一颗AI芯片有多快，曾经是衡量算力最直接的方式。但随着大模型训练进入万卡、十万卡规模，决定计算效率的已经不只有芯片本身。成千上万张芯片需要同时工作，数据要在不同芯片、服务器和存储之间频繁流动，任何一个环节跟不上，都可能拖慢整个计算任务。
9月17日，华为在全联接大会2026上发布昇腾960超节点，单个超节点最大支持4096张NPU卡，并提出进一步组成数十万乃至百万卡规模的集群。与昇腾960同时出现的，还有鲲鹏超节点、灵衢互联和AI存储等一系列产品。华为副董事长、轮值董事长汪涛表示，华为AI战略的核心是算力，将聚焦AI基础设施，围绕“超节点+集群”推进系统架构创新。
过去几年，外界谈到华为AI算力，关注点更多集中在昇腾芯片。这一次，华为正在把昇腾的竞争力向外延伸，以芯片为核心，通过超节点和大规模集群，将计算、互联、存储等能力纳入同一套AI基础设施。随着AI计算规模不断扩大，算力竞争也开始从单颗芯片的性能比拼，延伸至整套系统的协同能力。
押注超节点 重估算力基础设施
在全联接大会现场，汪涛公布了华为最新的AI战略，核心是算力，聚焦AI基础设施，围绕“超节点+集群”，通过系统架构创新构建竞争力。与此同时，华为发布昇腾960超节点，并升级鲲鹏超节点，此外还推出OceanStor M900 AI记忆存储，通过灵衢互联将不同计算和存储资源连接起来。
产品看起来很多，但华为要做的事情指向同一个方向，以昇腾为核心，把原本分散的计算、互联和存储组织起来，形成一套面向大模型和智能体的AI计算系统。
之所以把AI算力从芯片进一步延伸到超节点和集群，在于大模型对算力的需求正在发生变化。
汪涛在演讲开始用了相当长的篇幅谈到这一点。他判断，大模型参数正在迈向10万亿，未来还会继续增长；智能体执行任务已经从过去的一问一答发展到连续工作数小时，未来持续时间还会进一步拉长；与此同时，推理产生的Token数量也在快速增长。
模型越来越大、任务运行时间越来越长，背后需要调动的计算资源也越来越多。过去，扩大算力最直接的方式是增加服务器和计算卡，但当集群进入万卡甚至十万卡规模，仅仅增加芯片数量已经不能解决所有问题。
大模型训练过程中，不同芯片需要不断交换数据。集群规模越大，需要协调的芯片越多，通信占用的时间也随之增加。按照华为测算，在传统服务器架构下，10万卡集群中，通信时间可能超过训练时间的40%。
这也是华为把“超节点+集群”放到AI基础设施核心位置的原因。超节点把过去分散在多台服务器中的计算资源，通过高速互联组织到一起。物理上仍然是多个计算节点，运行模型时则尽可能像一台计算机一样协同工作。
在此基础上，华为又把计算之外的互联和存储纳入同一套体系。昇腾负责大模型训练和推理所需要的AI计算，鲲鹏承担通用计算，灵衢连接不同的计算和存储资源，OceanStor M900则承接智能体和长上下文推理产生的大量缓存数据。多个超节点还可以进一步组成更大规模的集群。
不难看出，华为此次强调的“系统架构创新”，并不是简单地把超节点做得更大，而是围绕大模型训练和推理重新组织计算资源，单颗芯片持续迭代的同时，通过高速互联把更多芯片组成超节点，并进一步将计算、互联和存储协同起来。
这种系统化布局最终要解决的，仍然是AI基础设施在规模扩大之后的效率和稳定运行问题。汪涛将下一阶段AI基础设施的要求归纳为规模、性能和可靠性。
Token经济性登场 单位成本成关注焦点
把更多芯片组成更大的计算系统，只是第一步。系统规模扩大之后，另一个问题随之而来，这些芯片究竟有多少算力能够真正用于模型训练和推理？
这也让AI算力的衡量方式开始发生变化。过去，芯片的峰值算力是最受关注的指标；进入大规模集群后，单颗芯片的性能已经很难代表整套系统的实际产出。同样数量的芯片，如果在通信、调度或者故障恢复上消耗的时间不同，最终能够完成的训练和推理任务也会不同。
因此，行业开始算一笔更具体的账，同样的芯片、能源和资金投入，到底能够产生多少Token。
英伟达在GTC 2026期间提出，AI工厂的运营指标正在从传统的数据中心利用率进一步转向Token产出，衡量维度包括每GPU、每机架以及每瓦、每兆瓦能够产生多少Token。其Mission Control 3.0也围绕减少系统低效、提高Token产出进行设计。
AMD在今年发布机架级AI系统Helios时，同样将“每美元Token产出”作为衡量AI基础设施经济性的指标之一。AMD表示，Helios每美元可产生的Token数最高比竞品多出30%。
Gartner今年2月发布的AI基础设施研究将当前的竞争称为“机架级之战”。报告认为，AI基础设施厂商需要应对不断增长的机架级系统需求，而衡量系统效率的重要指标之一，是每瓦、每美元能够产生多少Token。
这背后是一笔越来越现实的经济账，对于大模型公司和算力使用者而言，采购芯片最终是为了获得训练和推理能力。一套集群的峰值算力再高，如果大量时间消耗在通信、等待或者故障恢复上，能够真正用于模型计算的算力就会打折。反过来，同样数量的芯片，如果能够承担更多训练任务、处理更多推理请求，单位算力的使用成本也会下降。
这使得AI基础设施的竞争从提供多少算力，进一步转向这些算力能够产生多少实际产出。中国信通院在《AI计算节点发展研究报告（2026年）》中也指出，AI计算节点产业正从硬件性能单点竞赛向“硬件-软件-生态”综合体系竞争跃迁，产业生态也在从可用向好用升级。
对华为而言，这也是此次将昇腾、超节点、互联和存储放进一套AI基础设施的行业背景。过去市场可以比较一颗AI芯片的性能，未来面对越来越庞大的计算系统，厂商要回答的问题也变了，同样的芯片和能源投入，最终能够交付多少真正可用的AI算力。
216.73.217.84
