昇腾960提前就绪
，华为剑指Agentic AI

9月17日
，在华为全联接大会2026上
，华为副董事长、轮值董事长汪涛集中展示了面向AI基础设施的新一轮技术进展：昇腾960研发进度提前
，NPO光互联产品Hi-ONE即将规模量产
，选取NPO技术的昇腾960超节点正式颁布；同时萦绕推算、互联、存储和治理
，华为还初次齐全展示了支持超节点集群的11颗关键芯片。 智能体持续工作功夫变长、高低文持续增长以及多智能体并发
，使得AI基础设施面对的不再只是NPU算力问题。CPU必要同时处置大量推理工作
，存储系统要存储不休扩大的KV缓存
，数千甚至数万颗芯片之间还要进行高速通讯。AI基础设施已经起头从单一芯片竞争
，转向推算、互联、存储协同的系统工程。 汪涛暗示
，华为AI战术的主题仍是算力
，将持续萦绕“超节点+集群”进行系统架构创新。截至目前
，昇腾910C超节点已经部署超过1000套
，昇腾950超节点起头规模商用。 若是说从前几年华为试图回覆的是“若何在单芯片之表获得更大的系统算力”
，今年给出的进一步答案则是：通过一整套芯片、光互联、存储和软件生态
，把越来越大的AI推算系统进一步衔接起来。 汪涛提到
，目前万亿参数级MoE模型持续迭代
，10万卡规模的算力集群在成为前沿模型训练的沉要基础设施。但将10万张AI加快卡放在一路
，并不料味着10万张卡的算力可能单一相加。 凭据华为测算
，在由传统八卡服务器组成的10万卡集群中
，模型训练期间芯片之间通讯所亏损的功夫可能超过全数训练功夫的40%
，而衡量AI集群有效算力的沉要指标MFU（模型浮点算力利用率）每提升一个百分点
，都可能缩短模型迭代周期。 在华为常务董事、ICT BG CEO杨超斌看来
，AI基础设施的瓶竟佚转向互联。他暗示
，随着模型参数增大、集群规模扩大
，一个典型MoE模型在10万卡集群上的MFU可能不到20%；与此同时
，Prefill（预填充）、Decode（解码）等阶段的推算和访存特点起头分化
，CPU和NPU之间的配比也随分歧场景产生变动。推算系统必要支持异构算力协同、内存池化和分级缓存。 华为超节点的思路
，是利用灵衢UnifiedBus统一衔接系统中的分歧组件
，支持跨物理服务器统一内存编址
，使多个物理节点在逻辑上更靠近“一台推算机”。 萦绕这一架构
，华为这次进一步亮出了11颗关键芯片“全家桶”
，蕴含鲲鹏CPU、昇腾NPU等推算芯片
，面向Scale-Out（横向扩大）的大容量互换芯片
，面向Scale-Up（纵向扩大）的低时延互换芯片和高速光互联芯片；存储侧则蕴含介质节造芯片以及专门面向AI KV缓存设计的Smart Storage Unit
，此表还有承担系统协和谐治理职能的芯片。这11颗关键芯片共同支持超节点和集群
，覆盖推算、互联、存储和治理等重要环节。 汪涛泄漏
，昇腾960研发进展快于预期。其中
，昇腾960DT支持2 PFLOPS FP8、4 PFLOPS FP4算力
，最大支持288GB HBM
，访存带宽达到9.6TB/s
，打算于2027年一季度筹备就绪
，比原打算提前三个季度；昇腾960PR的FP4算力达到8 PFLOPS
，打算于2027年三季度筹备就绪
，比原打算提前一个季度。 这也意味着
，在先进造作工艺受到限度的布景下
，华为仍在一连此前的技术路线：一方面提升单颗芯片能力
，另一方面通过互联和系统架构
，将更多芯片组成更大的推算系统
，持续突破AI算力瓶颈。 汪涛指出
，当SerDes（串行器/解串器）速度达到224G以上后
，铜缆的传输能力会急剧降落；随着NPU数量增长
，传统可插拔光？橐材岩月阆低扯曰チ芏鹊男枰。 华为因而将光互联进一步导入算力基础设施中
，这次推出NPO（Near-Packaged Optics
，近封装光学）光互联产品Hi-ONE
，其主题思路与CPO类似
，都是尽量缩短高速电信号传输距离、尽早将电信号转换为光信号
，但分歧之处在于
，NPO没有将光器件和电芯片齐全封装在一路
，而是保留独立光引擎。 光互联能力已经被用于华为新一代超节点；贖i-ONE
，华为正式颁布昇腾960超节点
，单个超节点最大支持4096张昇腾卡
，可提供8 EFLOPS FP8算力以及最高1PB HBM容量。 凭据华为测算
，昇腾960超节点使用约5500个Hi-ONE？
，能够代替原规划约4.8万个800G光？
，系统功耗降低超过550千瓦
，无故障运行功夫提升一倍
，可用度达到99.8%。 英伟达持续以NVLink和NVSwitch推动Scale-Up
，AMD、博通等厂商也在萦绕高速互联发展布局。对于华为而言
，自研昇腾芯片只是其中一部门
，灵衢、互换芯片以及NPO光互联共同决定着数千张甚至数万张卡能否真正形成一套高效能AI算力系统。 传统的大模型交互重要产生在人和模型之间
，而多Agent系统必要频仍创建沙箱（给每个Agent工作一时创建的隔离运行环境）、搜索持久影象
，并反复挪用模型
，这让从前重要萦绕GPU或NPU建设的AI基础设施
，同时面对来自CPU、内存和存储的压力。 例如
，多Agent系统可能必要实现数十万个沙箱的秒级启动
，并实现大量向量检索
，华为因而把超节点架构进一步扩大至通用推算。 升级后的鲲鹏超节点选取灵衢全光组网
，最大支持4096个节点
，并形成最高256TB的统一内存池。凭据华为测试
，在十万级沙箱启动场景中
，其速度相比传统服务器规划提升30倍
，沙箱密度提升25%；在百亿级千维向量检索场景下
，系统吞吐最高达到30万TPS。 随着高低文从4K延长至百万Token
，以及Agent与模型交互频率持续增长
，单张AI加快卡对应的KV缓存容量可能达到TB级。仅依附芯片上的HBM和服务器DRAM已经难以承载
，因而必要在集群层面建设PB级KV缓存。 硬件之表
，华为也在持续补齐软件生态。截至目前
，CANN表部开发者占比已经达到61%
，社区月活开发者超过5200人；基于昇腾和CANN原生训练的模型超过40个
，CANN已覆盖PyTorch、Triton、vLLM等90多个主流第三方框架及社区
，适配超过200个开源大模型。 这也是华为近年来AI算力战术的主线：AI算力的竞争
，已经不只是单颗芯片之间的较量
，当单颗芯片难以支持大模型对规模算力的需要时
，便转向系统级创新——从芯片到超节点
，再到万卡、数十万卡甚至百万卡集群
，并进一步覆盖CPU、存储、网络与软件生态。