AI算力不再只拼芯片，华为押注系统能力

AI算力竞争正在换一种打法。

9月19日，华为在全联接大会2026期间发布《AI DC白皮书2026》和企业AI算力运营解决方案。此前两天，华为已发布昇腾960超节点，并陆续展示灵衢互联、Hi-ONE NPO光引擎和OceanStor M900 AI记忆存储。

这些产品覆盖计算、网络和存储，如何让不同设备组成一套高效运行的系统，正在成为算力竞争的新重点。

按照华为披露的数据，单个超节点最大支持4096张昇腾卡，在FP8精度下，其理论峰值算力达到8 EFLOPS，同时配备1PB高带宽内存。多个超节点还可以继续连接，组成最多包含约100万张计算卡的大型集群。

“百万卡”是此次发布最醒目的数字，但华为想讲的不只是规模。

英伟达（NVDA.US）今年推出Vera Rubin平台，将CPU、GPU、交换芯片、网卡和存储纳入同一套架构。谷歌的Ironwood TPU通过芯片互联、光交换网络和软件协同，把单个Pod扩展至9216颗芯片。

不同厂商选择的技术路径不尽相同，目标却越来越接近。

芯片增加以后，理论算力随之提高，真正被模型利用的算力却未必同比增长。大模型训练和推理时，不同芯片需要频繁交换数据。如果通信速度跟不上，芯片只能停下来等待，继续增加芯片的收益也会下降。

华为称，在传统计算架构下，十万卡集群的实际模型算力利用率约为20%，大量算力处于等待通信的状态。

盘古智库高级研究员江瀚向财闻表示，集群规模扩大后，互联带宽、数据存储等环节都会影响算力利用率，“产业真正需要的是能够落地的有效算力，而不是纸面算力。”

对华为而言，强调系统能力还有更现实的考虑。

LensAI创始人况玉清向财闻表示，芯片、网络和存储本来就是一条协同链条，厂商之间的差别在于能够整合多少环节，又能解决其中哪些问题。与英伟达相比，华为在先进制程和单芯片性能上仍有差距，通过系统集成缩小整体算力差距，一直是其重要策略。

华为给出的解法，是把数据中心尽可能变成一台计算机。

昇腾960提供计算能力，灵衢负责连接芯片、服务器和存储设备。所谓“百万卡”，并不是把百万张卡装进一个超节点，而是让多个超节点组成更大的集群。

连接规模扩大后，数据传输也会带来功耗和故障压力。华为将光通信技术引入超节点，推出Hi-ONE NPO光引擎。按照公司披露的数据，昇腾960使用5500个Hi-ONE，替代原本需要的4.8万颗800G光模块，可减少超过550千瓦功耗。

存储也是竞争环节之一。长上下文和智能体会产生大量KV Cache，持续占用价格较高、容量有限的显存和内存。华为推出M900 AI记忆存储，希望把部分数据转移到高速存储中，在容量、速度和成本之间寻找平衡。

况玉清提到：“单颗芯片可能性能差距大，但万卡集群可能就不一样了。”

华为同时拥有芯片、服务器、网络和存储等业务，这是它押注系统路线的基础。在先进芯片供应受到限制的情况下，通过系统架构释放更多有效算力，也是华为建立算力竞争力的现实选择。