昇腾960提前就绪 华为剑指Agentic AI

华为进一步摊开了AI算力的技术版图。

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，采用NPO技术的昇腾960超节点正式发布；同时围绕计算、互联、存储和管理，华为还首次完整展示了支撑超节点集群的11颗关键芯片。

相比一年前强调“超节点+集群”的算力路线，今年华为进一步将目标指向Agentic AI（智能体AI）。

智能体持续工作时间变长、上下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需要同时处理大量推理任务，存储系统要存储不断扩大的KV缓存，数千乃至数万颗芯片之间还要进行高速通信。AI基础设施已经开始从单一芯片竞争，转向计算、互联、存储协同的系统工程。

汪涛表示，华为AI战略的核心仍是算力，将继续围绕“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超节点开始规模商用。

如果说过去几年华为试图回答的是“如何在单芯片之外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计算系统进一步连接起来。

11颗关键芯片组成算力“全家桶”

超大规模AI集群越来越像一台复杂的计算机。

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正在成为前沿模型训练的重要基础设施。但将10万张AI加速卡放在一起，并不意味着10万张卡的算力能够简单相加。

其中最大的损耗之一来自通信。

根据华为测算，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信所消耗的时间可能超过全部训练时间的40%，而衡量AI集群有效算力的重要指标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基础设施的瓶颈正转向互联。他表示，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）等阶段的计算和访存特征开始分化，CPU和NPU之间的配比也随不同场景发生变化。计算系统需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统一连接系统中的不同组件，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接近“一台计算机”。

围绕这一架构，华为此次进一步亮出了11颗关键芯片“全家桶”，包括鲲鹏CPU、昇腾NPU等计算芯片，面向Scale-Out（横向扩展）的大容量交换芯片，面向Scale-Up（纵向扩展）的低时延交换芯片和高速光互联芯片；存储侧则包括介质控制芯片以及专门面向AI KV缓存设计的Smart Storage Unit，此外还有承担系统协调和管理功能的芯片。这11颗关键芯片共同支撑超节点和集群，覆盖计算、互联、存储和管理等主要环节。

其中最核心的仍然是昇腾。

汪涛透露，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，计划于2027年一季度准备就绪，比原计划提前三个季度；昇腾960PR的FP4算力达到8 PFLOPS，计划于2027年三季度准备就绪，比原计划提前一个季度。

未来，华为仍会维持“一年一代”的昇腾芯片演进节奏，2028年、2029年陆续推出昇腾970和980。

这也意味着，在先进制造工艺受到限制的背景下，华为仍在延续此前的技术路线：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计算系统，持续突破AI算力瓶颈。

NPO光互联进入超节点

随着超节点规模不断扩大，另一个瓶颈开始出现：连接数千颗NPU的铜缆正在逼近物理极限。

汪涛指出，当SerDes（串行器/解串器）速率达到224G以上后，铜缆的传输能力会快速下降；随着NPU数量增加，传统可插拔光模块也难以满足系统对互联密度的需求。

华为因此将光互联进一步导入算力基础设施中，此次推出NPO（Near-Packaged Optics，近封装光学）光互联产品Hi-ONE，其核心思路与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，但不同之处在于，NPO没有将光器件和电芯片完全封装在一起，而是保留独立光引擎。

华为称，Hi-ONE是业界首个实现量产的NPO产品，单引擎传输容量达到7.2T。目前，它也是行业内唯一采用内置光源设计的NPO产品。

光互联能力已经被用于华为新一代超节点。基于Hi-ONE，华为正式发布昇腾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。

根据华为测算，昇腾960超节点使用约5500个Hi-ONE模块，可以替代原方案约4.8万个800G光模块，系统功耗降低超过550千瓦，无故障运行时间提升一倍，可用度达到99.8%。

从技术路径看，AI基础设施竞争正在快速从芯片性能扩展到芯片互联层面。

英伟达持续以NVLink和NVSwitch推进Scale-Up，AMD、博通等厂商也在围绕高速互联展开布局。对于华为而言，自研昇腾芯片只是其中一部分，灵衢、交换芯片以及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率AI算力系统。

剑指Agentic AI

在华为看来，Agent兴起还会进一步改变数据中心内部的计算结构。

传统的大模型交互主要发生在人和模型之间，而多Agent系统需要频繁创建沙箱（给每个Agent任务临时创建的隔离运行环境）、搜索长期记忆，并反复调用模型，这让过去主要围绕GPU或NPU建设的AI基础设施，同时面临来自CPU、内存和存储的压力。

例如，多Agent系统可能需要实现数十万个沙箱的秒级启动，并完成大量向量检索，华为因此把超节点架构进一步扩展至通用计算。

升级后的鲲鹏超节点采用灵衢全光组网，最大支持4096个节点，并形成最高256TB的统一内存池。根据华为测试，在十万级沙箱启动场景中，其速度相比传统服务器方案提升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。

存储同样成为Agent时代的一大瓶颈。

随着上下文从4K延伸至百万Token，以及Agent与模型交互频率持续增加，单张AI加速卡对应的KV缓存容量可能达到TB级。仅依靠芯片上的HBM和服务器DRAM已经难以承载，因此需要在集群层面建设PB级KV缓存。

华为此次推出OceanStor M900，通过灵衢让算力卡可以直接访问全局KV缓存，相比传统方案大幅降低数据搬运次数，并大幅提升性能。

最终，昇腾超节点、鲲鹏超节点、KV缓存和互联网络被进一步组合成华为所称的“Agentic超节点集群”。

硬件之外，华为也在继续补齐软件生态。截至目前，CANN外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算力战略的主线：AI算力的竞争，已经不只是单颗芯片之间的较量，当单颗芯片难以支撑大模型对规模算力的需求时，便转向系统级创新——从芯片到超节点，再到万卡、数十万卡乃至百万卡集群，并进一步覆盖CPU、存储、网络与软件生态。