【导语】
华为全联接大会2026上，业界首个采用NPO（近封装光学）技术的昇腾960超节点正式发布，并同步推出升级版鲲鹏超节点与OceanStor M900 AI记忆存储系统。借助灵衢UnifiedBus统一互联协议，华为勾勒出从"超节点"到"百万卡集群"的完整AI算力版图。在大模型参数规模向十万亿乃至百万亿迈进、推理Token日消耗量迈向百万万亿级的当口，这一系统性布局不只是单一产品的迭代，更是中国AI基础设施架构路径的一次集中亮相。
一、事件背景：AI算力需求跃迁，超节点架构成为必然选择
华为副董事长、轮值董事长汪涛在主旨发言中给出了几组关键数据：当前主流大模型参数规模已快速迈向十万亿级别，预计到2030年将突破百万亿；智能体（Agent）已可按小时级连续执行任务，到2030年将以月为单位运行；中国每日推理Token消耗量已增长至约500万亿，到2030年将达到百万万亿级。端侧模型参数也从2024年的3B级别跃升至当前的30B，并继续向100B级演进。
这些变化的共同指向，是AI基础设施在规模、性能、可靠性三个维度上必须同步跃迁。传统的以8卡或16卡服务器为基本单元、通过以太网或InfiniBand进行松耦合互联的集群架构，在万卡乃至十万卡规模下已显现出明显瓶颈。
华为披露的数据显示，传统服务器架构下，集群内通信开销可占据训练时间的40%以上，严重制约了MFU（模型浮点算力利用率）的提升。根据华为马尔科夫实验室的仿真结果，由4K超节点组成的10万卡集群相比由8卡服务器组成的10万卡集群，MFU提升了2.75倍。这一数字背后，是超节点架构对通信效率、内存一致性、系统可用度等核心痛点的系统性回应。
所谓"超节点"，是指在物理上由多个计算节点通过高效互联协议紧密连接，在逻辑上具备统一内存编址能力、呈现"一台计算机"特征的计算系统。它并非简单的服务器堆叠，而是从互联协议、内存体系、供电散热到运维管理的整体重构。当前，10万卡集群已成为训练十万亿级SOTA（业界最优）模型的标配，超节点也因此从一种可选架构转变为AI基础设施的必然底座。
与此同时，昇腾910C超节点截至当前已部署超过1000套，昇腾950超节点实现规模商用，验证了超节点架构在中国市场的工程可行性。昇腾960超节点的发布，意味着华为在该路径上的进一步纵深。
二、技术解构：NPO为何成为超节点竞争的分水岭
昇腾960芯片研发进度超出预期。汪涛宣布，昇腾960DT将于2027年第一季度推出，比原计划提前三个季度；昇腾960PR将于2027年第三季度推出，比原计划提前一个季度。后续路线图显示，华为将坚持一年一代的演进节奏：昇腾970计划2028年推出，昇腾980计划2029年推出。沿袭"τ定律"的创新方向，芯片算力规格继续翻倍，访存带宽、访存容量、互联带宽等关键指标也将大幅提升。
对于正在构建算力底座的中国AI产业而言，节奏的提前意味着基础设施供给侧的关键窗口期收窄与延展并存：既加快了产业落地的进度，也对上下游协同提出了更高要求。
2.2 互联层：Hi-ONE首创NPO形态，破解光互联瓶颈
超节点的核心在于互联。要将4096颗NPU组织成一台"逻辑计算机"，传统可插拔光模块在功耗、密度、传输距离上的局限性日益凸显。
华为自主研发的新一代NPO形态光互联产品Hi-ONE，是本次发布的关键技术变量。NPO（Near-Packaged Optics，近封装光学）将光学引擎更靠近芯片封装，相较传统可插拔光模块，能显著缩短电信号路径、降低功耗、提升带宽密度。Hi-ONE通过光、机、电、磁、热等多物理场协同设计，实现了单引擎7.2T的传输容量——这是业界目前最大传输能力的NPO产品，也是行业首个量产的NPO产品，并是唯一实现内置光源的NPO方案。
在昇腾960超节点中，5500个Hi-ONE替代了原本所需的4.8万颗800G光模块。这一替换的直接收益包括：功耗降低超过550千瓦，系统无故障运行时间提升一倍，系统可用度达到99.8%。对于大规模AI集群而言，可用度每提升0.1个百分点，意味着年化训练任务中断时间减少数十小时，直接影响大模型迭代效率。
2.3 系统层：超节点规模与算力跃升
昇腾960超节点单体规模为4096卡，最大可提供8E FP8算力（FP8即8位浮点精度，"8E"对应8 ExaFLOPS级别），HBM（高带宽内存）容量高达1PB。这一规模意味着，单个超节点已具备训练中等规模大模型的能力，而多个超节点通过灵衢互联组成的集群，则可支撑十万亿乃至更大参数模型的训练。
值得注意的是，华为并未将超节点局限于NPU单一形态。鲲鹏超节点同步升级，基于灵衢全光组网最大支持4096节点，形成256TB的统一内存池。这意味着在智算（昇腾）与通算（鲲鹏）两大体系之间，可以形成统一的资源调度与内存语义。
2.4 存储层：AI记忆系统与KV缓存架构
随着SOTA模型迈入10T参数级别，AI系统的复杂度已远超单一服务器或超节点的范畴。一个完整的算力系统包括智算超节点、通算超节点、平等互联的互联系统，以及在推理场景下必不可少的PB级KV缓存集群。
KV缓存（Key-Value Cache）是Transformer架构推理过程中的关键中间数据结构，其规模和命中率直接影响推理效率与成本。华为基于灵衢打造了AI记忆存储系统OceanStor M900，并提出多层KV缓存架构。M900支持"一跳直连"的L3.5层PB级KV缓存集群，同时采用混合介质与优化的Retention算法，将SSD读写寿命提升16倍，从底层保障KV命中率与长周期可靠运行。
这一架构的意义在于：AI推理不再是"无状态"的算力调用，而是需要记忆、状态、上下文长程保持的复杂系统，存储与算力的耦合度被显著提升。
2.5 集群层：百万卡集群的工程路径
基于灵衢UnifiedBus统一互联，华为将昇腾超节点、鲲鹏超节点、KV缓存集群等多个子系统的多种互联协议统一为灵衢协议，大幅减少协议转换开销。通过二层CLOS四平面组网，最大集群规模可达51.2万卡；结合多轨道拓扑技术，最大可支持100万卡昇腾超节点集群。
百万卡集群从概念走向工程落地，意味着中国AI基础设施进入了与全球顶级算力供应商在同一量级竞争的阶段。其背后的真正门槛在于互联协议、内存语义、供电散热、容错运维的系统级整合能力。
三、产业影响：从单点突破到系统级竞合
AI算力的竞争，长期被简化为"谁的芯片制程更先进、谁的算力规模更大"。但昇腾960超节点的发布揭示出另一条路径：当单芯片性能受限于物理规律时，系统级架构创新的权重正在快速上升。
NPO技术的落地，让光互联从服务器外部的可插拔模块，演进为封装级的关键组件。这一转变对光模块产业链、光器件供应商、封测厂商都意味着深远影响：传统的可插拔光模块市场可能面临结构性调整，而近封装光学、硅光集成、CPO（共封装光学）等新形态将获得更大的产业空间。华为通过Hi-ONE实现内置光源，也意味着在光器件这一长期被海外厂商主导的领域，中国企业正在从系统集成向上游核心器件延伸。
3.2 推动国产算力生态加速成熟
华为同步披露的生态数据，从另一个维度反映了产业进展：鲲鹏全球开发者超过416万，全球生态合作伙伴超过7200家，支持560多个全球开源项目，openEuler装机量超过2000万套，已成为国内服务器操作系统第一份额；CANN社区月活开发者突破5200名，基于昇腾+CANN的原生训练模型超过40个，是国内目前唯一支持预训练的技术路线。
对于AI产业而言，"算力可用"只是起点，"算力好用"才是规模化应用的门槛。原生训练模型数量的增长，意味着越来越多的大模型从架构设计之初就适配昇腾体系，而非依赖后期迁移与兼容。开发者社区的活跃度，则直接决定了未来AI应用创新的速度与广度。
3.3 强化中国AI基础设施的自主可控底座
在全球化遭遇逆流、关键芯片与先进制程受限的背景下，算力底座的自主可控已上升为国家产业政策的核心议题之一。华为在本次大会上明确表态，"坚持硬件变现，围绕'超节点+集群'，通过系统架构创新构建竞争力，打造中国坚实算力底座，为世界构建新的选择。"
这一表述的背后，是中国AI产业从"能否造出来"到"能否造得更好、规模更大、生态更全"的转变。昇腾960超节点与百万卡集群的提出，表明中国在AI基础设施的系统工程层面已具备对标国际顶尖水平的能力。从芯片、互联协议、操作系统到存储系统、集群组网，中国企业正在构建端到端的自主技术体系。
3.4 鲲鹏+昇腾双轨格局成型
值得注意的是，华为并未将AI基础设施窄化为昇腾的单一体系。鲲鹏超节点的同步升级与"平等互联"的定位，意味着在AI算力主导的算力版图中，通算（通用计算）依然有其不可替代的位置——无论是企业核心系统的迁移、数据预处理、推理服务的CPU侧卸载，还是异构调度中的协同，鲲鹏与昇腾的组合提供了更完整的解决方案。
这种"双轨并进、统一互联"的架构，也为国内其他芯片企业提供了参考：当单一架构难以覆盖全部场景时，通过统一互联协议实现多架构协同，可能比追求单一芯片的全场景覆盖更具现实意义。
四、趋势展望：AI基础设施进入"系统工程时代"
昇腾960超节点的发布，与近期全球范围内AI基础设施的演进趋势形成呼应。无论是海外厂商在大规模集群互联、内存语义网络、封装级光互联上的持续投入，还是国内多家芯片企业在超节点架构上的跟进动作，都指向同一个判断：AI算力竞争的主战场，正从单芯片性能转向系统级整合能力。
对于行业观察者而言，未来评估AI基础设施的维度也将更加多元：不再是"峰值算力一个数字"，而是涵盖互联带宽、内存容量、可用度、能效比、生态成熟度、场景适配性等多维度的综合能力比拼。
4.2 NPO/CPO将重塑光互联产业链
Hi-ONE的落地是一个标志性事件。可以预见，未来两到三年内，NPO与CPO技术将从头部企业的"差异化方案"演进为超节点与大规模集群的"标准配置"。这意味着光模块产业的价值链将发生显著上移，掌握激光器、调制器、封装工艺、测试设备等核心环节的企业将占据更有利位置；而传统中低端可插拔光模块市场则面临结构性收缩。
对于中国光通信产业而言，这是机遇也是挑战：如何在封装工艺、芯片设计、自动化测试等环节补齐短板，将决定能否在这一轮产业重构中占据主动。
4.3 AI存储从"配套"走向"核心组件"
OceanStor M900与多层KV缓存架构的提出，反映了一个容易被低估的趋势：在大模型推理时代，存储系统不再只是"存数据的仓库"，而是直接决定推理效率、成本与体验的核心组件。KV缓存命中率、读写寿命、延迟一致性等指标，与算力本身的利用率一样关键。
这意味着AI存储市场将迎来独立的产品形态与供应商格局，围绕KV缓存、多层存储、智能调度等方向，可能诞生新的细分赛道。
4.4 政策与产业协同的关键窗口
从更宏观的视角看，AI基础设施的演进从来不是纯技术问题，而是与产业政策、区域布局、能源供给、人才培养紧密耦合的系统工程。百万卡集群的工程实现，对数据中心选址、绿电供给、网络时延、运维体系都提出了极高要求。产业政策的支持力度、产学研协同的深度、国际合作的边界，都将深刻影响中国AI算力底座的最终形态。
华为全联接大会2026所呈现的，不仅是一组产品和一组数字，更是一条技术路线的确立：从超节点到集群，从芯片到系统，从硬件到生态，中国AI基础设施正在以系统架构创新为核心，构建属于自己的竞争维度与时间节奏。
对于身处这一进程中的通信行业从业者、科技产业观察者与政策关注者而言，理解这一系统性变革的内在逻辑，或许比关注单一产品的参数更具长期价值。
热门跟贴