AI 晶片競爭：
過去最容易理解的方法是：
拿兩顆 Chip：
比。
誰：
算得快？
誰：
耗電低？
誰：
Memory Bandwidth：
更大？
今天：
華為給出了一個：
很不一樣的答案。
如果：
單顆晶片：
不是最強。
那就：
不要只比單顆晶片。
把：
更多 Chip。
Memory。
Network。
Optical Interconnect。
全部：
接成：
一台更大的機器。
華為今天先承認一個非常現實的問題：AI 算力不夠賣
9 月 17 日：
Huawei Connect：
在上海舉行。
華為輪值董事長：
徐直軍：
接受媒體訪問時表示：
現在：
華為自己的：
AI Computing Product：
連中國市場：
都還：
供不應求。
所以：
公司目前：
沒有辦法：
全面擴大：
International Market。
不是：
海外沒有人要。
而是：
國內訂單都做不完。
華為目前只在部分海外市場有限供應
徐直軍說：
某些 Demand：
特別強的國家：
還是會：
供貨。
但：
數量有限。
這件事情：
其實很重要。
因為：
過去幾年：
大家談：
中國國產 AI Chip：
最大的問題之一：
通常是：
「有沒有人真的用？」
現在華為面對的：
反而開始變成：
「有人要，但產能跟不跟得上？」
華為甚至認為 Ascend 在中國的市占可能已經超過 Nvidia
徐直軍：
今天說：
中國 AI Chip Market：
缺少可靠：
Market Share Data。
但：
他個人認為：
Ascend：
目前：
在中國：
可能已經：
高於 Nvidia。
這句話：
要非常小心看。
因為：
華為：
沒有提出：
公開數據：
證明。
所以：
今天不能寫成：
「華為已正式超越 Nvidia。」
比較準確的說法是：
這是華為管理層自己的判斷。
但有一件事比較確定：中國 AI 算力正在快速轉向國產系統
原因：
不只：
產品本身。
還包括：
美國出口限制。
中國企業：
無法像過去一樣：
自由取得：
Nvidia：
最先進的：
AI Accelerator。
部分：
先進半導體設備：
也受到限制。
所以：
中國現在：
不只是：
想做：
自己的 AI Chip。
而是：
必須把：
Model。
Chip。
Memory。
Interconnect。
Software。
Data Center。
整條：
重新建立。
這也是華為今天為什麼一直講「自主」
徐直軍：
直接把：
AI Chip：
和：
Supply Independence：
放在一起。
他的意思很清楚：
中國不希望：
未來：
能不能取得：
AI 算力。
取決於：
外國公司：
願不願意：
賣晶片。
這不是：
一顆晶片的問題。
而是：
整個 AI Infrastructure：
的控制權。
第一個真正的產品焦點，是 Ascend 950DT
華為表示：
950DT：
測試結果：
目前：
表現良好。
公司：
已經和：
中國多家：
AI Model Developer：
進行：
廣泛討論。
華為預期：
到了：
2027 年。
會有：
更多開發者：
開始：
直接使用：
950DT System：
做：
Model Training。
這件事值得注意的原因：Training 比 Inference 更難
Inference：
是：
模型：
已經訓練好。
接著：
讓它：
回答問題。
產生圖片。
寫 Code。
Training：
則是：
真的把：
大型模型：
訓練出來。
對：
Compute。
Memory。
Interconnect。
Software。
Reliability。
要求：
全部：
更高。
所以：
如果：
大量中國模型：
真的開始：
直接在 Ascend 上：
Training。
那才代表：
這套生態：
從：
「能跑模型」
進入：
「能生模型」。
但華為今天最大的動作，是把下一代晶片時程提前
原本：
華為：
2025 年公布的 Roadmap：
Ascend 960：
預定：
2027 年第四季：
推出。
今天：
新的規劃：
拆成：
兩個版本。
Ascend 960DT。
以及：
Ascend 960PR。
960DT 提前最多
華為現在計畫：
Ascend 960DT：
在：
2027 年第一季
準備好。
也就是：
比原本 Roadmap：
提早：
三個季度。
大約：
9 個月。
960PR：
則預計：
2027 年第三季。
比原本：
提前：
一季。
接下來還有 Ascend 970、980
華為規劃：
之後：
每一年：
推出：
一代新的：
Ascend Processor。
970：
2028。
980：
2029。
也就是：
它想建立：
類似：
固定年度節奏：
持續：
升級。
這種 Roadmap：
很重要。
因為：
大型 Data Center：
不是：
今天買一批卡：
明年：
全部丟掉。
企業真正想知道的是：
明年：
後年：
下一代：
還會不會來？
能不能：
繼續：
Upgrade？
Software：
要不要：
全部重寫？
但華為現在面對一個問題：單顆晶片不能只靠製程追 Nvidia
最先進：
Semiconductor Process。
HBM。
Packaging。
EDA。
Manufacturing Equipment。
很多地方：
都存在：
供應限制。
所以：
如果：
只想：
用：
「做出一顆比 Nvidia 最新 GPU 更強的 Chip」
這條路：
非常難。
華為現在：
正在：
換一個打法。
不是先讓每一顆都最強，而是讓很多顆一起工作
這就是：
今天最重要的：
System-level Strategy。
想像：
一個工地。
你沒有：
全世界最強壯的：
一位工人。
但：
如果：
你可以：
讓：
4,000 人。
10 萬人。
甚至：
100 萬個：
運算單元：
非常有效率：
一起工作。
總體能力：
一樣：
可以變得：
非常可觀。
問題是：晶片不是接越多越快
這就是：
AI Infrastructure：
真正困難的地方。
如果：
一萬顆 Chip：
每一顆：
都要：
一直等待：
其他晶片：
傳資料。
那麼：
晶片越多：
反而：
浪費越多。
華為表示：
目前：
某些傳統大型 Training Cluster：
Machine-to-machine Communication：
甚至可能：
吃掉：
超過：
40%：
Training Time。
也就是：
很多昂貴的：
AI Chip：
不是：
正在計算。
而是在：
等資料。
所以真正的瓶頸開始變成 Interconnect
也就是：
晶片和晶片：
怎麼講話？
Processor：
怎麼拿：
另一台 Machine：
的 Memory？
Storage：
怎麼：
快速餵資料？
Network：
怎麼：
不要塞車？
這些：
以前：
一般人：
很少關心。
現在：
反而變成：
AI Server：
最重要的：
戰場之一。
華為今天正式發布 Ascend 960 SuperNode
華為官方的說法：
新的：
Ascend 960 SuperNode：
最多：
可以：
把：
4,096 顆 AI Processor
連成：
一個：
大型計算單元。
不是：
4,096 台：
各做各的。
目標是：
盡量：
讓它們：
像一台：
超大的機器：
一起工作。
它使用 UnifiedBus，也就是華為所稱的「靈衢」
這套設計：
不只連：
Processor。
還要：
連：
Memory。
Storage。
Network。
核心概念之一：
就是：
讓不同 Physical Server：
之間：
能更有效率：
共享。
存取：
Memory。
也就是：
逐漸模糊：
「這顆 Chip 的 Memory」
和：
「另一台 Server 的 Memory」
之間的：
界線。
今天還多了一個新東西：Hi-ONE NPO 光引擎
華為表示：
Ascend 960 SuperNode：
使用：
NPO：
Near-Packaged Optics。
簡單講：
就是：
把：
高速 Optical Communication：
搬得：
更靠近：
Compute。
AI Cluster：
越大。
Electrical Signal：
距離越長。
Power。
Signal Loss。
Complexity：
問題：
都會變大。
所以：
光：
開始：
越來越靠近：
晶片。
和：
Switch。
華為宣稱，Ascend 960 SuperNode 會使用 5,500 個 Hi-ONE
官方說：
這些：
Hi-ONE：
可以：
取代：
原本需要：
大約：
48,000 顆：
800G Optical Module。
並且：
讓整套系統：
降低：
超過：
550 kW：
Power Consumption。
這些：
都是：
華為自己的：
產品數據。
目前：
應該理解成：
Vendor Claim。
不是：
第三方獨立實測。
但方向非常值得看
因為：
AI Data Center：
今天最痛的：
已經不是：
只差：
GPU。
還差：
電。
Cooling。
Network。
Optics。
Memory。
土地。
如果：
你要：
把：
幾千顆：
高耗電 Processor：
塞進：
一個：
SuperNode。
每一瓦：
最後：
都會：
變成：
Heat。
所以：
Interconnect：
省多少電。
直接：
影響：
Data Center：
可以：
塞多少算力。
一台 Ascend 960 SuperNode 還不是終點
4,096 顆：
已經：
非常多。
但華為：
還想：
再把：
很多：
SuperNode：
接起來。
官方表示：
透過：
靈衢 Network。
或：
RoCE。
多個：
Ascend 960 SuperNode：
可以：
形成：
更大型：
Cluster。
第一層最大規模是 51.2 萬卡
再配合：
Multi-rail：
Topology。
華為規劃的：
最大系統：
最後：
可以：
支援：
100 萬卡。
一百萬顆：
AI Processor：
一起：
工作。
這不是：
我們今天：
已經看到：
一座正式運作的：
百萬卡 Data Center。
而是：
華為公布：
Architecture：
和：
規劃上限。
這個區分：
一定要講清楚。
Reuters 也把這套架構稱為 Peerium
核心目的：
一樣。
就是：
用：
大量 Processor。
高頻寬互連。
Unified Memory Access。
組成：
一台：
邏輯上：
更大的：
AI Computer。
所以：
華為現在：
和 Nvidia：
競爭的：
已經不只是：
Ascend：
對：
GPU。
而是：
整座：
AI Factory：
對：
AI Factory。
Nvidia 為什麼長期這麼難打？
因為：
Nvidia：
早就不是：
只賣：
GPU。
它同時：
有：
CUDA。
Networking。
NVLink。
Switch。
Server Architecture。
Software Library。
Developer Tool。
整個：
生態。
這也是：
為什麼：
就算：
另一家公司的：
某個 Chip：
Benchmark：
接近。
企業：
也不一定：
馬上換。
最難搬的往往不是硬體，而是 Software
開發者：
已經：
用 CUDA：
十幾年。
AI Framework。
Library。
Kernel。
Optimization。
Debugging Tool。
大量：
都已經：
繞著：
Nvidia：
建立。
這就是：
Nvidia：
非常深的：
Moat。
Reuters 也特別指出：CUDA 仍然是 Nvidia 的重要優勢
華為自己：
也知道：
只做：
Hardware：
不夠。
所以：
CANN：
就是：
它想建立的：
Software Stack。
華為今天表示：
CANN：
正在：
持續：
Open Source。
Open。
希望：
讓：
開發者：
更容易：
在 Ascend：
開發。
華為目前公布的數字是：每月活躍開發者超過 5,200 人
同時：
超過：
40 個：
AI Model：
已經：
直接在：
Ascend Computing Platform：
完成：
Training。
華為也表示：
早期：
Ascend 910C：
系統：
已部署：
超過：
1,000 套。
Ascend 950：
也已經：
開始：
Commercial Use。
同樣：
這些：
都是：
華為提供的：
公司數據。
不是：
第三方：
市場占有率統計。
這就帶回今天真正的第一個問題：供不應求
如果：
Demand：
真的：
大於：
Supply。
那麼：
Huawei：
下一階段：
最大的問題：
可能不是：
「客戶願不願意買？」
而是：
能不能把晶片做出來？
尤其：
AI Chip：
不是：
普通 Processor。
需要：
先進製程。
Memory。
Packaging。
Substrate。
Optics。
Cooling。
Server。
整條：
Supply Chain：
任何一個地方：
卡住。
整套：
都交不了。
這和昨天 SK Hynix 的新聞其實剛好接在一起
昨天：
我們看到：
SK Hynix：
正在和 Intel：
討論：
是否：
第一次：
把部分：
Memory Chip Manufacturing：
帶進：
美國。
原因之一：
就是：
AI：
需要：
大量：
HBM。
今天：
輪到：
Huawei：
直接說：
AI Computing Product：
供應不夠。
一邊缺 AI Memory
一邊缺：
AI Compute。
AI 熱潮：
現在最大的問題：
已經不只是：
Model：
做不做得出來。
而是：
世界到底能不能生產足夠多的實體硬體。
GPU。
NPU。
HBM。
Optical Module。
Switch。
Transformer。
Cooling。
Electricity。
每一個：
都可能：
變成：
下一個：
Bottleneck。
華為今天的策略，本質上是在接受一件事情：不能只等單顆晶片變完美
如果：
一顆：
能力有限。
就：
增加：
數量。
如果：
數量增加：
Communication：
變慢。
就：
改：
Interconnect。
如果：
Interconnect：
耗電太高。
就：
把：
Optics：
搬近。
如果：
很多 Server：
Memory：
彼此隔離。
就：
做：
Unified Addressing。
這就是：
System Engineering。
AI 晶片戰因此變成一個「乘法題」
以前：
比較像：
單顆 Chip Performance。
現在：
更接近：
單顆能力
×
晶片數量
×
Memory Bandwidth
×
Interconnect Efficiency
×
Software Efficiency
×
System Reliability
×
Power Availability。
其中：
任何一項：
太差。
整套：
都跑不起來。
這也解釋了為什麼 Apple 昨天才被報導想研究 NVLink Fusion
昨天早報：
我們看到：
Apple：
據報：
可能：
用自己的：
M8 Ultra：
做：
AI Inference Server。
卻考慮：
用：
Nvidia：
NVLink Fusion：
來處理：
Chip-to-chip Networking。
原因：
其實：
和今天 Huawei：
完全一樣。
AI Server：
已經不是：
只把：
很多 Chip：
塞進 Rack：
就結束。
怎麼連。
變得：
和：
用什麼 Chip。
一樣重要。
未來真正的 AI 巨頭，也不一定只是一家模型公司
可能是：
同時控制：
Chip。
Memory。
Networking。
Software。
Cloud。
Model。
Data Center：
其中：
很多層：
的公司。
Nvidia：
正在：
往整個 Stack：
擴。
Huawei：
也在：
往：
Full-stack AI Infrastructure：
走。
Cloud Company：
則開始：
自己設計：
Custom Chip。
最後真正競爭的，是每一度電能產生多少有效 Token
這可能：
才是：
AI Infrastructure：
最終的：
經濟問題。
不是：
一顆 Chip：
理論上：
能跑：
多少：
FLOPS。
而是：
一整座 Data Center：
一天：
真正：
能：
Training。
Inference：
多少工作？
花：
多少電？
多少 Money？
多少 Rack？
多少 Cooling？
多少 Engineer：
維護？
所以「100 萬卡」本身不是答案
如果：
一百萬顆：
彼此：
一直等。
Network：
一直塞。
Failure：
一直發生。
那只是：
一百萬顆：
很貴的：
等待機器。
真正困難的是：
讓：
大量 Processor：
真的：
像：
一台電腦：
有效率：
工作。
這就是：
SuperNode：
真正想解決：
的問題。
華為的方案最後能不能追上 Nvidia，現在沒有答案
現在能確定的是：
華為：
正在：
把：
Roadmap：
加速。
把：
Scale：
放大。
把：
Interconnect：
往：
System Level：
推。
同時：
補：
Software Ecosystem。
但：
Nvidia：
仍然：
有：
成熟 CUDA。
Developer Ecosystem。
以及：
全球 AI Infrastructure：
長期部署：
的優勢。
所以今天不是「華為打敗 Nvidia」的新聞
也不是：
「中國已經完全不需要外國晶片。」
這兩個：
都講太早。
今天真正發生的：
是：
中國最大的：
AI Infrastructure Player：
公開承認：
需求：
已經：
超過：
目前供應。
同時：
選擇：
不只用：
下一顆更快的晶片：
解決問題。
而是：
把：
4,096 顆。
51.2 萬顆。
最後：
最高：
100 萬顆：
放進：
同一套：
System Architecture：
思考。
AI 晶片競爭正在從「Chip」變成「Computer」
一顆：
Processor：
只是：
最小單位。
真正企業：
最後買的是：
一套：
可以：
把模型：
Training。
把模型：
Serving。
而且：
每天：
穩定跑：
大量 Workload：
的：
AI Machine。
這才是：
Huawei。
Nvidia。
以及：
未來更多：
Custom AI Chip：
真正要競爭的：
地方。
對一般人來說，這跟 ChatGPT 有什麼關係？
我們看到：
AI：
好像：
只是一個：
網頁。
App。
聊天框。
但：
你每送出：
一個 Prompt。
背後：
都有：
Chip。
Memory。
Network。
Storage。
Cooling。
Power。
在：
真的工作。
模型：
越強。
Agent：
工作：
越久。
Video。
Voice。
Computer Use：
越普及。
背後：
需要的：
Infrastructure：
就越大。
所以未來 AI 能不能繼續變便宜，可能不只看模型
還看：
晶片：
做不做得出來。
Memory：
夠不夠。
Network：
傳得夠不夠快。
電：
夠不夠。
以及：
一座 Data Center：
能不能：
把：
這些硬體：
真正：
有效率：
用起來。
今天華為：
公布的：
不是：
另一顆：
大家看完規格：
明天就忘掉的 Chip。
真正值得看的：
是：
AI 硬體戰：
正式進入：
「誰能把最多晶片，最有效率地變成一台電腦？」
的階段。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 晚報｜2026/09/16：SK Hynix 據報洽 Intel 首次在美製造記憶體，Ohio 廠可能接手，AI 記憶體供應鏈再往美國搬
