华为突破性黑科技“通吃”全球算力，竟利好寒武纪

据报道，11月21日，华为即将发布一项AI领域的突破性技术，将GPU、NPU等算力资源的利用率从行业平均的30%-40%一举提升至70%。在AI大模型军备竞赛日益烧钱的当下，这一数字若能实现，可能标志着AI基础设施的构建思路的改变。

华为魔法曝光，英伟达AMD被联手？

长期以来，AI算力集群面临资源利用率低下痛点。不同框架、不同任务、不同硬件（如GPU与NPU）之间难以高效协同，导致大量宝贵的算力在等待、调度中被闲置。

据分析，华为此次的杀手锏是软件创新。它旨在通过软件平台，实现对英伟达GPU、华为自家昇腾NPU及其他第三方算力的统一资源管理与利用。

其本质，是构建一个“算力抽象层”。在AI模型看来，底层的硬件差异被彻底“屏蔽”，只有一个统一的、高效的资源池可供调用。这使得AI训练和推理的资源支撑变得前所未有的高效。

英伟达格局小了，华为通吃全场，谁的卡都能用

在提升资源效率的赛道上，英伟达是先行者。其收购的Run:ai平台，通过动态资源调度与智能化管理，已在优化GPU利用率方面取得了显著成效。NVIDIA Run:ai的核心优势在于对NVIDIA自家生态内的资源进行精细化编排，无论在公有云还是本地数据中心，都表现出色。

然而，华为的技术似乎展现了更大的“野心”，其关键词是“泛用性”。

如果说Run:ai是在“英伟达生态”内做到了极致优化，那么华为则试图建立一个“跨生态”的“联合国”。报道中明确提及GPU和NPU，这强烈暗示该技术不仅服务于华为昇腾，更致力于将不同厂商的算力“兼容并包”。

混合训练\推理，万卡集群不再难，AI平权时代要来了

这种“泛用性”的真正价值，可能在于实现了高效的混合训练/推理。

在当前的行业实践中，为了保证集群稳定性和效率，绝大多数训练/推理集群都由同一种型号的计算卡构成。但这并非最优解。

以大模型推理为例，其过程可大致分为Prefill和Decode两个阶段：

Prefill阶段计算量大，对算力要求高。理论上，使用大算力、配GDDR或LPDDR的计算卡即可实现高性价比。

Decode阶段计算量小，但频繁读写缓存，对显存带宽极为敏感。理论上，使用高带宽、算力不必顶尖的“带宽卡”效率最高。

华为此前已在昇腾CANN 8.0基于LLM P-D分离部署方案发布LLM-DataDist组件，如果华为的新技术能将这两种不同品牌的卡（例如，A卡负责Prefill，B卡负责Decode）高效地协同起来，进行混合调度，就能将不同硬件的优势发挥到极致。

它打破了构建大规模算力集群必须依赖单一品牌、单一型号芯片的昂贵门槛。

未来，一个AI数据中心或许可以同时部署华为昇腾、英伟达、AMD，乃至国内的寒武纪、摩尔线程等不同品牌的GPU/NPU，并通过华为的这套软件系统将其协同作战。

这不仅极大地盘活了存量硬件资产，更从根本上降低了组网成本和对特定供应商的依赖。对整个AI行业而言，这无疑是一次意义重大的技术赋能与行业利好。