生变化。计算系统需要支持异构算力协同、内存池化和分级缓存。
华为超节点的思路，是利用灵衢UnifiedBus统一连接系统中的不同组件，支持跨物理服务器统一内存编址，使多个物理节点在逻辑上更接近“一台计算机”。
围绕这一架构，华为此次进一步亮出了11颗关键芯片“全家桶”，包括鲲鹏CPU、昇腾NPU等计算芯片，面向Scale-Out（横向扩展）的大容量交换芯片，面向Scale-Up（纵向扩展）的低时延交换芯片和高速光互联芯片；存储侧则包括介质控制芯片以及专门面向AI KV缓存设计的Smart Storage Unit，此外还有承担系统协调和管理功能的芯片。这11颗关键芯片共同支撑超节点和集群，覆盖计算、互联、存储和管理等主要环节。
其中最核心的仍然是昇腾。
汪涛透露，昇腾960研发进展快于预期。其中，昇腾960DT支持2 PFLOPS FP8、4 PFLOPS FP4算力，最大支持288GB HBM，访存带宽达到9.6TB/s，计划于2027年一季度准备就绪，比原计划提前三个季度；昇腾960PR的FP4算力达到8 PFLOPS，计划于2027年三季度准备就绪，比原计划提前一个季度。
未来，华为仍会维持“一年一代”的昇腾芯片演进节奏，2028年、2029年陆续推出昇腾970和980。
这也意味着，在先进制造工艺受到限制的背景下，华为仍在延续此前的技术路线：一方面提升单颗芯片能力，另一方面通过互联和系统架构，将更多芯片组成更大的计算系统，持续突破AI算力瓶颈。
随着超节点规模不断扩大，另一个瓶颈开始出现：连接数千颗NPU的铜缆正在逼近物理极限。
汪涛指出，当SerDes（串行器/解串器）速率达到224G以上后，铜缆的传输能力会快速下降；随着NPU数量增加，传统可插拔光模块也难以满足系统对互联密度的需求。
评论交流
0