华为正在加快昇腾 AI（人工智能）芯片的迭代节奏。
9 月 17 日，" 第十一届华为全联接大会 2026" 在上海开幕，会上华为副董事长、轮值董事长汪涛透露：昇腾 960 芯片研发进度超出预期，性能实现倍增。960DT 比原计划提前三个季度，将于 2027 年一季度就绪；960PR 比原计划提前一个季度，预计 2027 年三季度就绪。
这是继 2025 年华为罕见公开昇腾未来 3 年技术路线图后，昇腾产品节奏的又一次重要更新。按照华为 2025 年公布的规划，昇腾 960 原定于 2027 年四季度上市。此外，华为首次将产品路线图延伸至 2029 年。"2028 年和 2029 年，华为将陆续推出昇腾 970、980 芯片。我们将坚持一年一代的演进节奏，依托 τ（韬）定律的创新方向，实现算力规格继续翻倍。" 汪涛说道。
不过，与单纯追逐单颗芯片性能不同，随着大模型参数规模持续增长，AI 集群也在从千卡向万卡甚至十万卡扩展，单颗芯片的性能已经无法完全决定整个集群的有效算力，芯片之间的通信效率和系统协同能力变得越来越重要。如何降低大规模集群中的通信损耗、让更多理论算力真正转化为有效算力，正在成为 AI 基础设施竞争的新焦点。
华为给出的路径是 " 超节点 + 集群 "，目前这一技术路线已经开始进入规模商业部署阶段。汪涛称，截至目前，昇腾 910C 超节点累计部署超 1000 套，昇腾 950 超节点也已规模商用。同时，他还进一步公布了昇腾 960 超节点的进展——液冷超节点计划于 2027 年三季度推出，并且该超节点还将首次引入 NPO（近封装光学）方案。这意味着华为将 AI 算力竞争进一步延伸至光互联等系统层面。
单颗芯片不再决定算力上限
近年来，华为反复强调超节点概念。这一技术路线背后有着更现实的产业背景。华为 2025 年在发布灵衢（UnifiedBus）时曾明确表示，由于先进工艺不可获得，需要从多芯片上寻求突破，" 希望把更多的计算资源联接在一起 "。这也意味着，受先进工艺获取约束，昇腾选择从系统架构层面突破，依托系统级协同调度，提升集群整体有效算力，因此超节点在一定程度上能够弥补国产芯片的工艺代差，也是华为提升 AI 算力的另一条重要路径。
然而，" 把更多芯片连起来 " 并不是简单堆卡。随着集群规模从千卡扩大至万卡、十万卡，芯片之间需要交换的数据量急剧增加。汪涛称，一个由 8 卡服务器组成的 10 万卡集群，在模型训练过程中，集群内通信超过训练时间的 40%，严重制约了 MFU（模型浮点算力利用率）。换句话说，芯片虽然都在集群里，但相当一部分时间没有用于真正的模型计算，而是在 " 等数据 "。
根据华为马尔可夫实验室的仿真结果，在同样 10 万卡规模下，由 4K 规模超节点组成的集群，相比传统 8 卡服务器组成的集群，MFU 提升至原来的 2.75 倍。汪涛表示，MFU 每提升 1 个百分点，模型迭代时间可以提前约 3 天。
因此，超节点真正要解决的除了 " 能连多少张卡 " 之外，还要解决当芯片数量大幅增加之后，如何尽可能降低彼此通信的成本。
要做到这一点，首先需要改变芯片之间传统的互联方式。华为给出的技术方案是灵衢（UnifiedBus）。可以理解为是华为面向超节点打造的一套高速互联技术：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（中央处理器）、NPU（神经网络处理单元）、内存、存储等计算资源连接起来，并支持跨物理节点统一内存编址。灵衢可以让不同芯片和设备之间交换数据的路径更短、时延更低，从而让数千颗芯片在逻辑上更接近 " 一台计算机 "。
不过，要组成一台拥有数千颗 NPU 的 " 超级计算机 "，仅有互联协议还不够。
会上，据汪涛介绍，围绕灵衢，华为目前已经开发 11 颗用于超节点和超节点集群的关键芯片，覆盖计算、互联、存储、管理等方面。
从统一互联协议，到计算、存储等关键芯片，华为实际上是在围绕昇腾 NPU 搭建一整套超节点系统。而此次公布的昇腾 960 超节点（Atlas 960），则成为这套系统架构向下一代演进的最新载体。
据悉，Atlas 960 单个超节点可以实现 4096 颗 NPU 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）。RTT 可以理解为数据从一端发出、到达另一端再返回所需要的时间，对于需要频繁交换数据的数千颗 NPU 而言，时延越低，芯片花在 " 等待通信 " 上的时间就越少，也就能把更多时间真正用于模型计算。华为称，这也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增加芯片数量，而是在单芯片性能之外，通过互联和系统架构降低通信开销，让更多理论算力最终转化为模型可以真正使用的有效算力。
算力竞赛向光互联、存储延伸
对于产业链而言，AI 超节点持续扩容的意义，并不只体现在 NPU 本身。
当数千颗 AI 芯片需要在同一个超节点内部高速通信时，互联、光器件、内存、存储、散热和供电都会随之成为影响系统效率的重要环节。
华为此次把 NPO 引入昇腾超节点就是一个明显变化。目前，大规模 AI 集群内部仍以铜缆作为高速电互联的主体。但当 SerDes（串行器 / 解串器）速率迈入 224G 及以上时代，铜互联正逼近物理极限：插损、串扰与反射等信号损耗显著增加，传输距离越来越短；与此同时，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，也给散热与系统可靠性带来巨大挑战。
解决方案是要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，从而降低随着互联距离增加带来的信号损耗，并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。" 昇腾 960 超节点中用 5500 个 Hi-ONE 替代原本需要的 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。" 汪涛说道。昇腾 960 超节点也由此成为全球首个采用 NPO 技术的超节点。
除了 " 芯片之间怎么传得更快 "，存储也正在成为 Agentic AI 时代另一个不容忽视的瓶颈。
汪涛表示，随着 Agent 任务持续时间拉长，模型上下文长度已经快速增长至百万级，与此同时，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），都需要参考此前已经计算过的信息。如果这些信息每次都重新计算，速度会非常慢，因此系统会把它们暂时存下来。问题在于，当上下文越来越长、Agent 连续工作越来越久，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）容量有限，华为此次提出多层 KV 缓存架构，推出基于灵衢 UnifiedBus 的 PB 级 KV 缓存—— OceanStor M900 集群。同时，M900 采用混合介质加优化 Retention 算法，可将 SSD（固态硬盘）读写寿命提升 16 倍。可以理解为，华为建了一个超大、超快的 " 记忆仓库 "M900，专门给大模型存聊天记忆用。它通过自研高速通道和计算芯片直连，计算芯片要查 KV 缓存时，不用经过一堆交换机、路由器层层转发，可以一步到位，并且里面混用不同存储介质，还加了智能算法，让 SSD 寿命延长 16 倍。
可以看到，过去市场最关注的是 GPU（图形处理器）或 NPU 本身，而随着大模型规模继续扩大，决定最终有效算力的因素正在延伸至 HBM、互联网络、光模块、KV Cache、SSD、液冷等越来越多环节。AI 算力正在从一场 " 芯片竞赛 "，逐渐变成一场系统工程的竞争。
而硬件之外，生态仍然是国产算力规模商业化绕不开的另一道门槛。
汪涛披露，目前鲲鹏全球开发者超过 416 万，支持 560 多个全球开源项目，openEuler 装机量则已超过 2000 万套。昇腾方面，昇腾生态的根基是 CANN，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经超过 40 个。
这也意味着，下一阶段 AI 基础设施的竞争可能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，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，未来华为将继续聚焦 AI 基础设施，坚持硬件变现、软件开源开放。
