一顆晶片打不贏Nvidia，就把100萬顆連起來？華為AI算力戰正在證明「互連」可能比單晶片更重要

華為AI晶片挑戰Nvidia？Ascend、百萬NPU、晶片互連與CUDA競爭一次看

AI晶片戰過去最容易比較的是：

• 哪一顆GPU跑分最高
• 哪一代製程最先進
• 誰的FP8、FP4算力更高

但當大型AI模型開始使用數千、數萬，甚至更大規模的加速器共同訓練時，真正決定整體AI算力的問題正在改變。

華為最新更新Ascend AI晶片與大型AI基礎設施路線圖，除了規劃2027年推出Ascend 960DT與960PR，後續Ascend 970、980持續更新之外，也把SuperPoD、SuperCluster、UnifiedBus與百萬NPU級互連放到了整場競爭的核心。

華為真正想說的，不是「我有一顆新AI晶片」，而是「我要把100萬顆晶片變成一台電腦」

華為公布的新一代Ascend路線圖中，訓練導向的Ascend 960DT預計於2027年第一季推出，推論導向的960PR則規劃在2027年第三季登場，後續Ascend 970與980預計在2028、2029年持續更新。

但如果只把這則新聞理解成：

其實會漏掉更重要的部分。

華為真正強調的是如何把：

• AI處理器
• 記憶體
• 高速互連
• 儲存
• 網路
• 系統管理

全部串成一個更大型的計算系統。

Atlas 950、Atlas 960一路擴大，華為正在把AI競爭推向「百萬NPU」

華為先前公布的Atlas 950 SuperCluster規劃，曾提出整合超過52萬顆Ascend 950DT的超大型叢集構想。

而在2026年最新Peerium Computing Architecture與SuperCluster進展中，華為進一步表示，25.6萬卡規模的Atlas 950 SuperCluster已進入部署，同時以Ascend 960、UnifiedBus與近封裝光學等架構，把大型叢集進一步推向最高約100萬顆NPU的規模。

先前公布的Atlas 960 SuperCluster目標規格則曾提出：

• 超過100萬顆NPU
• 2 ZFLOPS FP8
• 4 ZFLOPS FP4

為什麼把更多晶片連起來，可以彌補部分單晶片差距？

因為今天的大型語言模型，本來就不可能只靠一顆GPU或NPU完成訓練。

模型規模越大，就需要把工作拆到更多加速器上。

例如大型模型訓練時，系統可能必須同時處理：

• 模型參數
• 訓練資料
• 梯度計算
• 中間運算結果
• 模型平行與資料平行

問題是工作一旦被拆散，就會出現另一個瓶頸：

晶片很快、網路很慢，最後可能只是「算完之後一起等資料」

假設一個模型被拆到1,000顆AI加速器。

每一顆晶片算完自己的部分後，可能都需要把結果傳給其他晶片，才能進入下一輪計算。

如果晶片本身非常快，但交換資料的速度跟不上，就可能變成：

1. 處理器快速完成自己的工作
2. 等待其他節點資料
3. 等待同步
4. 大量計算資源暫時閒置

所以AI算力真正要一起看的，至少有6個東西

Nvidia自己也在瘋狂做互連，所以這不是華為獨有的策略

如果把華為強調互連理解成：

其實也不完整。

因為Nvidia同樣投入大量資源開發NVLink、NVSwitch與各種高速網路技術。

它們的目的同樣是：

• 提高GPU對GPU頻寬
• 降低延遲
• 讓更多GPU以更高效率協同運算

對華為而言，系統工程特別重要，因為單晶片受限後，架構就是另一個可以補差距的戰場

華為面對的現實背景非常明確。

多年來的美國出口限制，讓中國取得最先進AI加速器、製造設備與部分半導體技術受到限制。

如果單顆華為AI晶片在以下項目暫時無法全面追平最頂級競爭產品：

• 先進製程
• 每瓦效能
• HBM頻寬
• 先進封裝
• 軟體成熟度

另一條路就是利用：

• 更多晶片
• 更密集互連
• 更大的叢集
• 更有效率的排程

去提高整體有效算力。

UnifiedBus、SuperPoD、SuperCluster到底在解決什麼？

華為現在大量談UnifiedBus、SuperPoD與SuperCluster，本質上都是同一個問題：

UnifiedBus的概念，就是把運算、儲存與網路之間的互連整合進統一架構，降低不同元件之間溝通的障礙。

而SuperPoD則更接近把大量AI處理器組成超大型運算節點，再由多個SuperPoD形成更大的SuperCluster。

但「100萬顆晶片」聽起來很猛，真正難的是通訊、耗電與故障率

大型叢集並不是晶片數量增加10倍，性能就自動增加10倍。

第一個問題：通訊成本

晶片越多，需要交換的資料越多。

如果晶片互連頻寬跟不上，或網路延遲過高，大量AI處理器就會把時間浪費在等待同步。

第二個問題：故障率

一台伺服器發生故障可能不常見。

但如果整個系統包含：

• 幾十萬顆甚至更多處理器
• 數千到上萬個機櫃
• 大量交換器
• 光模組
• 記憶體
• 儲存設備

硬體故障就不再是「意外」，而可能變成日常營運條件。

第三個問題：電力

處理器越多，功耗就越高。

大型AI叢集真正需要的，是一整套「故障當日常」的系統設計

規模走到數十萬顆晶片後，系統就必須具備：

• 故障隔離
• 自動重新排程
• 容錯機制
• 斷點續訓
• 網路故障重新路由
• 即時硬體監控

這也說明AI競爭其實已同時變成：

HBM為什麼突然這麼重要？因為AI晶片很多時候不是「算不動」，而是「餵不飽」

AI硬體新聞很容易只看TOPS、TFLOPS、FP8或FP4。

但處理器就算計算能力非常強，如果資料無法快速送進核心，仍然會浪費運算能力。

這也是HBM，也就是High Bandwidth Memory高頻寬記憶體，成為AI產業關鍵零組件的原因。

大型模型運算過程中，需要不斷：

• 讀取模型參數
• 寫入中間結果
• 搬移資料
• 同步不同處理器狀態

所以以後看AI晶片新聞，不能再只看幾奈米和核心數

未來評估AI加速器，至少還要一起看：

• HBM容量
• 記憶體頻寬
• GPU／NPU互連頻寬
• 封裝方式
• 網路架構

先進封裝也因此變成AI戰場：不是只把晶片做小，而是把不同晶片放得夠近

當AI系統需要更高速傳輸時，一個非常直接的方法，就是縮短需要互相交換資料的元件距離。

因此近年這些技術的重要性快速上升：

• Chiplet
• 2.5D封裝
• 3D封裝
• CoWoS等先進封裝架構
• 近封裝光學

華為這次公布的Ascend 960 SuperPoD也特別強調NPO，也就是Near-Packaged Optics近封裝光學。

為什麼光通訊也被捲進AI熱潮？因為電訊號跑得越遠，功耗與延遲越難控制

當資料中心規模變得越來越大，傳統電氣互連會面臨更嚴格的：

• 功耗
• 訊號完整性
• 延遲
• 散熱

因此光學互連開始逐漸靠近計算晶片與交換器。

這也是為什麼AI產業熱潮同時把：

• 晶圓代工
• HBM供應商
• 封裝廠
• 交換器廠商
• 光通訊供應商

全部拉進同一條供應鏈。

但華為最難追的，可能還不只是硬體，而是Nvidia花了多年建立的CUDA

如果只比較硬體規格，很容易低估Nvidia真正的護城河。

Nvidia真正強大的地方不只GPU，還包括：

CUDA不是單純一個程式語言介面。

它背後還包含大量：

• 編譯器
• 函式庫
• 除錯工具
• 效能最佳化工具
• AI與HPC軟體
• 大量開發文件與社群經驗

企業真正難的不是「買另一張卡」，而是整套程式要不要跟著搬家

假設一家AI公司原本全部建立在Nvidia與CUDA上，現在要換成其他硬體平台，真正需要面對的是：

• 原有程式是否需要修改
• PyTorch等框架支援是否完整
• 工程師是否熟悉新平台
• 效能最佳化工具是否成熟
• 第三方函式庫是否可直接使用
• 遇到問題是否容易找到文件與答案

華為因此不能只做Ascend，還必須同時做軟體生態

這也是為什麼華為近年除了Ascend硬體，也持續投入：

• CANN
• 編譯器
• 函式庫
• AI框架支援
• 開發工具
• 開發者社群

華為2026年也持續強調CANN開源以及Ascend對主流開源AI專案與PyTorch後端的支援。

中國市場為什麼仍可能讓Ascend快速長大？因為「買不到首選」本身就會創造替代動機

在正常市場環境下，開發者通常沒有太大動機離開已經成熟的工具。

但中國AI市場的特殊情況在於，高階Nvidia產品受到出口政策與供應限制影響。

因此中國：

• 雲端服務商
• AI模型公司
• 研究單位
• 大型企業

都會產生更強的誘因去適應Ascend或其他中國AI加速器。

華為也表示，目前中國國內對AI算力設備的需求仍超過其供應能力，並限制其進一步向海外擴張。

替代生態怎麼長出來？不是先有完美軟體，而是先有人被迫天天用

一套替代軟體平台真正開始成熟，通常會經歷：

1. 更多企業開始使用
2. 更多Bug被發現
3. 更多Bug被修正
4. 更多最佳化工具出現
5. 更多文件與案例累積
6. 更多工程師熟悉平台

華為和Nvidia真正的競爭，可能不是誰把誰打倒，而是全球開始出現兩套AI技術棧

Nvidia目前在全球AI加速運算市場仍有非常明顯的硬體與軟體生態優勢。

但中國正在逐步建立另一套完整AI基礎設施：

• 晶片
• AI伺服器
• 互連
• 儲存
• 軟體
• 模型
• 雲端服務

競爭最後可能變成：誰能定義AI資料中心的標準

如果不同市場逐漸建立不同硬體、不同軟體與不同資料中心架構，半導體競爭就會從：

進一步變成：

而一旦標準形成，影響通常會比單一世代晶片的性能輸贏更久。

但「一顆打不贏就堆100萬顆」也有極限，因為規模化從來不是免費的

大型叢集確實可以利用平行運算彌補部分單顆晶片差距。

但如果為了完成同樣工作，一套平台需要明顯更多晶片，就會帶來額外成本。

• 更多晶片成本
• 更多AI伺服器
• 更多交換器與光模組
• 更大機房空間
• 更高耗電
• 更多散熱需求
• 更多潛在故障點

企業真正付錢的不是峰值算力，而是每一個Token到底花多少錢

對AI基礎設施來說，最漂亮的理論跑分不一定等於最好的商業系統。

企業最終真正需要計算的是：

• 一次模型訓練要花多少錢
• 每一百萬Token推論成本多少
• 每瓦能產出多少有效算力
• 叢集平均利用率多高
• 設備故障會造成多少停機時間

Nvidia自己早就不只是一家賣GPU的公司

這也是理解華為現在策略最重要的一點。

Nvidia目前提供的其實已經是一整套：

• GPU
• NVLink
• NVSwitch
• 高速網路
• CUDA
• CUDA-X
• AI軟體
• 整套資料中心系統

所以華為真正正在追趕的，也不是：

而是Nvidia經營很久的：

這場競爭對台灣半導體產業的影響，也不只是Nvidia晶圓訂單多不多

如果AI競爭持續往系統級發展，台灣供應鏈真正需要看的範圍會越來越大。

受影響的可能包括：

• 晶圓代工
• 先進封裝
• AI伺服器
• PCB
• 高速連接器
• 交換器
• 光通訊
• 散熱
• 電源管理
• 液冷
• HBM與相關整合

未來AI產業最大的市場，可能不是「那一顆晶片」，而是把幾十萬顆晶片變成一台電腦的所有零件

這也是為什麼「互連」這個過去相對偏工程端的技術詞，正在逐漸變成AI產業核心關鍵字。

因為只要處理器數量夠多，真正限制整體性能的就不再只是核心速度。

以後看AI晶片新聞，真正值得看的不只是誰宣稱算力最高

如果AI系統正在從單晶片競爭進入系統競爭，那未來看硬體規格時，可以多看幾個指標。

1. 實際有效利用率多少
2. 記憶體頻寬有多高
3. 晶片互連頻寬與延遲多少
4. 多少顆晶片能有效擴展
5. 單一節點故障後系統會怎樣
6. 每瓦能完成多少有效運算
7. 每一美元能完成多少推論

因為一套峰值算力非常高、但大量時間都在等待資料的系統，不一定比單晶片較弱、但使用率更高的系統更划算。

所以華為真正挑戰Nvidia的，不是一顆Ascend，而是一整套AI基礎設施

Ascend 960DT、960PR最後能不能在單晶片實際性能上追近同期Nvidia產品，目前還不能提前下結論。

華為目前公布的大量性能數字，也主要來自公司自身產品路線圖與架構說明，真正實際表現仍需要等待：

• 產品正式落地
• 大規模客戶使用
• 第三方測試
• 真實訓練與推論成本比較

但有一件事已經非常明確：

過去最重要的是：

現在越來越像：

未來AI算力王者，不一定只是做出全世界最快晶片的公司

華為百萬NPU SuperCluster真正值得看的，不是「100萬」這個數字本身。

而是它反映出一個越來越清楚的產業邏輯：

這也代表接下來的AI晶片戰，真正重要的已經不只晶片本身。

互連、HBM、封裝、光通訊、軟體生態、電力與散熱，都正在逐漸成為同一場戰爭的一部分。