在大模型快速演进的当下，每当人们谈论AI算力，目光往往第一时间投向芯片本身的性能指标与制程工艺。然而，如果将视线从单颗芯片拉远到由成千上万颗芯片组成的巨大集群，就会发现一个尴尬的现实：芯片算得再快，大部分时间可能都在等待其他芯片传输数据；规模越大的集群，通信开销和效率损耗就越严重，买到的峰值算力往往难以转化为实际有效的计算产出。
面对这一产业痛点，华为轮值董事长徐直军提出了一个需要行业共同审视的观点：重新理解AI算力，关键不仅在于做出一颗更强的大芯片，更在于如何通过系统架构与互联技术的创新，让成千上万甚至百万级处理器像一台计算机一样高效协同工作。
传统计算机架构诞生于数十年前，其计算与存储分离、中央处理器统筹主从设备的模式，在面对AI时代超大规模并行计算时正面临严峻挑战。随着集群规模迈向万卡甚至十万卡，数据在不同芯片、机柜乃至数据中心之间频繁搬运，导致大量的电能与时间被浪费在通信等待和协议转换上。当单点硬件微缩的红利逐渐放缓，依靠单纯堆叠单卡数量已无法带来线性的算力增长。
针对这一瓶颈，华为推出了名为Peerium的全新计算架构，并配套推出了关键的互联技术——灵衢（UnifiedBus）。过去，总线通常只管机箱内部的近距离连接，而远距离通信则交给网络协议，两者之间的衔接转换带来了不可忽略的时延与损耗。灵衢的思路是将总线协议延伸到更大的物理空间，让CPU、NPU、内存与存储资源能够跨越机柜甚至数据中心直接交互，抹平协议转换的开销。这种平等互联与统一寻址的设计，旨在消除算力孤岛，把百万级处理器逻辑上重构成一个整体。
在具体的工程落地层面，信号如何在物理介质中高速传输是另一个核心课题。随着数据传输速率的飞速提升，传统铜缆的有效传输距离被压缩至极致，散热与功耗压力剧增。业界普遍认同“铜退光进”的大趋势，但在具体技术路线的选择上存在分歧。
目前光互联主要有CPO（共封装光学）和NPO（近封装光学）两条路径。CPO将光引擎与主芯片直接封装在一起，性能极限更高，但一旦光引擎损坏，整颗主芯片可能随之报废，维护成本高且制造良率挑战极大。相比之下，华为选择的NPO路线则是一次务实的工程折中：将光引擎部署在芯片附近，保留极短的板上电连接，其余转向光连接。这种设计既发挥了光传输的高带宽、低功耗优势，又保留了组件独立维护与替换的空间，使整体综合成本得以显著降低，更适合超大规模智算中心的稳定运行。
在最新发布的硬件落地产品中，基于NPO技术与灵衢总线的昇腾960超节点正式亮相。通过近封装光引擎替代海量传统光模块，系统不仅大幅降低了整机功耗，更减少了单点故障率，提升了超大集群的连续稳定运行时间。这也印证了系统工程的逻辑：在算力基础设施中，稳定性和实际的算力利用率（MFU）往往比单纯的理论峰值更为重要。
除了硬件与架构的重构，生态与产品的迭代节奏同样是算力能否转变为生产力的关键。在芯片路线规划上，相关的硬件演进正在按照一年一代的节奏推进，同时通过软件栈的持续开源与主流框架的无缝对接，降低开发者的迁移与适配成本。通过将底层互联协议开放，并推动行业标准的建立，使得算力底座能够更好地承载百模千态的训练与推理需求。
从“单卡崇拜”转向“系统工程”，重新理解AI算力的本质，意味着把焦点从单一硬件参数延伸到架构效率、互联带宽、稳定运行与综合能效的全局考量。面对未来长期的算力需求增长，通过架构创新弥补单点技术的局限，让庞大的芯片集群实现高效、普惠且稳定的协作，正成为AI基础设施演进的核心方向。
