过去一年，AI从大模型加速走向Agent。
变化首先发生在计算负载上。过去大模型训练和推理，核心负载相对集中在NPU/GPU。但Agent运行时间从一次问答变成数小时、数天甚至数周之后，计算链条开始迅速变长。
CPU要承担向量检索、上下文补齐、沙箱拉起；NPU负责模型推理。多Agent并发时，甚至需要秒级拉起十万级沙箱。于是原来固定配置在NPU服务器里的CPU开始不够用，需要外挂CPU超节点，并根据Agent负载重新调整CPU/NPU比例。
另一场变化发生在内存里。模型参数正在从万亿走向十万亿，上下文从几K拉长到几M，KV Cache随之膨胀，HBM和DDR也装不下了，还要继续向SSD延伸。过去围绕AI芯片搭建的一套计算系统，突然要同时处理CPU、NPU、内存、存储和高频数据搬运。
华为常务董事、ICT BG CEO杨超斌发表主题演讲
9月17日，在上海的华为全联接大会上，华为一口气更新了几乎整套AI基础设施：发布采用NPO光互联技术的昇腾960超节点，升级鲲鹏超节点，推出OceanStor M900 AI记忆存储，并以灵衢把这些原本分属计算、通算和存储的系统重新连接起来，组成一套面向Agentic AI的超节点集群。按照华为的规划，这套架构最终可以扩展至百万卡规模。
有意思的是，业界几乎同时发生了相同的变化。头部玩家把数据中心的定义，从“一代GPU”变成了面向Agentic AI的系统平台，提出要把数据中心重新定义成一个计算单元。过去藏在芯片之后的计算架构，正在被Agent重新推到台前。
关关难过关关过
“公无渡河，公竟渡河。”《箜篌引》里的这句话，放在今天的中国AI算力产业里，也非常贴切。
前面是水，后面也是水。先进制程受限时，最直接的选择当然是等待工艺追赶。单芯片不够强时，最保险的选择也是沿着已有的GPU路线慢慢补课。但华为过去几年做的，偏偏不是停在河边，没有路，就自己闯出一条路来。
如果把时间拨回几年前，华为面对的AI算力问题，其实比今天更残酷。
彼时，AI算力和单颗芯片的性能似乎牢牢绑定，如何破局成了摆在国产芯片产业面前的共同问题。先进制程受限之后，沿着传统路径去比单颗GPU，就意味着要在别人最擅长、自己又受制约的规则里竞争。华为的思路是，用一颗芯片解决不了的问题，就让更多芯片一起解决。
华为需要把芯片连起来，这恰好撞到了它过去几十年最熟悉的领域——通信和联接。
灵衢最早的价值，就在这里显现出来。它通过更高带宽、更低时延的互联，从超节点向更大的集群扩展。到2026年，昇腾910C超节点累计部署超过1000套，昇腾950已经规模商用。行业也把超节点明确定义成一种跨物理节点统一内存编址、逻辑上具有“一台计算机”特征的计算系统。也就是，只要互联足够强，多颗芯片组成的系统，也可以支撑计算。
这就是去年“超节点+集群”最核心的一步。但问题并没有因此结束，因为AI本身变了。
进入2026年，模型参数继续向10T甚至是更大的规模推进，注重长程任务处理的Agent，对超节点的性能提出了新的要求。
毕竟，在Agent完成长程任务的过程里，CPU要负责向量检索、上下文补齐和沙箱，NPU负责模型推理；Prefill、Decode、Attention、FFN对硬件的要求也越来越不同；上下文增长以后，HBM、DDR乃至SSD都开始进入计算关键路径。未来Attention与FFN还可能进一步由不同专用芯片完成。过去，服务器是一套固定好的配方，CPU、NPU、内存多少，在出厂时已经基本决定，现在，Agent却需要根据任务的不同配合不同的配方。据华为测算，在十万级沙箱场景中，鲲鹏超节点相比传统服务器，启动速度能够提升30倍；在复杂向量检索中，性能可以实现倍增。
在国产芯片的攀登之路上，难题总是一道接一道的出现。
灵衢给出的答案，就是不把CPU和NPU焊死，而是顺应变化。需要CPU，就扩鲲鹏超节点；需要AI算力，就扩昇腾；未来Attention、FFN需要不同类型硬件，也继续挂入新的计算单元。
这是一个颇为重要的架构调整思路，扩算力，除了往机器里加同一种芯片之外，是否能按照任务重新组织不同种类的资源。这一构想大胆又颠覆，华为过去积累的通信能力，再一次成了它寻找新路时最自然的支点。
正如杨超斌所说，华为不是要重新发明灵衢，而是把过去已经搭好的架构进一步向Agentic AI展开。从今年的鲲鹏超节点、昇腾960、OceanStor M900，到CPU、NPU、KV Cache统一进入灵衢体系，华为已经把Agent未来可能遇到的几堵墙，包括算力异构、内存不足、存储延迟、跨节点通信，都提前放进了同一套架构里。鲲鹏超节点甚至已经针对十万级Agent沙箱启动和大规模向量检索做专门优化。这也是灵衢今年强调“多样算力、异构协同”的意义。
而正是这样无数个类似的关键技术自研突围，才能让原来人有我无的劣势消失，AI算力的限制逐步瓦解。通过技术创新，华为走出了一条人无我有的路。
前路漫漫亦灿灿
创新是被逼出来的，而把原本属于不同系统、说着不同“语言”、运行在不同物理距离里的资源，真的变成一个高效率整体，需要的是一套创新的架构。
华为第一道要渡过去的河，是协议。
传统服务器的世界，本来就由许多“语言”组成。CPU访问本机内存是一套方式，NPU通信是一套方式，服务器之间走RoCE又是另一套方式。跨出一台机器以后，数据经PCIe出去，被封装、发送，再在另一端拆包处理。华为给出的数据是，一次跨服务器访问可能需要5次数据拷贝和协议转换。
小集群里，几微秒的损耗并不起眼。一旦进入十万卡、Agent高频交互时，每一次转换都记费。所以灵衢今年首先做了一件看起来最基础、但也最难的事情，就是把语言统一。
华为将CPU、NPU、内存、存储、网卡等核心组件原本十余种互联协议归一到灵衢体系，互联带宽从百GB级走向TB级，RTT时延由7微秒降低到2微秒。更关键的是，通过统一内存语义，让跨节点访问尽可能接近机器内部的load/store。这是华为试图解决计算资源高效利用的第一个关键点。
第二道河，是内存。
这一关尤其像过去几年中国AI算力遇到的问题，最稀缺的资源，往往也是最昂贵、最难单点突破的资源。
HBM（High Bandwidth Memory），即高带宽内存。它通过堆叠多个DRAM实现更高的内存带宽和更低的计算功耗，是高性能计算与图形处理等计算任务的必备技术。但如今，随着模型从1T走向10T以后，光靠把HBM越堆越大已经追不上模型的需求。
华为测算，1T模型训练时，每卡大约需要160GB HBM存储激活值；10T模型需要约650GB，已经超过单卡HBM的现实容量。行业通常选择丢弃部分激活值，在反向传播时重新计算，本质上是拿昂贵算力换内存容量。
华为选择把DDR拉进来。
DDR（Double Data Rate SDRAM），即双倍数据速率同步动态随机存取存储器。与HBM相比，DDR带宽较低，但容量更大、成本更低，且扩展更灵活，所以逐渐从服务器和数据中心的主内存，成为AI计算的第二级高速存储资源，与HBM形成分层内存体系。
华为的思路是，通过灵衢，DDR被做成NPU的“第二内存”，NPU可以绕过CPU中转直接读取，把HBM与DDR组成异构资源池。在华为的仿真中，这能够在不增加单卡HBM容量的情况下，提高训练MFU。
到了Agent推理，河面还要再宽一层。
Agent不断调用模型，KV Cache会从GB、TB走向PB级。存储问题进一步加剧。过去的存储在计算完成以后保存结果；今天的Agent却要求存储在计算过程中不断读取，存储将直接影响推理效率。所以华为今年推出OceanStor M900，通过灵衢接入PB级KV缓存体系，支持“一跳直连”，把存储进一步纳入AI计算架构。
最后一道河，华为甚至在挑战物理规律。
一般情况下，铜缆传得越远，损耗越大。总线之所以长期只能停留在主板、服务器或者机柜附近，并不是大家没有想过把它做长，而是物理世界的客观规律不允许。但一个4096卡超节点，已经需要跨越几十个机柜。
于是华为又把过去积累的光通信能力搬进计算系统。Hi-ONE采用NPO形态，把光靠近芯片。昇腾960超节点使用5500个Hi-ONE，替代传统方案下需要的约4.8万个800G光模块。按照华为公布的数据，整套系统由此降低超过550千瓦功耗，无故障运行时间提升一倍。
另一边，灵衢总线的高速传输距离被进一步拉长，从大约1米尺度走向300米跨柜互联。
这也是杨超斌提到的：协议归一，内存语义；多样算力，异构协同；分级存储，全局池化；光电互联，灵活组网 。
华为的选择一直是“公无渡河，公竟渡河”。而在前进的路上，有时候恰恰是因为没有桥，才必须自己造一座。
华为改写AI算力的游戏规则
过去几年，华为把一条原本属于自己的算力路线，慢慢变成越来越多企业开始认真考虑的一种产业选择。到了今年，这个问题又往前走了一步。
当Agent开始进入工厂、医院、金融、电力和政企场景以后，企业要考虑的不再是要不要采购国产AI芯片，而是如何把采购的芯片用起来？
互联网大厂可以自己训练模型，改通信库，建设液冷机房，维护万卡集群，再配一支数百人的Infra团队。但一家制造企业、一家医院、一家区域金融机构，很难先学会造一套AI基础设施，再开始使用Agent。
Agent进入产业并不简单。对企业来说，一方面，CPU、NPU、内存、存储要一起调度，另一方面，企业数据又自有更高的安全需求，要求本地部署。如果这些复杂度最终全部留给客户解决，那么再好的架构，也很难真正走出少数互联网大厂的数据中心。
灵衢希望用更简单的方式把架构创新的结果交付给客户。
华为推出从1卡到8卡的系列化一体机，Atlas 650E可以通过双机灵衢直连，让16颗NPU免交换互联，两台物理服务器在逻辑上像一台机器运行；16卡以上还可以继续平滑扩容，形成小型超节点。按照华为披露的数据，EP16并行下推理吞吐可以提升40%以上，并支持中小企业在本地运行万亿参数模型。
想要成为产业底座，就需要让合作伙伴也能基于它做开发。昇腾与DeepSeek Harness、OpenCode、openJiuwen等开源框架协同，伙伴可以按需组合，再去接自己的工具、业务系统和行业Agent。
CANN的变化更有代表性。去年8月5日，华为宣布CANN全面开源开放，目前CANN社区已跃升为中国开源项目活跃度第一。目前CANN已经进入常态化开源社区运营，月活开发者超过5200人；基于昇腾+CANN原生训练的模型已经超过40个，昇腾同时覆盖PyTorch、Triton、vLLM、veRL等90多个主流第三方社区，并成为PyTorch官网可直接安装的首个中国算力平台。另一边，50多家行业客户、伙伴和高校已经与昇腾共同建设26个行业专属算子库。
越来越多华为的生态伙伴，可以选择不同模组，制造自己的服务器和一体机，开发自己的行业算子，再把自己的Agent和业务系统接进来。
放眼望去，全球AI算力需求依旧在极速增长，随着Agent进入千行百业，企业需要把复杂的算力系统变成更简易上手的生产工具，而灵衢下一步要闯的关，是如何从华为的灵衢，走向全产业的灵衢。
