9個月，正在成為華為昇騰晶片路線圖上的一個關鍵數字。

去年全聯接大會上，華為給出的昇騰960時間表還是2027年第四季度。一年之後，這一時間表大幅提前。9月17日，在華為全聯接大會2026上，華為副董事長、輪值董事長汪濤表示，昇騰960DT提前至2027年第一季度，960PR提前至第三季度，未來昇騰系列晶片將保持一年一代的演進節奏。

根據華為公佈的資料，昇騰960超節點是全球首個採用NPO技術的超節點，採用5500個Hi-ONE，替代原本需要的4.8萬個800G光模組，功耗降低超過550千瓦，系統無故障執行階段間提升一倍，系統可用度達到99.8%。

但如果只把這看成一次晶片迭代，可能低估了華為這幾年在AI算力上的變化。

今年華為發佈的新技術和新產品，已經很難再用“一顆晶片”來概括：從昇騰960超節點，到靈衢、Hi-ONE NPO，再到AI記憶記憶體OceanStor M900，華為正在把計算能力從晶片進一步延伸到伺服器、網路、記憶體以及軟體生態。

汪濤首次就這一系列技術路線系統復盤了華為過去幾年從單顆晶片向系統級算力演進的過程。他談到了華為在晶片、互聯和軟體生態等環節面臨的現實約束，也解釋了為什麼華為最終選擇了一條不同於單純追求單晶片性能的技術路線。

“這個節奏，是華為基於當前可獲得的工藝，始終堅持創新的結果。”汪濤表示。

這句話或許是理解華為當前算力戰略的一個入口：將多個晶片更加緊密、高效地連接起來，打造超大規模算力底座，助力中國大模型加速模型迭代，構築世界領先優勢。

在華為看來，AI變革的速度已經超過歷史上任何一次技術革命。

過去AI晶片的競爭，很大程度上圍繞單顆晶片的算力、能效等指標展開，但隨著大模型參數規模不斷擴大，訓練和推理所需要的計算資源已經從單卡、單機逐步走向大規模叢集，晶片之間如何高效通訊、如何共享計算和記憶體資源，以及整個系統能否保持穩定運行，開始成為影響AI基礎設施效率的重要因素。

汪濤表示：“全球兆級MoE模型正快速迭代，各方交替領先。預計到2027年，10萬卡的算力叢集成為訓練SOTA模型的標配。”

在這樣的計算需求下，僅僅提高單顆晶片的計算能力已經難以覆蓋整個系統的需求，這也是華為近年來持續強調超節點和叢集架構的原因。

所謂超節點，並不是簡單地把大量伺服器卡連接起來。在今年的WAIC上，鵬城實驗室與全球計算聯盟，聯合38家單位共同發佈了《超節點定義與實踐白皮書》，各方就超節點的核心架構及其關鍵特徵形成了共識：即具備跨物理節點的統一記憶體編址能力，邏輯上具備“一台電腦”特徵的計算系統。

“很多人簡單把所有伺服器卡連在一起就叫超節點，其實這是一個誤區。”在汪濤看來。如果只是通過RoCE、IB等網路連線起來，本質上仍然屬於叢集，而超節點需要解決的是節點內部更深層次的計算和互聯協同問題。

隨著計算規模擴大，計算資源之間的互聯效率也越來越可能成為影響整個系統效率的關鍵變數。在10萬卡規模的叢集中，如果仍採用傳統的8卡伺服器架構，內部通訊時間可能超過訓練總時間的40%。華為馬爾可夫實驗室的一項模擬則顯示，在相同的10萬卡規模下，由4096卡超節點組成的叢集，相比由8卡伺服器組成的叢集，MFU（模型浮點算力利用率）可以提升2.75倍。

汪濤表示：“我們做過測算，MFU每提升1個百分點，10T大模型訓練可以縮短三天。”提升MFU是一個世界級難題，需要從系統工程視角進行最佳化。

這也是今年華為將靈衢、Hi-ONE NPO、OceanStor M900等不同產品放在同一套架構中討論的原因。隨著超節點規模擴大，傳統光模組連接方式面臨頻寬、功耗和可靠性等方面的挑戰，華為因此進一步推進NPO光互聯；在記憶體側，OceanStor M900則針對大模型推理中的KV Cache需求提供PB級快取能力。按照華為的規劃，這些能力最終都需要通過靈衢統一互聯起來。

華為將這種能力定義為系統工程：“只做好一個晶片是遠遠不夠的，只做一個整機、做一台伺服器也是不夠的。最後它是一個複雜的、多學科的系統工程能力——給客戶交付一個高可用度的計算系統，才是有價值的。”汪濤說。

從這個角度看，昇騰960超節點是這套系統中的一個重要組成部分。華為當下已經不只是“如何做出一顆更快的晶片”，而是如何把更多處理器、互聯、記憶體和軟體能力組織成一個高效的計算系統，使算力能夠以更高的效率和穩定性交付給客戶。

一條“被逼出來”的路，開始變成系統工程

華為並不是一開始就選擇了今天這條路。

過去幾年，從昇騰晶片到伺服器，再到超節點和叢集，華為不斷擴大自身在AI計算基礎設施中的覆蓋範圍，而背後的一個現實因素，是單顆晶片在先進製程上的限制。

汪濤對此也並不迴避。他在交流中直言：“因為眾所周知的原因，先進工藝不可獲得，我們需要從多晶片上突破，希望把更多的計算資源聯接在一起。”

也正是在這樣的現實約束下，華為開始圍繞“超節點+叢集”進行系統級創新，把計算、互聯、記憶體和軟體納入同一套系統架構，從而實現更高的計算效率。

而現在，這場重構正在進一步向更大規模的計算架構延伸。

“必須要通過創新打造新的路徑。”汪濤說。

這條路某種程度上是“被逼出來”的，但從一開始，它就是一條自主創新的路。今天的SOTA模型訓練，不是一顆晶片、一台伺服器可以完成的。隨著AI計算規模從單卡、單機走向大規模叢集，計算、互聯、記憶體和軟體之間的協同本身正在成為算力基礎設施的重要組成部分。

一套新的計算架構要真正成立，需要開發者願意使用，模型廠商願意適配，客戶願意部署，軟體生態也需要持續迭代。尤其是在AI開發高度依賴既有軟體生態的情況下，硬體能夠運行，與開發者願意長期在這一平台上開發，是兩件不同的事情。

這也是CANN需要解決的問題。CANN的全稱為Compute Architecture for Neural Networks，是過去幾年裡，華為面向昇騰AI處理器打造的軟體平台，連接底層硬體與上層AI框架、模型和應用。

汪濤表示， CANN作為昇騰生態的根基，自2018年發佈首個版本以來，經過8年的技術積累，架構與能力已逐步走向成熟完善。昇騰生態跨越了拐點，根據華為公佈的資料，目前CANN外部開發者佔比達到61%，月活躍開發者超過5200人，已有40多個模型實現原生預訓練，90多個主流第三方社區進行深度共建。

昇騰已正式成為繼 NVIDIA、AMD、Intel之後，在 PyTorch 官網可直接安裝的算力平台，也是首個來自中國的算力平台，全球所有開發者可以直接獲取昇騰算力的創新成果。PyTorch是目前全球主流的開源機器學習框架之一，被廣泛用於大模型訓練和推理開發。

“建構開源開放的算力生態是華為公司的核心戰略。我們堅持建構開源開放的算力生態，支援主流大模型基於昇騰原生訓練、積極擁抱‘百模千態’。一個計算系統工程不僅僅是硬體還有軟體生態，涉及算子、AI框架、領域加速庫以及複雜的工具體系。”汪濤說。

但即便如此，生態建設仍然是一個長期過程。“沒有任何一家公司能獨自支撐整個智能世界。”汪濤說。在他的描述中，華為聚焦AI算力基礎設施的角色，堅持硬體變現。模型公司做好模型，合作夥伴則圍繞產品和服務形成自己的能力，“每家都磨好自己的豆腐”。

如果說過去幾年華為是“被逼出來”尋找一條能夠繼續向前走的路，那麼今天，這條路正在進入另一個階段。昇騰960晶片研發提前落地、Hi-ONE NPO率先引入超節點，昇騰生態跨越拐點，都說明華為已經不再只是單點補齊能力，而是在逐步把這套系統做大。

這條路已經越來越被業界認可，汪濤在演講中提到：昇騰910C超節點已部署超過1000套，昇騰950超節點已經規模商用。超節點已成為產、學、研共識，成為AI基礎設施建設的必然選擇。

從“超節點”作為一個概念被提出，到裝機量過千套，華為用了不到兩年。這也意味著，過去幾年圍繞單顆晶片差距的討論，正在被另一組變數替代——誰能把上萬張卡連成一台穩定的電腦。

“隨著大模型邁向十兆級規模，超節點逐漸成為超大規模AI基礎設施建設的‘必選項’。”汪濤說。

他同時表示，“華為AI戰略的核心，就是做好算力，同時堅持硬體變現。”

在他看來，堅持算力作為主賽道、堅持硬體變現，還有一個重要原因是明確研發資源的邊界。華為業務線眾多，很多技術和產業方向彼此交叉，公司也會進行探索，但並不意味著所有業務都將成為華為的商業變現方向。“華為員工具有很強的創造性，希望在不同方向做到世界第一，但公司的研發資源並不是無限的，因此需要明確核心投入方向。”

“既有頭部網際網路，也有大模型初創企業，他們的優異產品和強大的創新能力顯著提升了中國人工智慧的全球影響力。華為的使命是為這些優秀企業建構堅實的算力底座，做好他們堅強的後盾和夥伴。”汪濤表示，他們代表中國科技的未來，華為要做的就是磨好自己的豆腐，做好算力底座。

華為希望通過持續投入，打造中國算力底座，並為全球市場提供新的選擇，“希望經過5到10年能實現”。

從昇騰晶片到超節點，從超節點到叢集，再到互聯、記憶體和軟體生態，華為正在把AI計算的邊界不斷向系統層面延伸。單顆晶片的差距仍然存在，但路徑已經清楚：時間表在提前，裝機量在增長，行業標準由國內產學研用共同寫定。

“我們是沒有退路。但我們認為‘沒有退路就是勝利之路’。”汪濤說。 (第一財經)

九月，上海。華為正式發佈阿特拉斯960E昇騰超節點。按照官方公佈的資料，單個系統可擴展至4096顆昇騰處理器，提供每秒8百億億次八位浮點算力，最高配置約100萬GB的高頻寬記憶體，節點之間用近封裝光學互連技術打通。

華為同時公佈了路線圖：昇騰960系列產品2027年分階段推出，昇騰970排在2028年，昇騰980排在2029年。通過超節點加叢集架構，整套系統的理論擴展上限是100萬顆處理器。

美聯社的表述很克制：性能數字來自發佈會，要等實際部署、第三方測試和軟體生態驗證。這個提醒有必要。但數字只是表面，真正值得拆解的是數字背後的路線選擇。

一、8百億億次算力，靠的不是一顆晶片！

很多人盯著單顆晶片問：追上沒有？這個問題本身已經過時了。

美國制裁的底層邏輯，是按住單點性能。算力晶片禁運、先進製程斷供、先進封裝卡脖子，全部圍繞一個假設：只要單顆晶片造不出來，中國的算力就上不去。

昇騰960超節點直接繞開了這個假設。單顆晶片性能有差距，那就把4096顆晶片用光互連縫成一台機器，對外呈現為一個統一的計算單元。近封裝光學互連的訊號損耗和延遲遠低於傳統銅線，這是"超節點"三個字能夠成立的技術支點。算力不再按顆賣，按系統賣。

8百億億次浮點算力這個數，不是靠某一顆神芯堆出來的，是靠互連、調度、記憶體池化和軟體棧協同喂出來的。路徑換了，遊戲規則跟著換。

二、4096顆芯一台機器，單芯制裁正在失效！

制裁清單是按晶片品類開的。光互連、交換架構、叢集調度、叢集級記憶體池，這些環節原先不在清單的核心位置，或者說制裁的瞄準鏡沒有對準它們。

單個系統4096顆處理器，再往上一百萬顆處理器的理論擴展規模，意味著競爭的計量單位從"顆"變成了"系統"。系統層面的性能，由互連頻寬、通訊效率、任務調度、散熱供電共同決定，單顆晶片只佔權重的一部分。

這就是工業體系競爭和單點競爭的本質區別。美國能卡住最先進製程的產線，但卡不住一個系統工程把所有可用環節串起來之後的總體產出。卡住一顆晶片，損失的是系統裡四十分之一的元件，替代方案總會出現。

三、100萬顆晶片組網，拼的是系統工程！

中美算力競爭正在變成四個層面的綜合較量，沒有一層可以單獨缺席。

第一層，晶片製造與先進封裝。製程受限是現實，先進封裝和芯粒技術就是繞路的方向。把多顆成熟製程的晶片封裝成一個邏輯整體，用架構換工藝。

第二層，大規模互連與叢集利用率。機器買了不等於算力到手。上萬顆晶片的叢集，實際利用率往往只有六成上下，調度、通訊、容錯每一項都在吃掉理論性能。誰的叢集利用率高，誰的真實算力就厚。

第三層，模型與計算平台的適配。輝達真正的護城河從來不是晶片本身，是十年積累的軟體生態，開發者離開它的平台要重寫整套程式碼。華為的對應動作是把模型、框架、編譯器、算子庫一起打包，讓遷移成本降下來。生態戰是最慢的一戰，也是決定性的一戰。

第四層，電力、資料中心和工程落地。百萬顆處理器的叢集是吃電巨獸，供電、散熱、機房、維運全是硬門檻。這一輪競爭的盡頭，拼的是電網和水泥。

四、制裁的瞄準鏡正在移向光互連！

路線清楚了，下一波管制的方向也基本清楚了。

光互連器件、高速光通訊模組、高頻寬記憶體、半導體製造裝置，這些環節大機率會進入美國商務部的新一輪評估範圍。邏輯很直接：晶片本身卡了多年，效果遞減；系統能繞過去，那就去卡系統繞不過去的那幾個零件。

但這裡有一個華盛頓繞不開的悖論。光通訊和高頻寬記憶體是全球分工最深的環節之一，美國自己的裝置商和記憶體廠也深度嵌入這條鏈。擴大管制清單，傷敵的同時也在拆自己的供應鏈。2022年以來的每一輪加碼，都在把這個悖論推向更尖銳的位置。

更深一層的問題是時間差。華為的產品2027年才開始分階段落地，980排到2029年。制裁即便精準命中光互連環節，從立法、談判、盟友協調到落地執行，同樣是以年為單位。兩邊都在跑，比的是誰的系統先穩定上量。

五、算力按系統賣，封鎖按零件開，對不上了！

回頭看整件事，真正的變化是一個計量單位的錯位。

封鎖體系按零件分類，一顆晶片、一台裝置、一項工藝，逐個編號、逐個審批。中國算力產業的應對是按系統組網，零件的性能缺口用架構補，單點的制裁成本被攤薄到整個系統裡。

按零件設計的封鎖，遇上按系統設計的產業，效力必然遞減。這不是誰喊口號的問題，是工程邏輯壓倒清單邏輯的問題。

當然，該潑的冷水要潑。百萬顆晶片的理論擴展規模目前只是理論值，叢集規模越大，故障率、能耗、調度複雜度的上升曲線越陡。軟體生態的遷移阻力，比硬體參數表上體現的大得多。把這些坎邁過去，需要的時間不會比造晶片本身短。

但方向已經變了。當算力競爭的戰場從單顆晶片擴展到互連、叢集、生態、電力四個層面，勝負的裁決權就從一紙出口管制清單，轉移到了工廠、機房和電網手裡。

清單管得了晶片出海關，管不了一百萬顆晶片怎麼擰成一股繩。(中俄知略)

通過一整套晶片、光互聯、記憶體和軟體生態，把越來越大的AI計算系統進一步連接起來。

華為進一步攤開了AI算力的技術版圖。

9月17日，在華為全聯接大會2026上，華為副董事長、輪值董事長汪濤集中展示了面向AI基礎設施的新一輪技術進展：昇騰960研發進度提前，NPO光互聯產品Hi-ONE即將規模量產，採用NPO技術的昇騰960超節點正式發佈；同時圍繞計算、互聯、記憶體和管理，華為還首次完整展示了支撐超節點叢集的11顆關鍵晶片。

相比一年前強調“超節點+叢集”的算力路線，今年華為進一步將目標指向Agentic AI（智能體AI）。

智能體持續工作時間變長、上下文持續增長以及多智能體並行，使得AI基礎設施面對的不再只是NPU算力問題。CPU需要同時處理大量推理任務，記憶體系統要記憶體不斷擴大的KV快取，數千乃至數萬顆晶片之間還要進行高速通訊。AI基礎設施已經開始從單一晶片競爭，轉向計算、互聯、記憶體協同的系統工程。

（華為副董事長、輪值董事長汪濤）

汪濤表示，華為AI戰略的核心仍是算力，將繼續圍繞“超節點+叢集”進行系統架構創新。截至目前，昇騰910C超節點已經部署超過1000套，昇騰950超節點開始規模商用。

如果說過去幾年華為試圖回答的是“如何在單晶片之外獲得更大的系統算力”，今年給出的進一步答案則是：通過一整套晶片、光互聯、記憶體和軟體生態，把越來越大的AI計算系統進一步連接起來。

11顆關鍵晶片組成算力“全家桶”

超大規模AI叢集越來越像一台複雜的電腦。

汪濤提到，目前兆參數級MoE模型持續迭代，10萬卡規模的算力叢集正在成為前沿模型訓練的重要基礎設施。但將10萬張AI加速卡放在一起，並不意味著10萬張卡的算力能夠簡單相加。

其中最大的損耗之一來自通訊。

根據華為測算，在由傳統八卡伺服器組成的10萬卡叢集中，模型訓練期間晶片之間通訊所消耗的時間可能超過全部訓練時間的40%，而衡量AI叢集有效算力的重要指標MFU（模型浮點算力利用率）每提升一個百分點，都可能縮短模型迭代周期。

在華為常務董事、ICT BG CEO楊超斌看來，AI基礎設施的瓶頸正轉向互聯。他表示，隨著模型參數增大、叢集規模擴大，一個典型MoE模型在10萬卡叢集上的MFU可能不到20%；與此同時，Prefill（預填充）、Decode（解碼）等階段的計算和訪存特徵開始分化，CPU和NPU之間的配比也隨不同場景發生變化。計算系統需要支援異構算力協同、記憶體池化和分級快取。

華為超節點的思路，是利用靈衢UnifiedBus統一連接系統中的不同元件，支援跨物理伺服器統一記憶體編址，使多個物理節點在邏輯上更接近“一台電腦”。

圍繞這一架構，華為此次進一步亮出了11顆關鍵晶片“全家桶”，包括鯤鵬CPU、昇騰NPU等計算晶片，面向Scale-Out（橫向擴展）的大容量交換晶片，面向Scale-Up（縱向擴展）的低時延交換晶片和高速光互聯晶片；記憶體側則包括介質控制晶片以及專門面向AI KV快取設計的Smart Storage Unit，此外還有承擔系統協調和管理功能的晶片。這11顆關鍵晶片共同支撐超節點和叢集，覆蓋計算、互聯、記憶體和管理等主要環節。

汪濤透露，昇騰960研發進展快於預期。其中，昇騰960DT支援2 PFLOPS FP8、4 PFLOPS FP4算力，最大支援288GB HBM，訪存頻寬達到9.6TB/s，計畫於2027年一季度準備就緒，比原計畫提前三個季度；昇騰960PR的FP4算力達到8 PFLOPS，計畫於2027年三季度準備就緒，比原計畫提前一個季度。

未來，華為仍會維持“一年一代”的昇騰晶片演進節奏，2028年、2029年陸續推出昇騰970和980。

這也意味著，在先進製造工藝受到限制的背景下，華為仍在延續此前的技術路線：一方面提升單顆晶片能力，另一方面通過互聯和系統架構，將更多晶片組成更大的計算系統，持續突破AI算力瓶頸。

隨著超節點規模不斷擴大，另一個瓶頸開始出現：連線千顆NPU的銅纜正在逼近物理極限。

汪濤指出，當SerDes（序列器/解串器）速率達到224G以上後，銅纜的傳輸能力會快速下降；隨著NPU數量增加，傳統可插拔光模組也難以滿足系統對互聯密度的需求。

華為因此將光互聯進一步匯入算力基礎設施中，此次推出NPO（Near-Packaged Optics，近封裝光學）光互聯產品Hi-ONE，其核心思路與CPO類似，都是儘量縮短高速電訊號傳輸距離、儘早將電訊號轉換為光訊號，但不同之處在於，NPO沒有將光器件和電晶片完全封裝在一起，而是保留獨立光引擎。

華為稱，Hi-ONE是業界首個實現量產的NPO產品，單引擎傳輸容量達到7.2T。目前，它也是行業內唯一採用內建光源設計的NPO產品。

光互聯能力已經被用於華為新一代超節點。基於Hi-ONE，華為正式發佈昇騰960超節點，單個超節點最大支援4096張昇騰卡，可提供8 EFLOPS FP8算力以及最高1PB HBM容量。

根據華為測算，昇騰960超節點使用約5500個Hi-ONE模組，可以替代原方案約4.8萬個800G光模組，系統功耗降低超過550千瓦，無故障執行階段間提升一倍，可用度達到99.8%。

從技術路徑看，AI基礎設施競爭正在快速從晶片性能擴展到晶片互聯層面。

輝達持續以NVLink和NVSwitch推進Scale-Up，AMD、博通等廠商也在圍繞高速互聯展開佈局。對於華為而言，自研昇騰晶片只是其中一部分，靈衢、交換晶片以及NPO光互聯共同決定著數千張甚至數萬張卡能否真正形成一套高效率AI算力系統。

在華為看來，Agent興起還會進一步改變資料中心內部的計算結構。

傳統的大模型互動主要發生在人和模型之間，而多Agent系統需要頻繁建立沙箱（給每個Agent任務臨時建立的隔離運行環境）、搜尋長期記憶，並反覆呼叫模型，這讓過去主要圍繞GPU或NPU建設的AI基礎設施，同時面臨來自CPU、記憶體和記憶體的壓力。

例如，多Agent系統可能需要實現數十萬個沙箱的秒級啟動，並完成大量向量檢索，華為因此把超節點架構進一步擴展至通用計算。

升級後的鯤鵬超節點採用靈衢全光組網，最大支援4096個節點，並形成最高256TB的統一記憶體池。根據華為測試，在十萬級沙箱啟動場景中，其速度相比傳統伺服器方案提升30倍，沙箱密度提升25%；在百億級千維向量檢索場景下，系統吞吐最高達到30萬TPS。

記憶體同樣成為Agent時代的一大瓶頸。

隨著上下文從4K延伸至百萬Token，以及Agent與模型互動頻率持續增加，單張AI加速卡對應的KV快取容量可能達到TB級。僅依靠晶片上的HBM和伺服器DRAM已經難以承載，因此需要在叢集層面建設PB級KV快取。

華為此次推出OceanStor M900，通過靈衢讓算力卡可以直接訪問全域KV快取，相比傳統方案大幅降低資料搬運次數，並大幅提升性能。

最終，昇騰超節點、鯤鵬超節點、KV快取和網際網路絡被進一步組合成華為所稱的“Agentic超節點叢集”。

硬體之外，華為也在繼續補齊軟體生態。截至目前，CANN外部開發者佔比已經達到61%，社區月活開發者超過5200人；基於昇騰和CANN原生訓練的模型超過40個，CANN已覆蓋PyTorch、Triton、vLLM等90多個主流第三方框架及社區，適配超過200個開源大模型。

這也是華為近年來AI算力戰略的主線：AI算力的競爭，已經不只是單顆晶片之間的較量，當單顆晶片難以支撐大模型對規模算力的需求時，便轉向系統級創新——從晶片到超節點，再到萬卡、數十萬卡乃至百萬卡叢集，並進一步覆蓋CPU、記憶體、網路與軟體生態。   (21Tech)

彙整鉅亨號中所有使用「昇騰960」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

對話華為輪值董事長汪濤：支撐中國大模型的算力路，已經走出來了

昇騰960超節點：4096顆芯連成一台機器，美國的制裁算盤落空！

昇騰960提前就緒，華為劍指Agentic AI