飞鱼软件
2026 年 9 月，华为在全联接大会上发布了全球首个采用 NPO（近光封装）技术的超节点——昇腾 960 超节点，目标直指十万亿规模的大模型训练和推理。几乎同一时间，一组市场数据引发热议：2026 年上半年，英伟达在中国市场的 AI 加速器出货量为 67.8 万颗，同比下降 44%；华为昇腾同期出货 57.2 万颗，较去年同期近乎翻倍。两者的市场份额差距，从一年前的 31 个百分点，收窄到了仅剩 6 个百分点。从昇腾 950 超节点在 WAIC 2026 真机亮相，到昇腾 960 超节点的发布，华为正在用技术和市场的双重突破，重塑中国 AI 芯片的竞争格局。
一、昇腾 960 超节点：NPO 技术的首次落地
昇腾 960 超节点的最大亮点，是首次采用了 NPO（Near-Packaged Optics，近光封装）技术。NPO 是一种先进的光互连技术，将光引擎与计算芯片紧密封装在一起，实现了超高带宽、超低时延的数据传输。在大模型训练中，芯片间的数据传输带宽往往是性能瓶颈，NPO 技术的引入，有望从根本上解决这一问题。
除了 NPO 技术，昇腾 960 超节点还集成了多项创新。它采用了全新的超节点架构，将多颗昇腾芯片通过高速互联网络紧密耦合，形成一个统一的计算单元。这种架构使得超节点内的芯片能够像一颗芯片一样协同工作，大幅提升了大模型训练的效率。
同时，华为将超节点架构引入了通算系统，全新升级了鲲鹏超节点，基于灵衢全光组网，最大支持 4096 节点。这种“通算融合”的策略，使得华为的超节点不仅能用于 AI 训练和推理，还能支撑通用计算任务，提升了数据中心的资源利用率。
二、从 950 到 960：昇腾的快速迭代
昇腾 960 超节点的发布，距离昇腾 950 超节点在 WAIC 2026 上首次公开亮相，仅过去了短短几个月。这种快速迭代，反映了华为在 AI 芯片领域的强劲研发节奏。昇腾 950 超节点（Atlas 950 SuperPoD）是业界最大规模的超节点，面向大规模数据中心建设、万亿级大模型训练与中心高并发推理场景，凭借“超大带宽、超低时延、统一内存编址”三大核心优势，被视为 Agentic AI 时代的新一代算力底座。
从 950 到 960，昇腾超节点的演进路径清晰可见：950 确立了超节点的基本架构和规模优势，960 则通过 NPO 技术进一步提升了互联带宽和能效比。这种“架构创新 + 工艺迭代”的双轮驱动，使得昇腾超节点能够持续缩小与英伟达顶尖产品的差距。
更值得关注的是 CANN（Compute Architecture for Neural Networks）的全面开源开放。CANN 是华为推出的 AI 计算架构，已进入常态化的开源社区运作。从“可用”到“易用”，CANN 的成熟标志着昇腾已跨越生态拐点。软件生态的完善，是昇腾能够被越来越多企业采用的关键因素。
三、市场格局：6 个百分点背后的故事
6 个百分点，这个数字背后折射的是中国 AI 芯片市场的深刻变局。一年前，英伟达在中国市场占据绝对主导地位，与第二名的差距高达 31 个百分点。而到 2026 年上半年，这个差距已经缩小到 6 个百分点。这种变化的背后，有两个关键因素。
首先是美国出口限制的影响。华盛顿的出口管制政策，迫使英伟达将中国市场的规模让给了本土厂商。英伟达 CEO 黄仁勋曾多次批评这一政策，称其迫使公司放弃了中国规模达 500 亿美元的市场。在政策限制下，英伟达无法向中国出口最先进的芯片，给了华为昇腾等本土厂商崛起的机会。
其次是华为昇腾自身能力的提升。如果没有过硬的产品，即使有政策保护，也难以赢得市场。昇腾 950、960 超节点的推出，证明华为已经具备了提供顶级 AI 算力的能力。同时，CANN 生态的完善，使得基于昇腾的软件开发变得更加容易。产品力 + 生态力的双重提升，是昇腾能够快速蚕食英伟达份额的根本原因。
四、对中国 AI 产业的意义
昇腾的崛起，对中国 AI 产业具有深远意义。首先，它打破了英伟达在 AI 芯片领域的垄断，为中国 AI 产业提供了自主可控的算力底座。在当前复杂的国际环境下，算力自主的重要性不言而喻。没有自主可控的算力，中国 AI 产业的发展将随时面临“卡脖子”的风险。
其次，昇腾的成本优势推动了 AI 的普及。与英伟达的高端芯片相比，昇腾在性价比上具有明显优势，使得更多的企业和研究机构能够负担得起大规模的 AI 算力。这种成本优势，将加速 AI 技术在中国的落地和应用。
第三，昇腾带动了整个国产 AI 产业链的发展。从芯片设计到制造，从服务器到数据中心，从软件框架到应用开发，昇腾的崛起正在形成一个完整的国产 AI 产业链。这种产业链的完善，将为中国 AI 产业的长期发展奠定坚实基础。
五、挑战与未来
尽管昇腾取得了显著进展，但挑战依然存在。首先是生态差距。英伟达的 CUDA 生态经过十余年的发展，已经成为 AI 软件开发的事实标准。昇腾的 CANN 虽然在快速进步，但在软件工具链的完善度和开发者社区的活跃度上，与 CUDA 仍有差距。缩小这种生态差距，需要时间和持续投入。
其次是制造工艺的限制。AI 芯片的性能很大程度上取决于制造工艺，而先进制程的光刻机等关键设备仍受限于外部。如何在有限的工艺条件下，通过架构创新和软件优化来提升芯片性能，是华为需要持续解决的问题。
展望未来，昇腾有望继续缩小与英伟达的差距，甚至在某些领域实现超越。随着 NPO 等新技术的应用和生态的不断完善，昇腾将成为中国 AI 产业最坚实的算力底座。6 个百分点的差距，或许在不久的将来就会被抹平，甚至反超。中国 AI 芯片的故事，正在翻开新的篇章。
六、昇腾的软件生态建设
硬件只是基础，软件生态才是 AI 芯片竞争力的关键。华为深刻认识到这一点，在推出昇腾芯片的同时，大力建设 CANN（Compute Architecture for Neural Networks）软件生态。CANN 提供了从算子开发、模型编译到推理部署的全套工具链，使得开发者能够便捷地将 AI 模型部署到昇腾芯片上。
CANN 的发展经历了从“可用”到“易用”的过程。早期的 CANN 工具链相对粗糙，开发者需要花费大量精力适配昇腾芯片。随着版本的持续迭代，CANN 的易用性不断提升，支持的算子和模型越来越多，开发效率大幅提高。目前，CANN 已经能够无缝兼容主流的深度学习框架，如 PyTorch、TensorFlow 等。
更重要的是，CANN 已经全面开源开放，进入了常态化的开源社区运作。开源吸引了大量开发者参与 CANN 的改进和完善，加速了生态的成熟。同时，华为还建立了昇腾社区，为开发者提供技术支持、培训认证和交流平台。这些举措，使得昇腾的软件生态日益繁荣。
七、与英伟达的正面竞争
英伟达长期占据 AI 芯片市场的主导地位，其 CUDA 生态是其他厂商难以逾越的壁垒。华为昇腾要挑战英伟达，不仅要在硬件性能上追赶，还要在软件生态上缩小差距。从目前的进展看，昇腾在硬件层面已经取得了显著突破，但在软件生态上与 CUDA 仍有差距。
CUDA 的优势在于其十余年的积累和庞大的开发者社区。几乎所有的 AI 框架和模型都原生支持 CUDA，开发者无需额外适配即可在英伟达芯片上运行。而昇腾虽然在兼容性上持续改进，但仍有部分模型需要手动适配才能高效运行。
不过，昇腾也有自己的优势。首先是性价比，昇腾芯片的价格远低于英伟达同级别产品，对成本敏感的企业具有吸引力。其次是本土化服务，华为能够为国内企业提供更及时、更全面的技术支持。第三是政策支持，在当前的国际环境下，国产替代成为许多企业的刚需。
八、大模型训练的实践
昇腾芯片的能力，最终要通过大模型训练的实践来检验。近年来，国内多个大模型项目基于昇腾芯片完成了训练，取得了良好的效果。比如，一些开源大模型的训练使用了昇腾超节点，在训练效率和模型质量上都达到了预期目标。
在大模型训练中，昇腾超节点的高带宽互联和统一内存编址发挥了关键作用。大模型训练需要大量的跨节点数据交换，高带宽互联确保了数据传输的效率；统一内存编址简化了编程模型，让开发者能够像使用单机一样使用集群。
随着昇腾 960 超节点的发布，大模型训练的效率将进一步提升。NPO 技术带来的超高带宽，有望解决万亿参数模型训练中的通信瓶颈。这将使得基于昇腾的大模型训练更加高效，也将吸引更多团队选择昇腾作为算力底座。
九、对国产算力的思考
昇腾的崛起，让我们看到了国产算力的希望。但也要清醒地认识到，国产算力的全面崛起还需要时间。除了芯片本身，还需要在制造工艺、封装测试、软件生态等方面持续突破。特别是制造工艺，由于外部限制，国产芯片在先进制程上仍有差距。
不过，工艺的差距可以通过架构创新来弥补。昇腾的实践证明，通过创新的架构设计，可以在相对落后的工艺上实现有竞争力的性能。这种“架构补工艺”的思路，是国产 AI 芯片发展的重要路径。
未来，随着昇腾等国产 AI 芯片的持续进步，中国 AI 产业的算力自主能力将不断增强。这不仅保障了国家的信息安全，也为 AI 技术的快速发展提供了坚实的算力支撑。在国产算力的支撑下，中国 AI 产业有望迎来更加广阔的发展空间。
十、写在最后
昇腾 960 超节点的发布和 6 个百分点的差距，是中国 AI 芯片产业发展的一个缩影。从长期落后到奋起直追，从单点突破到体系化发展，中国 AI 芯片正在走出一条属于自己的道路。这条道路并不平坦，但每一步都走得坚实有力。
昇腾的成功，离不开华为长期的技术积累和持续的研发投入。在 AI 芯片这个高门槛领域，没有捷径可走，只有脚踏实地的钻研。华为用昇腾的实践证明，只要坚持创新、久久为功，就一定能够在核心技术上取得突破。
同时，昇腾的成功也得益于国产替代的大背景。在复杂的国际环境下，自主可控的算力成为刚需。这种需求为国产 AI 芯片的发展提供了强大的动力，也为昇腾等产品提供了广阔的市场空间。可以说，昇腾的崛起是技术实力和时代机遇共同作用的结果。
展望未来，昇腾将继续缩小与英伟达的差距，推动中国 AI 算力的自主可控。同时，我们也期待更多的国产 AI 芯片厂商崛起，形成百花齐放的局面。因为只有充分的竞争，才能推动技术的持续进步。中国 AI 芯片的明天，值得期待。
十一、昇腾对科研的支撑
除了产业应用，昇腾还为中国的 AI 科研提供了重要的算力支撑。长期以来，中国的 AI 研究者在进行大模型训练时，往往面临算力不足的困境，不得不依赖国外的云服务。昇腾的出现，改变了这一局面，为国内研究者提供了自主可控的高性能算力。
目前，国内多所高校和研究机构已经基于昇腾开展了大模型研究，取得了一系列成果。这些研究不仅推动了 AI 技术的进步，也培养了大批 AI 人才。可以说，昇腾为中国 AI 科研的自主发展奠定了算力基础。
未来，随着昇腾能力的持续提升，将有更多的科研项目基于昇腾开展。这将进一步增强中国 AI 科研的自主能力，减少对国外算力的依赖。在 AI 这个高度依赖算力的领域，算力自主就是科研自主的基础。
十二、昇腾在金融领域的应用
金融行业是 AI 算力需求最大的行业之一，也是昇腾的重要应用场景。基于昇腾的算力，金融机构可以构建各种 AI 应用，如风险控制、 fraud 检测、量化交易、智能投顾等，提升金融服务的效率和质量。
在风险控制方面，昇腾支撑的 AI 模型可以实时分析海量交易数据，识别异常交易行为，防范金融风险。在 fraud 检测方面，AI 模型可以通过分析用户行为模式，发现潜在的欺诈行为，保护用户资金安全。在量化交易方面，AI 模型可以快速处理市场数据，生成交易策略，提升交易效率。
金融行业对算力的可靠性和安全性要求极高。昇腾通过提供高可靠、高安全的算力底座，满足了金融行业的严苛要求。随着金融 AI 应用的不断深化，昇腾在金融领域的应用前景将更加广阔。
十三、昇腾在交通领域的落地
交通是昇腾的另一个重要应用领域。基于昇腾的算力，交通管理部门可以构建智能交通系统，实现交通流量预测、信号灯智能调控、交通事故自动检测等功能，提升交通运行效率和安全性。
在自动驾驶领域，昇腾也在发挥重要作用。多家自动驾驶公司基于昇腾构建了自动驾驶的算力平台，支撑感知、决策、控制等核心环节。昇腾的高算力和低延迟特性，满足了自动驾驶对实时性的严苛要求。