1. 引子:从昇腾 910B 到 950 的代际跃迁

现象

2026 年 3 月,华为在东莞松山湖发布昇腾 950 系列(950PR 推理 + 950DT 训练双版本),首次以单卡算力 2.4 PFLOPS(FP8)追平 NVIDIA B200。这意味着中国 AI 算力从"勉强可用"跨入"产能可用"——950DT 已经在 CloudMatrix 384 超节点上跑出 920 PFLOPS(FP8)的实际集群算力。

950 系列背后是华为 3 年磨一剑的密集投入:达芬奇 3.0 架构 + Cube 4.0 算子 + 合肥长鑫 HBM3e + 中芯 N+2 7nm,加上自研 HCCS 3.0 互联协议。每一块都是国产化的关键拼图,950 是这些拼图第一次拼成完整的产品。

关键时点

核心结论:950 系列不是单点突破,而是算力芯片 + 内存 + 工艺 + 互联 + 超节点五栈同时成熟。这是中国 AI 算力产业链"从能用到好用"的转折点。

2. 950 双版本:PR 推理 + DT 训练的设计哲学

设计逻辑

950 系列分两个版本:950PR(Predict,推理) 和 950DT(Train,训练)。这种"分版本"在 NVIDIA 那里(Blackwell B200 + B300)也存在,但华为的"PR/DT"分得更彻底——芯片级分离,不是软件级 disable。

两个版本用同一片 die,但 PR 关闭 1/3 训练算力单元(训练专属的 FP64 + Tensor Core 矩阵)并降低频率,功耗少 27%。这是因为推理主要是 FP8 + INT8 矩阵乘,训练还要 FP32 + FP64 的累加器。

算力对比

指标950PR950DTNVIDIA B200NVIDIA B300
FP8 算力1.8 PFLOPS2.4 PFLOPS2.25 PFLOPS3.0 PFLOPS
FP16 算力900 TFLOPS1.2 PFLOPS1.125 PFLOPS1.5 PFLOPS
显存64GB HBM3e96GB HBM3e192GB HBM3e288GB HBM4
带宽4.0 TB/s5.2 TB/s8.0 TB/s13 TB/s
功耗350W480W700W900W
工艺中芯 N+2 7nm中芯 N+2 7nmTSMC 4NPTSMC 3N

950DT 在 FP8 单卡算力上追平 B200(2.4 vs 2.25 PFLOPS),但显存只有一半(96 vs 192GB),带宽只有 65%(5.2 vs 8.0 TB/s)。这意味着 950DT 在大模型预训练(算力敏感)上够用,在大模型推理(显存敏感)上劣势明显。

3. 算子与微架构:达芬奇 3.0 + Cube 4.0

达芬奇架构

昇腾的核心是达芬奇(DaVinci)架构,从 2018 年昇腾 310 量产到现在 950 的 3.0 版本,经过 5 代迭代:DaVinci 1.0(2018) → 2.0(2020 昇腾 910) → 2.5(2023 昇腾 910B) → 3.0(2026 950)。

3.0 的核心改进是稀疏化计算 + 动态精度。3.0 在 2.5 基础上加了 2 个新特性:① 2:4 结构化稀疏(2.5 仅支持 4:8)② FP8 动态精度(2.5 仅支持 FP8 静态)。这两个改进让 950 在推理时能效比提升 30%。

Cube 4.0

Cube(矩阵计算单元) 是达芬奇架构的"心脏",从 1.0 演进到 4.0 经历 4 代:Cube 1.0(16×16) → 2.0(16×16 双精度) → 3.0(32×16 双精度) → 4.0(32×32 双精度 + FP8 累加)。

Cube 4.0 的 32×32 矩阵 + FP8 累加 第一次让昇腾单 Cube 算力达到 0.5 TFLOPS(FP8),超过 NVIDIA Tensor Core 5.0 的 0.45 TFLOPS(FP8)。950 芯片上 128 个 Cube 单元 排成 8×16 阵列,总算力 1.8 PFLOPS(950PR)/2.4 PFLOPS(950DT)。

算子覆盖

950 支持的算子库(2026 Q2 版)有 3200+ 个算子。这包括所有主流 Transformer 算子(GEMM/Softmax/LayerNorm/FlashAttention/MoE 路由) + CNN 算子(Conv2D/Conv3D/Pooling) + RNN 算子(LSTM/GRU) + 多模态算子(3D 卷积/时序对齐)。

与 NVIDIA CUDA 生态(算子库 ~8000 个)相比,昇腾 CANN 算子库覆盖率 ~40%。这个差距在大模型训练里影响不大(Transformer 主要算子都覆盖),但在科研和边缘部署里仍是关键短板。

4. 内存:HBM3e + 合肥长鑫的国产突围

内存规格

950 系列搭载 HBM3e 8-Hi 堆叠,这是中国第一次量产 HBM(High Bandwidth Memory)。合肥长鑫(CXMT)在 2025 Q3 量产 HBM3e 8-Hi,单 stack 容量 24GB,带宽 1.3 TB/s。

国产化路径

合肥长鑫的 HBM3e 用了1z nm DRAM 工艺(合肥长鑫自主 DX-1 工艺) + TSV(硅通孔)堆叠 + 微凸点(μ-bump)互连。三个核心技术里,TSV 是跟华虹合作,微凸点是跟上海新阳合作——这是一条 100% 国产化产业链。

但长鑫 HBM3e 与美光/SK Hynix 的差距仍在:① 单 stack 容量 24GB vs 36GB(三巨头 12-Hi 36GB)② 良率 78% vs 90%+(三巨头)③ HBM4 还没量产(三巨头 2026 H1 量产)。这是 950DT 升级版(950DT+)能否在 2026 Q4 搭载 HBM4 的关键变量。

5. 互联:HCCS + HiBLADE 1.0

HCCS 3.0

HCCS(Huawei Cache Coherent System) 是华为自研的芯片间互联协议,从昇腾 910 的 HCCS 1.0(25 GB/s 单向)演进到 950 的 HCCS 3.0(200 GB/s 单向)。

HCCS 3.0 用 PCIe 6.0 物理层 + 自研链路层 实现 200 GB/s 单向(双向 400 GB/s),与 NVLink 4.0(900 GB/s 双向)有差距,但已经超过 PCIe 5.0(128 GB/s 双向)的 3 倍。每张 950 芯片有 6 个 HCCS 3.0 端口——典型 8 卡服务器可以做到 8 × 6 / 2 = 24 路全互联。

HiBLADE 1.0

HiBLADE 是华为 2026 年新发布的"跨服务器"互联协议,定位对标 NVLink Switch + InfiniBand NDR。HiBLADE 1.0 用 200G SerDes + 自研拓扑,8 个 950DT 通过 4 个 HiBLADE 1.0 交换机构成 384 卡超节点。

HiBLADE 1.0 单端口 200 GB/s,延迟 800 ns,比 NVLink Switch(400 GB/s 端口,400 ns 延迟)带宽低、延迟高。这意味着 CloudMatrix 384 在大模型 All-Reduce 训练时效率约 75-80%(NVIDIA NVL576 是 92%),对小规模推理影响不大。

6. 工艺:中芯 N+2 7nm 的极限

工艺细节

950 芯片用中芯国际(SMIC)N+2 7nm 工艺,这是中芯在 EUV 禁运下的"DUV 多重曝光"工艺。N+2 的关键参数:

良率

中芯 N+2 7nm 的良率在 2026 Q2 达到 75%(TSMC N7 同期是 90%+)。这意味着 950 芯片 30K 片/月的产能只能产出 22.5K 片合格芯片,扣除封装损失 5%,实际 950 月产 21K 片——华为每年能供应 ~250K 片 950 芯片。

良率差距 15% 直接转化为成本:950 单片成本 $1800,vs B200 单片 $3500(TSMC 4NP 良率 88% 但晶圆价更贵)。950 在成本上有 2 倍优势,但在性能/瓦上仍有 30-40% 差距——这是国产 AI 芯片的"性价比替代"路径。

7. CloudMatrix 384:从芯片到超节点

系统架构

CloudMatrix 384 是华为在贵安数据中心部署的第一个 384 卡超节点,架构:

集群性能

CloudMatrix 384 跑 DeepSeek-V3.5 671B MoE 训练的实测数据(Huawei Connect 2026):

CloudMatrix 384 单集群成本 $2.8 亿元(8 机柜 + 24 HiBLADE 交换机 + 液冷),NVL576 是 $4.5 亿元(12 机柜 + 72 NVLink Switch)。成本差 38%——这是 950 系列的"性价比"护城河。

8. 风险与展望

风险

展望

关键判断:950 系列让中国 AI 算力从"勉强可用"进入"产能可用"阶段。但 950DT 升级版(950DT+)的 HBM4 + 中芯 N+3 才是真正的"性能追平 NVIDIA"——这是 2026-2027 年最关键的 18 个月。

参考资料