7月17日，2026世界人工智慧大會（WAIC）在上海世博中心拉開帷幕。華為昇騰950超節點（Atlas 950 SuperPoD）真機首次公開亮相，成為本屆大會備受矚目的焦點。 作為業界最大規模超節點（1024卡），昇騰950超節點主要面向大規模資料中心建設、兆級大模型訓練與中心高並行推理場景算力需求，憑藉“超大頻寬、超低時延、統一記憶體編址”三大核心優勢，築牢Agentic AI時代新一代標竿算力底座。 此外，昇騰重點展示了開源開放的基礎軟體生態，依託CANN、Mind系列等基礎軟體，持續最佳化開發體驗、降低創新門檻，為大模型技術快速迭代提供開放生態支撐。依託硬體與軟體雙重優勢，昇騰持續賦能千行萬業，本次大會集中展示20多個行業落地標竿案例，高效推動人工智慧從技術創新走向規模化商業落地，加速全行業智能化躍遷。 昇騰950超節點真機首次亮相

華為官方宣佈新一代昇騰超節點Atlas 950 SuperPoD真機將於7月17日至20日在世界人工智慧大會（WAIC 2026）亮相。 華為表示，這標誌著昇騰在超大規模算力基礎設施領域再上新台階，為大模型時代提供堅實算力支撐。 除了旗艦級的950系列，昇騰還將帶來Atlas 850E風冷超節點真機展示，無需液冷機房改造，普通風冷機房即可享受超節點技術帶來的極致性能。 Atlas 950 SuperPoD於2025年9月華為全聯接大會上由輪值董事長徐直軍正式發佈，此次WAIC為真機首次公開亮相。

著眼當下 ，AI 算力狂飆，伺服器功率密度、晶片整合度、機櫃負載階躍性持續刷新行業認知，MLCC、矽電容、超級電容三類核心儲能 / 濾波電容，早已不是簡單的被動元器件堆疊，而是按照納秒、高頻、毫秒 - 秒級三大時間維度，分層承擔起算力系統從晶片核心到整機機櫃的供電穩壓重任。 市場主流分化出兩大算力路線：輝達 Rubin 系列主打單櫃極致算力密度，是當前全球高端 AI 叢集的標竿；華為昇騰路線依託超節點叢集 + 全光互聯 + 國產自主體系，走出差異化突圍路徑。兩條技術路線架構、功耗邏輯、供電方案截然不同，也直接導致三類電容的應用定位、用量規模、價值權重、匯入節奏、產業鏈受益邏輯出現明顯分野。本文從底層分工、路線核心、單品拆解、產業鏈機會四大維度，把兩條算力賽道下三類電容的博弈邏輯、現狀與未來徹底講透。 一、底層邏輯：三類電容並非替代關係，而是算力供電三層 “防護網” 先釐清核心前提：MLCC、矽電容、超級電容不存在互相替代，而是依據部署位置、響應速度，形成三級供電保障體系，分別對應晶片 - 板卡 - 機櫃三大空間層級，以及納秒、超高頻、毫秒至秒級三大時間尺度，這也是兩條算力路線通用的底層架構。

華為副總裁、華為雲中國區總裁陳林近日宣佈，公司將每年推出一代昇騰AI晶片，並實現算力翻倍。這一路線圖旨在應對市場算力短缺和記憶體成本上升的挑戰，為AI模型訓練與迭代提供穩定可預期的算力供給。 陳林表示，當前市場面臨算力緊缺和記憶體成本上漲，影響了模型的訓練和迭代，增加了企業開支。解決方案在於穩定的計算資源供應和可預測的擴容節奏。 陳林確認了“一年一代，算力翻番”的計畫，並透露昇騰950DT晶片將於8月正式在華為雲服務中上線。該晶片將在向量性能、記憶體頻寬和互聯方面獲得顯著提升，並原生支援FP8等現代計算格式，以簡化程式設計和模型調優，包括智能駕駛場景。 與此同時，華為雲宣佈將基於自研昇騰晶片和本地化供應鏈，建構全球算力與儲存網路。規劃涵蓋34個區域和102個可用區，目前已在貴陽、蕪湖、內蒙古部署了大型計算叢集。在汽車和企業領域，華為將提供更安全可靠的雲基礎設施，並持續加大對企業數位化轉型的AI服務投入。

據《南華早報》援引深圳市政府消息，一個由華為技術公司領銜的研究團隊近日聲稱，已使用至少1000顆華為昇騰910C AI晶片組成的叢集，完成了對DeepSeek V4-Pro（1.6兆參數）大語言模型的全參數後訓練。該團隊由華為與深圳環島人工智慧研究院、哈爾濱工業大學（深圳）及深圳巨量資料研究院共同組成。 這一成果標誌著中國本土AI加速器首次在處理訓練類工作負載方面取得實質進展。此前，受美國出口管制限制，中國AI企業在模型訓練環節一直最難脫離輝達硬體。昇騰910C是華為當前的旗艦AI晶片，採用雙die設計，在早期DeepSeek測試中其推理性能約為輝達H100的60%。 所謂的“全參數後訓練”是指在大模型完成海量預訓練（V4-Pro的預訓練語料超過32兆 tokens）之後，通過指令微調、安全對齊和特定任務資料對模型所有權重進行更新的階段。這不同於成本更高、計算量更龐大的預訓練。去年8月曾有報導稱，DeepSeek在R2模型訓練時甚至無法在昇騰晶片上完成一次成功的訓練運行，原因是性能不穩定、片間互聯慢以及華為CANN軟體棧的缺陷，最終只得退回使用輝達GPU進行訓練。今年4月發佈的DeepSeek-V4-Pro是首款從一開始就圍繞昇騰建構的模型。 需要注意的是，深圳方面的聲明未提供任何基準測試資料，未說明此次後訓練耗時多久、與在輝達硬體上執行相同任務相比效率如何，也未給出1000顆叢集的實際利用率。DeepSeek公司本身對此未予置評。

6 月 6 日，深圳市政府披露的一則消息在半導體領域引起關注，也被《南華早報》報導——一支以華為為核心的聯合研究團隊，用至少 1000 顆昇騰 910C 晶片組成的叢集，完成了對深度求索（DeepSeek）V4‑Pro 模型的全參數後訓練。該模型的參數規模達 1.6 兆，預訓練語料庫超過 32 兆個 token。 這是中國本土 AI 加速器首次被公開證實能夠處理此量級的訓練類工作負載。過去，中國的 AI 公司在“訓練”這一環節幾乎完全受制於輝達 GPU，即便在推理側已能替代一部分。而“後訓練”，處於預訓練和部署之間，此前一直是未被跨越的難關。 但該消息未給出任何基準測試、執行階段長，也未提及與輝達的效率對比。背後的張力，自始至終都未曾減弱。 從“困境”走向“可行”

引言：算力即能力，晶片定生死 從最初的“市場空白”到如今“多點突破”，國產 AI 晶片正處於從"可用"向"好用"邁進的關鍵爬坡期。 01. 發展歷程：從“追跑”到“並跑” 國產 AI 晶片的探索之路，是中國硬科技突圍的縮影。

4月24日，DeepSeek V4發佈，跑在華為昇騰晶片上。5月25日，華為何庭波在IEEE ISCAS上扔出一顆更大的炸彈——"韜定律"。 兩件事隔了整整一個月，但放在一起看，故事才完整。 先說V4。1.6兆MoE，100萬token上下文，MIT開源——參數炸裂，但圈內聊的不是參數。是它用了昇騰，沒用NVIDIA。這是第一次，世界頂級開源大模型用國產晶片扛住了真實流量。 再說韜定律。何庭波那場演講的核心就一句話：以後晶片的性能之爭，不看你電晶體做得多小，看你訊號傳得多快。她把晶片最佳化的焦點從"幾何縮微"（摩爾定律的路徑）扭到了"時間縮微"——那個希臘字母 τ（tau），就是訊號傳輸的時間常數。