华为正以更快的节奏推进昇腾AI芯片的技术迭代，展现出在人工智能领域的强劲发展势头。

9月17日，在“第十一届华为全联接大会2026”上海会场，华为副董事长、轮值董事长汪涛宣布：昇腾960芯片研发取得突破性进展，性能实现翻倍提升。其中，960DT型号将比原计划提前三个季度，于2027年第一季度正式上市；960PR型号则提前一个季度，预计在2027年第三季度面世。

这是继2025年华为首次公开昇腾未来三年技术路线图后，对产品节奏的又一次重大调整。根据华为2025年公布的规划，昇腾960原定于2027年第四季度推出。此外，华为此次还首次将产品路线图延伸至2029年，明确表示将在2028年和2029年分别推出昇腾970、980芯片。汪涛强调：“我们将坚持每年一代的演进节奏，依托τ（韬）定律的创新方向，持续推动算力规格翻倍增长。”

然而，随着大模型参数规模的持续扩大，AI集群的发展正从千卡级别向万卡甚至十万卡级别迈进。在这一背景下，单颗芯片的性能已无法完全决定整个集群的有效算力，芯片间的通信效率和系统协同能力变得愈发重要。如何降低大规模集群中的通信损耗，将更多理论算力转化为实际可用算力，正成为AI基础设施竞争的新焦点。

针对这一挑战，华为提出了“超节点+集群”的技术路线，并已进入规模商业部署阶段。汪涛透露，截至目前，昇腾910C超节点已累计部署超过1000套，昇腾950超节点也实现了规模商用。同时，他还公布了昇腾960超节点的最新进展：液冷超节点计划于2027年第三季度推出，并将首次引入NPO（近封装光学）方案。这一举措标志着华为将AI算力竞争进一步延伸至光互联等系统层面。

单芯片性能不再是算力上限的决定因素

近年来，华为多次强调超节点概念的重要性。这一技术路线的背后，有着深刻的产业背景。华为在2025年发布灵衢（UnifiedBus）时曾明确指出，由于先进工艺获取受限，必须从多芯片协同角度寻求突破，“希望将更多计算资源连接在一起”。这意味着，受工艺代差制约，昇腾选择通过系统架构创新来提升集群整体有效算力。超节点技术在一定程度上能够弥补国产芯片的工艺差距，成为华为提升AI算力的另一条关键路径。

然而，“简单堆卡”并非解决之道。随着集群规模从千卡扩展至万卡、十万卡，芯片间需要交换的数据量呈指数级增长。汪涛举例说明：一个由8卡服务器组成的10万卡集群，在模型训练过程中，集群内通信时间可能超过训练总时间的40%，严重制约了MFU（模型浮点算力利用率）。这意味着，大量芯片时间被浪费在“等待数据”上，而非实际计算。

根据华为马尔可夫实验室的仿真数据，在相同10万卡规模下，由4K规模超节点组成的集群相比传统8卡服务器集群，MFU可提升至原来的2.75倍。汪涛表示，MFU每提升1个百分点，模型迭代时间可缩短约3天。

因此，超节点技术需要解决的核心问题不仅是“连接多少芯片”，更重要的是在芯片数量大幅增加后，如何最大限度降低通信成本。

为实现这一目标，华为首先革新了芯片间的传统互联方式，推出了灵衢（UnifiedBus）技术。这可以理解为一套面向超节点的高速互联解决方案：通过统一的互联协议，将原本分散在不同物理服务器中的CPU、NPU、内存、存储等计算资源连接起来，并支持跨物理节点的统一内存编址。灵衢技术显著缩短了不同芯片和设备间的数据交换路径，降低了时延，使数千颗芯片在逻辑上更接近“一台计算机”。

但要构建一台拥有数千颗NPU的“超级计算机”，仅有互联协议还远远不够。

汪涛在会上介绍，围绕灵衢技术，华为已开发了11颗用于超节点和超节点集群的关键芯片，涵盖计算、互联、存储、管理等多个领域。

从统一互联协议到关键芯片的全面布局，华为实际上正在围绕昇腾NPU构建一整套超节点系统。此次公布的昇腾960超节点（Atlas 960）正是这一系统架构向下一代演进的最新成果。

据悉，Atlas 960单个超节点可实现4096颗NPU的高速互联，最大可提供8E FP8的算力。依托灵衢架构及Hi-ONE光引擎，其RTT（往返时延）最低可达2微秒（人眨一次眼约需0.1秒～0.3秒）。对于需要频繁交换数据的数千颗NPU而言，时延越低，芯片等待通信的时间就越少，从而能够将更多时间用于实际模型计算。华为称，这是目前业界规模最大的超节点。

从单颗NPU到数千卡超节点，再到数十万乃至百万卡集群，华为追求的不是简单的芯片数量增加，而是通过互联和系统架构创新降低通信开销，使更多理论算力转化为模型可实际使用的有效算力。

算力竞赛向光互联、存储等领域延伸

对于产业链而言，AI超节点的持续扩容意义深远，其影响不仅限于NPU本身。

当数千颗AI芯片需要在同一超节点内高速通信时，互联、光器件、内存、存储、散热和供电等环节都成为影响系统效率的关键因素。

华为此次将NPO技术引入昇腾超节点就是一个典型案例。目前，大规模AI集群内部仍主要依赖铜缆进行高速电互联。但当SerDes（串行器/解串器）速率达到224G及以上时，铜互联已接近物理极限：插损、串扰与反射等信号损耗显著增加，传输距离不断缩短；同时，数千乃至数万根高速铜缆汇聚在一个机柜内，不仅布线复杂、安装维护困难，还给散热和系统可靠性带来巨大挑战。

解决方案是进一步缩短高速电信号的传输距离，使电信号更早转换为光信号，从而降低信号损耗，提升大规模芯片互联的带宽和效率。为此，华为研发了NPO形态光互联产品Hi-ONE。汪涛表示：“昇腾960超节点中用5500个Hi-ONE替代了原本需要的4.8万颗800G光模块，降低了超550千瓦功耗，系统无故障运行时间提升1倍。”这使得昇腾960超节点成为全球首个采用NPO技术的超节点。

除了“芯片间如何更快传输”，存储正成为Agentic AI时代的另一个重要瓶颈。

汪涛指出，随着Agent任务持续时间的延长，模型上下文长度已快速增长至百万级。同时，Agent与模型的交互频次明显高于传统人机问答，每张昇腾卡对应的KV Cache可能达到TB级。

所谓KV Cache，可以简单理解为大模型在生成答案过程中需要反复调用的“临时记忆”。模型每生成一个新的Token（词元），都需要参考此前已计算过的信息。如果这些信息每次都重新计算，速度会非常慢，因此系统会将其暂时存储起来。问题在于，当上下文越来越长、Agent连续工作时间越来越久，这份“临时记忆”也会迅速膨胀。

但由于AI服务器中的HBM（高带宽内存）和DRAM（动态随机存取存储器）容量有限，华为此次提出了多层KV缓存架构，并推出了基于灵衢UnifiedBus的PB级KV缓存——OceanStor M900集群。M900采用混合介质加优化Retention算法，可将SSD读写寿命提升16倍。可以这样理解：华为构建了一个超大、超快的“记忆仓库”M900，专门用于存储大模型的聊天记忆。它通过自研高速通道与计算芯片直连，计算芯片查询KV缓存时无需经过多层交换机转发，可一步到位；同时，M900混用不同存储介质并加入智能算法，显著延长了SSD的使用寿命。

可以看出，过去市场最关注的是GPU或NPU本身，但随着大模型规模持续扩大，决定最终有效算力的因素已延伸至HBM、互联网络、光模块、KV Cache、SSD、液冷等更多环节。AI算力竞争正从“芯片竞赛”逐渐转变为一场系统工程的竞争。

除了硬件层面的竞争，生态仍然是国产算力规模商业化必须跨越的另一道门槛。

汪涛披露，目前鲲鹏全球开发者已超过416万，支持560多个全球开源项目，openEuler装机量超过2000万套。在昇腾生态方面，CANN是生态根基，外部开发者数量首次超过内部开发者，占开发者总数的61%；基于昇腾+CANN进行原生训练的模型已超过40个。

这意味着，下一阶段AI基础设施的竞争将越来越难以用单颗芯片的参数来衡量。当集群规模迈向十万卡乃至百万卡时，芯片能否高效互联、数据能否快速存取、系统能否稳定运行，以及软件生态能否让开发者真正用起来，将共同决定一套AI算力基础设施的实际竞争力。

“人工智能也许是人类社会最后一次技术革命，它带来的变革之深、之广、之快，远超想象，没有任何一家公司能独自支撑整个智能世界。”汪涛表示，华为AI战略的核心是算力，未来将继续聚焦AI基础设施，坚持硬件变现、软件开源开放。