|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(九) |
| 日期 2026-10-19 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第九章华为 一、企业概况与算力资产规模 (一)昇腾芯片出货规模与部署量 华为在2026年已经确立了其作为中国AI算力基础设施绝对核心供应商的地位。这一地位的建立,既是美国出口管制政策持续收紧的被动结果,更是华为在芯片设计、系统架构和软件生态领域主动突破的主动成果。 从出货规模来看,华为昇腾芯片在2026年达到了一个具有历史意义的量级。据路透社报道,华为计划在2026年出货约75万颗昇腾950 Pro AI加速器。这一数字如果实现,将使昇腾950系列成为中国AI芯片市场出货量最大的单一产品线。而华为为昇腾950平台设定的2026年出货目标为75万片,这一目标的设定本身就反映了华为对产能爬坡和市场需求的双重信心。 从更宏观的市场份额视角看,华为的替代进程已经形成了系统性效应。投行伯恩斯坦的独立预测显示,英伟达在中国AI半导体市场的份额将从2025年的约40%下降至2026年的约8%,而华为单一厂商可能超过50%。云阿云智库的预测更为激进,将2026年中国国产AI芯片在国内高端市场的份额预测从约50%大幅上调至接近90%,留给英伟达、AMD等海外方案的市场空间可能仅剩一成。以华为和寒武纪为首的国内芯片供应商预计将在2026年占据56%的市场份额,较上年的46%进一步提升。若加上阿里巴巴、百度、腾讯等中国互联网巨头自研的专用集成电路——预计占市场的23%——国产芯片有望覆盖中国AI服务器硬件市场近80%的份额。 这一替代进程的关键转折点出现在2026年4月24日。当日,DeepSeek V4正式发布,其官方技术报告明确将华为昇腾950PR写入硬件验证清单,实现了从英伟达CUDA到国产算力的全栈迁移。这一事件的象征意义远超技术层面:它标志着中国最前沿的AI模型首次将国产芯片作为“原生”计算平台,而非“兼容”或“适配”的备选方案。人民网对此的评价切中要害:“模型可以基于芯片来设计;模型厂商也直接给芯片厂商提出要求,让芯片针对模型来优化。这比业内通常提及的‘0 Day适配’要更加提前、更具深度。”专家将这种开发模式比作汽车行业的“原厂设计”——更强调系统性、安全性与量产可行性,是出厂时的“原始状态”。 从部署规模来看,华为的超节点产品线已经进入了规模化交付阶段。华为副董事长、轮值董事长汪涛在2026年全联接大会上披露的数据具有里程碑意义:昇腾910C超节点已部署超过1000套,昇腾950超节点也已规模商用。1000套超节点的部署规模意味着昇腾910C超节点的累计芯片部署量超过了38.4万颗(按每套384卡计算),而昇腾950超节点的1024卡配置意味着每套系统承载的算力密度是910C的2.67倍。 从市场结构的深层变化来看,华为的替代进程正在从“政策驱动”转向“内生驱动”。伯恩斯坦的分析指出,美国已批准向部分中国企业有限度地出售H200芯片,但“实际货物出货仍有待两国政府审批,供应前景依然充满不确定性。而这种不确定性本身,正驱使中国企业从一开始就将国产芯片纳入项目设计,而非仅将其视为临时替代方案”。这一判断的资产管理含义是深远的:当国产芯片从“备选”变为“设计起点”时,其需求刚性将显著上升,因为“设计起点”的更换成本远高于“备选方案”的切换。 (二)昇腾910C/950超节点部署情况 超节点是华为算力资产体系中最具战略独创性的产品形态,也是理解华为“以系统换制程”策略的核心载体。 华为对“超节点”的定义具有严格的技术边界。汪涛在2026年全联接大会上明确阐述了这一定义:“超节点内跨物理节点的内存可以统一编址,意味着任何一个AI芯片可以访问超节点内的所有内存共享池,可以统一池化。内存不能统一编址的不是超节点。”这一定义的关键词是“统一内存编址”——它使超节点在逻辑上具备“一台计算机”的特征,而非简单地将多台服务器“堆叠”在一起。这一技术标准已由鹏城实验室、全球计算联盟(GCC)联合38家单位纳入行业规范。 昇腾910C超节点是华为超节点产品线的第一代规模化产品,配置为384卡。截至2026年9月,其部署量已超过1000套。按每套384卡计算,910C超节点的累计部署芯片量超过38.4万颗,这一规模使华为成为全球超节点部署量最大的厂商。 昇腾950超节点是2026年的主力产品,将单超节点规模从384卡跃升至1024卡。这一规模的提升不仅仅是“数量增加”,更是系统架构的质变。1024卡超节点对互联技术、散热方案、供电系统和软件调度都提出了数量级更高的要求。华为通过灵衢(UB)互联协议和全光互联技术实现了这一跃升。昇腾950超节点已于2026年实现规模商用,标志着华为的超节点技术从“技术验证”进入了“产能交付”阶段。 超节点规模扩大的技术动因在华为的仿真数据中得到了清晰的量化。汪涛引用华为马尔科夫实验室的仿真结果指出:4K超节点组成的10万卡集群相比由8卡服务器组成的10万卡集群,MFU(模型浮点算力利用率)提升了2.75倍。这一数据的资产管理含义是深远的:它意味着同样的芯片数量,在不同的系统架构下,有效算力可以相差近3倍。对于算力资产管理而言,这一发现颠覆了传统的“按芯片数量计价”的逻辑——资产的“有效价值”高度依赖于系统架构的设计质量。汪涛进一步量化了这一差距的经济影响:“当前业界10万卡集群的MFU普遍不足30%,约七成时间处于故障及故障修复状态。测算表明,MFU每提升1个百分点,10万亿参数大模型的训练周期可缩短约3天。” (三)中国AI芯片市场的替代进度 华为在中国AI芯片市场的替代进程在2026年已经从“趋势”变为“事实”。这一进程的驱动力来自供给侧的产能突破和需求侧的生态成熟两个层面的同步推进。 从供给侧看,华为的产能扩张速度在2026年显著加速。路透社报道的75万颗昇腾950 Pro的年度出货目标,如果实现,将意味着华为的AI芯片年出货量较2025年增长超过一倍。这一产能的关键支撑是华为自研HBM的量产落地。自昇腾950PR开始,昇腾AI芯片将采用华为自研的HBM,摆脱了对三星、SK海力士等外部HBM供应商的依赖。HBM的自主化是华为算力资产供应链去风险化的关键一步——在美国出口管制持续收紧的背景下,任何外部供应链的“卡脖子”风险都可能导致整个芯片生产线的停摆。 从需求侧看,国产芯片的采用正在从“政策要求”转变为“技术选择”。云阿云智库平台主席兼财政金融院长李桂松在香港国际会议主旨发言上表示:随着地缘政治不确定性加剧以及北京推动自主可控的步伐加快,国产处理器的采用率将持续提升。但更值得关注的是技术驱动的采用。DeepSeek V4的“芯模协同”模式代表了一种全新的开发范式:模型厂商在设计阶段就与芯片厂商协同,针对芯片的架构特征来优化模型,而非在芯片选定后再进行“移植”和“适配”。这种模式的资产管理含义是:算力资产的“软件适配度”不再是“事后优化”的问题,而是“设计前置”的决策变量。一台在“芯模协同”模式下开发的芯片,其“有效算力”可能远高于“通用芯片+事后适配”的组合。 从替代的“不可逆性”来看,一旦中国企业将国产芯片作为“设计起点”而非“替代方案”,替代进程就具有了自我强化的惯性。云阿云智库分析指出:“美国已批准向部分中国企业有限度地出售H200芯片,但实际货物出货仍有待两国政府审批,供应前景依然充满不确定性。而这种不确定性本身,正驱使中国企业从一开始就将国产芯片纳入项目设计。”这一“不确定性驱动替代”的逻辑意味着:即使美国放松出口管制,中国企业向国产芯片迁移的趋势也难以逆转,因为“设计起点”的更换成本远高于“备选方案”的切换。华为在2026年获得的系统性替代地位,本质上是这一“不确定性红利”的产物。 二、核心算力资产分析 (一)昇腾AI芯片路线图(960/970/980) 华为的昇腾芯片路线图在2026年展现了超预期的研发执行能力,其迭代节奏和性能提升速度在全球AI芯片领域都属于顶级水平。 昇腾950系列是2026年的主力产品,采用双版本策略以精准匹配不同的AI工作负载。昇腾950PR主要面向推理Prefill阶段和推荐场景,搭载HiBL 1.0内存方案,旨在“替代高成本的HBM3e与HBM4e解决方案,在保障基础性能的同时显著降低部署门槛”。昇腾950DT则专为推理Decode阶段和训练场景设计,采用自研HiZQ 2.0内存系统,内存容量从128GB扩展至144GB,内存访问带宽从1.6TB/s跃升至4TB/s,芯片间互联带宽达2TB/s,整体带宽性能实现翻倍以上提升。两款芯片均基于统一Ascend 950 Die和华为自研的第三代DaVinci架构,引入SIMD/SIMT新同构以提升编程易用性,支持FP8、FP4及自研HiF8等多种数据格式。 昇腾950PR的量产时间具有标志性意义。该芯片原计划于2026年第一季度推出,实际于2026年3月随Atlas 350加速卡正式发布,2026年4月量产。搭载该芯片的Atlas 350加速卡单卡FP4算力达1.56 P浮点运算每秒,带宽1.4TB/s,功耗600W,搭载112GB自研HBM。华为为昇腾950平台设定的2026年出货75万片的目标,如果实现,将使昇腾950系列成为中国AI芯片市场出货量最大的单一产品线。 昇腾960系列的研发进度大幅超出预期,这是华为在2026年全联接大会上释放的最具冲击力的信号。汪涛宣布,昇腾960芯片已提前就绪,实现性能翻番。具体时间表为:昇腾960DT将于2027年第一季度发布,比原计划提前三个季度;昇腾960PR将于2027年第三季度发布,比原计划提前一个季度。这一“提前量”的资产管理含义是深远的:它意味着华为的芯片迭代节奏正在加速,从“一年一代”向“不到一年一代”演进。对于持有昇腾910C/950资产的用户而言,技术迭代折价的时钟正在加快——新一代芯片的提前到来,意味着旧一代芯片的经济寿命可能比预期更短。 昇腾970和980的规划进一步确认了华为的长期技术路线。汪涛明确表示,华为将“坚持一年一代的演进节奏”,昇腾970计划2028年发布,昇腾980计划2029年发布。这两代芯片将“依托韬定律的创新方向,实现算力规格继续翻倍,访存带宽、访存容量、互联带宽等也将大幅提升”。韬定律(τ定律)是华为在2026年提出的系统级芯片演进理论,其核心是“以时间缩微替代几何缩微”作为半导体演进的新指导原则。这一理论的提出背景是:华为无法获得EUV光刻机,“要超越业界所称的7纳米节点进行微缩,需要极紫外(EUV)光刻技术,而华为无法获取该技术,必须另寻出路”。 (二)CANN/MindSpore软件生态 软件生态是华为算力资产体系中最关键也最具挑战性的维度。华为对这一挑战的战略回应可以概括为:以“开源开放”对抗“生态锁定”,以“组件化”降低迁移门槛。 CANN(Compute Architecture for Neural Networks)是华为的AI计算软件栈,相当于英伟达的CUDA。CANN的战略转折点出现在2026年:华为宣布CANN软件栈全面开源开放,兼容PyTorch、vLLM等主流生态,同时开放50余个代码仓及超800个算子。这一“全面开源”策略的资产管理含义是深远的:它使昇腾的软件生态从“华为独有”转变为“社区共建”,从而降低了开发者的迁移成本和心理障碍。 昇思MindSpore是华为的AI框架,在2026年经历了从“替代品”向“创新组件”的定位升级。MindSpore的战略调整体现在三个层面。第一,从“替代PyTorch”转向“服务PyTorch”。华为联合PyTorch基金会成立了Ascend for PyTorch社区,“加速开发一致性对齐”,并“配合PyTorch社区重构CICD,年底实现PyTorch版本在昇腾上同步发布”。这一策略的务实性在于:它承认了PyTorch作为行业标准框架的地位,转而将昇腾定位为“PyTorch的最佳运行平台之一”,而非“PyTorch的替代品”。第二,组件化创新。MindSpore聚焦超节点技术创新,在分布式、图模式领域构建了HyperParallel、AKG等“昇腾亲和组件”,并“支持PyTorch,LlamaFactory等主流生态复用”。AKG(AI Kernel Generator)图算融合组件的关键创新是“编译时长降低50%+”,已“合入主线,全面赋能昇腾大模型图模式加速”。第三,开发者激励。华为为开发者提供“2000+社区任务&竞赛活动和全方位的算力、激励”,以“加速开发者学习到贡献路径”。 CANN/MindSpore生态的核心挑战在伯恩斯坦和南华早报的报道中得到了坦率的量化。上海某大学AI研究员王詹姆斯的估计具有代表性:“CUDA代码无法直接在昇腾上运行,需要进行大量重写”,迁移“至少会增加50%的时间和成本”。这一“50%迁移成本”的资产管理含义是:昇腾算力资产的“有效算力”必须扣除迁移成本才能与CUDA生态的“标称算力”进行公平比较。一台昇腾950的“纸面性能”可能接近甚至超越同代英伟达产品,但其“总拥有成本”(包括迁移成本、重新培训成本、生态工具缺失的隐性成本)可能显著更高。 (三)灵衢UnifiedBus互联与百万卡集群 灵衢(UnifiedBus,UB)是华为在算力系统架构领域最具原创性的技术贡献,也是华为实现“以互联换制程”战略的技术基石。 灵衢的核心技术创新可以概括为“协议归一,内存语义”。华为将“十余种互联协议统一为灵衢协议”,互联带宽从百GB级提升至TB级,RTT通信时延从7微秒压缩至2微秒,支持超节点内全局内存统一编址。这一“协议归一”的资产管理含义是深刻的:它使CPU、NPU、内存、SSD等异构组件能够“通过灵衢直接互联,实现去中心化平等访问,CPU和NPU资源可灵活配比”。在传统架构中,不同组件之间的通信需要通过多层协议转换,每一层转换都增加了延迟和能耗。灵衢的“协议归一”消除了这些转换层,使数据在芯片间的“通勤”更加高效。 基于灵衢,华为构建了分层分级的互联设备体系,覆盖柜内、跨柜与集群三级互联。柜内灵衢互联刀片实现“零电缆、零电路损耗”,一个4096超节点可节省196公里铜缆。跨柜灵衢互联设备支持176个端口,每端口达1.6T,单机280T全光互联,“是业界互联带宽最大、端口数最多的高速总线协议互联设备,RTT时延低至2微秒”。UBG灵衢网络交换机具备高达1024的超大Radix扇出能力,“可支撑百万卡超节点集群,满足模型参数向几十万亿演进的需求”。 灵衢的终极目标是百万卡集群。汪涛披露,通过二层CLOS四平面组网,最大集群规模可达到51.2万卡,再结合多轨道拓扑技术,最大可支持100万卡昇腾超节点集群。但汪涛对此保持了务实的态度:“100万卡只是技术指标,实际部署中10万卡可以基本满足需求。”这一表述的资产管理含义是:“最大可扩展能力”和“实际部署规模”之间存在显著差距,资产管理的重点应放在“实际部署的集群能否高效运行”,而非“理论上的最大规模”。 (四)鲲鹏CPU与存储系统 鲲鹏CPU和OceanStor M900存储系统是华为算力资产体系中“通算+智算+存储”三位一体架构的关键组成部分。 鲲鹏超节点在2026年实现了全新升级。基于灵衢全光组网,鲲鹏超节点最大支持4096节点,并形成高达256TB的统一内存池,“可显著加速Agent性能”。在Agent沙箱场景,“十万级别沙箱启动相比传统服务器方案提升30倍,且沙箱密度还可以再提升25%”;在Agent向量检索场景,“在百亿千维的复杂向量检索场景下,实现检索效率比传统服务器性能实现倍增”。鲲鹏超节点的战略定位是“Agentic AI时代的基础设施”——随着AI Agent的规模化部署,CPU密集型工作负载(工具调用、API请求、数据库查询)的需求将显著上升,而鲲鹏超节点正是为这一趋势设计的。 OceanStor M900 AI记忆存储系统是华为在存储层的创新。面向Agent推理系统,华为提出了多层KV缓存架构,推出基于灵衢UnifiedBus、支持“一跳直连”的L3.5层PB级KV缓存——OceanStor M900集群。M900采用“混合介质加优化Retention算法”,可将SSD读写性能提升到新的水平。M900的资产管理含义是:算力资产的价值不再仅取决于“计算能力”,还取决于“数据供给能力”。在Agent推理场景中,KV Cache的读写速度可能成为比显卡算力更关键的瓶颈。M900通过“一跳直连”将存储层与计算层的通信延迟压缩到最低,使存储从“后端瓶颈”转变为“前端加速器”。 三、竞争优势分析 (一)中国市场对英伟达的系统性替代地位 华为在中国AI芯片市场的替代地位已经具有了系统性的特征,这一地位的形成是政策、技术和市场三重力量共同作用的结果。 从政策层面看,美国出口管制的不确定性系统性地推动了中国企业的“国产优先”策略。云阿云智库的分析指出:“美国已批准向部分中国企业有限度地出售H200芯片,但实际货物出货仍有待两国政府审批,供应前景依然充满不确定性。而这种不确定性本身,正驱使中国企业从一开始就将国产芯片纳入项目设计。”这一“不确定性驱动替代”的逻辑意味着:即使美国放松管制,替代趋势也难以逆转,因为“设计起点”的更换成本远高于“备选方案”的切换。 从技术层面看,华为的超节点+集群架构正在形成差异化优势。汪涛披露的仿真数据具有震撼性:4K超节点组成的10万卡集群相比由8卡服务器组成的10万卡集群,MFU提升了2.75倍。这一数据的竞争含义是:在相同的芯片制程条件下,华为的系统架构能力可以创造出数倍于传统架构的有效算力。对于算力资产管理而言,这意味着“有效算力”而非“标称算力”才是资产价值的真正衡量标准。 从市场层面看,DeepSeek V4的“芯模协同”模式具有转折点意义。在官方技术报告中,DeepSeek将华为昇腾与英伟达并列写入硬件验证清单,这是中国最前沿的AI模型首次将国产芯片作为“原生”计算平台。华为与DeepSeek的“芯模技术紧密协同”模式——“模型可以基于芯片来设计;模型厂商也直接给芯片厂商提出要求,让芯片针对模型来优化”——代表了一种全新的产业协作范式。英伟达CEO黄仁勋对此的评论具有警示性:“若DeepSeek的最新一代大模型率先选择在华为先进芯片平台上发布并全面适配,那么这对美国在全球人工智能领域的战略地位而言,无疑将是一个灾难性的打击。” (二)国家战略支持与封闭市场保护 华为的竞争优势中,国家战略支持和封闭市场保护是最难以量化但最具决定性的维度。这一优势的独特性在于:华为是中国唯一能够在高端AI芯片领域提供“全栈自主可控”方案的企业。 从“自主可控”的技术内涵来看,华为的“全栈”覆盖了芯片设计(昇腾)、互联协议(灵衢)、软件栈(CANN/MindSpore)、服务器整机(Atlas)、云服务(华为云)的全链条。在美国出口管制持续收紧的背景下,“自主可控”从“加分项”变成了“准入门槛”——任何依赖美国技术的方案都面临供应中断的风险。华为的全栈自主使其成为唯一能够提供“无美国技术”AI算力方案的企业。 从“封闭市场保护”的经济逻辑来看,中国AI芯片市场的“国产优先”政策为华为提供了稳定的需求基础。云阿云智库预测2026年中国国产AI芯片在国内高端市场的份额将接近90%,这意味着留给海外方案的空间可能仅剩10%。这一“政策红利”的资产管理含义是:华为的算力资产具有更高的“需求确定性”,因为其需求不仅来自“市场竞争”,还来自“政策保护”。 从“新型举国体制”的资源动员能力来看,华为能够调动远超商业企业的资源来推进技术攻关。何庭波在“韬定律”论文中透露的数据具有代表性:381颗芯片的量产经验构成了“韬定律”的实证基础。这一“量产经验”的积累不是商业企业的常规行为——它需要持续的大规模研发投入和对短期商业回报的容忍。华为的“韬定律”研究——一种系统级芯片演进理论——的理论深度和工程规模,在商业芯片公司中极为罕见。 (三)与DeepSeek等头部模型厂商的协同 华为与DeepSeek的“芯模协同”模式,是华为算力资产体系中最具战略创新性的竞争优势。这一模式的核心价值在于:它将“芯片-模型适配”从“事后优化”提升为“设计前置”,从而显著降低了迁移成本。 “芯模协同”的技术内涵在DeepSeek V4的案例中得到了充分体现。华为与DeepSeek的协作不是“DeepSeek发布模型,华为进行适配”的线性过程,而是在模型设计阶段就进行协同。专家对此的解读是:“在做模型的时候,芯片就已经一起适配,双方团队很可能在研发阶段就一起工作。举例子来说,模型可以基于芯片来设计;模型厂商也直接给芯片厂商提出要求,让芯片针对模型来优化。”这种模式比业内通常提及的“0 Day适配”要“更加提前、更具深度”,是“原厂设计”模式。 从技术效果来看,“芯模协同”产生了显著的性能提升。DeepSeek V4的上下文处理长度从原有的128K扩展至1M,实现近10倍的容量提升,首次增加了KV Cache滑窗和压缩算法,大幅减少Attention计算和访存开销。这些模型侧的创新需要芯片侧的深度配合才能充分发挥效果。华为昇腾950超节点“针对DeepSeek V4实现低时延与高吞吐的关键突破”,这一突破的取得离不开“芯模协同”的设计前置。 从战略含义来看,“芯模协同”模式使华为的算力资产获得了“生态锚点”。DeepSeek V4的官方硬件验证清单将昇腾950PR与英伟达并列,这一“官方背书”为昇腾芯片提供了最有力的市场信号。当中国最前沿的AI模型将昇腾作为“原生平台”时,其他模型厂商和企业的迁移意愿将显著上升。这一“标杆效应”的资产管理含义是:华为的算力资产不再是“孤立的硬件”,而是嵌入在“中国AI生态”中的“结构性组件”。 (四)从芯片到云服务的全栈能力 华为的全栈能力是其算力资产体系中最难以被复制的竞争优势。这一能力的核心在于:华为同时控制芯片设计、系统架构、软件栈、云服务和模型生态五个层面的关键节点。 从芯片到系统的整合,体现在超节点架构的设计中。昇腾960超节点采用4096卡配置,通过灵衢互联实现统一内存编址,使超节点在逻辑上成为“一台计算机”。这一“系统级整合”需要芯片设计、互联协议、散热方案、供电系统的深度协同。华为的全栈能力使其能够从芯片架构开始设计系统,而非“用通用芯片搭建系统”。 从系统到软件的整合,体现在CANN/MindSpore与超节点架构的深度耦合中。MindSpore的HyperParallel、AKG等“昇腾亲和组件”是针对昇腾超节点的架构特征专门优化的。这种“软硬件协同设计”使昇腾超节点的有效算力能够接近其理论峰值,而非像“通用软件+通用硬件”的组合那样受限于软件优化不足。 从软件到云的整合,体现在华为云对昇腾超节点的原生支持中。华为云是昇腾芯片的“首发平台” ——新芯片(如昇腾950DT)的首批部署往往在华为云上完成。这种“芯片-云”的垂直整合使华为能够快速收集真实工作负载的反馈,并将其直接用于下一代芯片的设计优化。 从云到模型生态的整合,体现在华为与DeepSeek等模型厂商的“芯模协同”中。华为的全栈能力使其能够同时服务“芯片层”(昇腾)、“系统层”(超节点)和“云层”(华为云)的客户,而DeepSeek的V4模型则横跨这三个层面,将华为的全栈能力转化为端到端的AI解决方案。 四、劣势与风险分析 (一)先进制程工艺受限 先进制程工艺受限是华为算力资产体系中最根本的约束。何庭波在论文中的表述坦率而直接:“要超越业界所称的7纳米节点进行微缩,需要极紫外(EUV)光刻技术,而华为无法获取该技术,必须另寻出路。” 这一约束的技术含义是深远的。在传统半导体演进中,制程微缩(从7nm到5nm到3nm)是提升芯片性能的主要路径。EUV光刻机是实现7nm以下制程的必要设备。华为无法获取EUV意味着其无法通过“几何缩微”来追赶先进制程。这一约束的资产管理含义是:华为的算力资产无法通过“制程领先”来建立竞争优势,必须通过“系统优化”来弥补制程差距。 华为的应对策略是“韬定律”——以“时间缩微”替代“几何缩微”。韬定律的核心创新是“逻辑折叠”(LogicFolding)技术:将单一硅片上的寄存器、运算电路拆分,部分放到第二层堆叠晶圆,使第一层的晶体管密度更高,再通过垂直短通道代替横跨芯片的长线,缩短信号传输距离以联合优化性能、功耗和面积。何庭波披露的数据具有说服力:引入逻辑折叠的Kirin 2026,晶体管密度从基线的155MTr/mm²提升至238MTr/mm²,如果按照传统的几何微缩,这样的提升需要3年(3代)工艺进化才能实现。在相同性能下,NPU功耗下降66%,显卡下降58%,CPU性能核心下降41%。 然而,韬定律的局限性同样不可忽视。何庭波坦率地承认:“τ是时间缩放定律,而非能量缩放定律。若设计者将节省的时间全部用于提升频率,芯片反而可能更耗电。”此外,“混合键合间距、晶圆翘曲、对准精度、EDA工具适配等工程难题,需要未来三到五年持续攻关”。从资产管理的角度看,韬定律的核心价值是“给设计者提供重新分配性能、面积和功耗的‘余地’,而非一条自动节能的捷径”。 (二)CANN生态成熟度远不及CUDA CANN生态成熟度远不及CUDA是华为算力资产体系中最持久的竞争劣势。这一劣势的核心不在于技术能力,而在于时间积累和网络效应。 从迁移成本的角度看,南华早报引用的专家估计具有代表性:“CUDA代码无法直接在昇腾上运行,需要进行大量重写”,迁移“至少会增加50%的时间和成本”。这一“50%迁移成本”的资产管理含义是:昇腾算力资产的“有效算力”必须扣除迁移成本才能与CUDA生态的“标称算力”进行公平比较。一台昇腾950的“纸面性能”可能接近甚至超越同代英伟达产品,但其“总拥有成本”(包括迁移成本、重新培训成本、生态工具缺失的隐性成本)可能显著更高。 从生态规模的角度看,CANN的开发者社区规模远小于CUDA。CUDA经过十余年积累,拥有数百万开发者、数千个库和海量的教程、论文和开源项目。CANN的开源开放策略(50余个代码仓、800+算子)虽然降低了准入门槛,但无法在短期内复制CUDA的生态规模。华为的应对策略是“组件化”——通过Ascend for PyTorch社区和MindSpore的组件化创新,使昇腾能够“嵌入”PyTorch生态,而非“替代”PyTorch生态。这一策略的务实性在于:它承认了PyTorch的生态主导地位,转而将昇腾定位为“PyTorch的最佳运行平台之一”。 从竞争动态的角度看,CUDA的网络效应正在自我强化。每一代英伟达芯片的发布都为CUDA生态增加新的功能和优化,使生态的价值不断提升。华为的CANN虽然在特定工作负载上(如DeepSeek V4的“芯模协同”)可以达到接近CUDA的效率,但在通用场景中,软件优化的深度和广度仍存在显著差距。 (三)国际市场拓展受地缘政治制约 国际市场拓展受地缘政治制约是华为算力资产体系中最难以克服的外部约束。美国对华为的实体清单制裁和出口管制,使华为的AI芯片和算力解决方案在大多数国际市场面临准入门槛。 从市场准入的角度看,华为的昇腾芯片和超节点产品在美国及其盟国市场面临实质性的禁止。即使在非盟国市场,华为的5G设备曾遭遇的“安全疑虑”也可能延伸到AI算力领域。华为的国际市场拓展将高度依赖于“一带一路”沿线国家和对华友好的市场。 从供应链的角度看,华为的先进制程芯片依赖于台积电等受美国管辖的代工厂。虽然华为通过自研HBM和系统优化降低了对外部供应链的依赖,但先进制程的获取仍然是结构性瓶颈。何庭波论文的核心背景正是这一约束:“华为无法获取EUV光刻技术,必须另寻出路。” 从竞争格局的角度看,地缘政治制约的不对称性对华为不利。英伟达的全球市场覆盖使其能够享受规模经济和生态网络效应,而华为的市场局限于中国使其无法享受同等的规模效应。这一“市场边界”的差异在长期可能加剧华为与英伟达的技术差距。 (四)软件生态的“鸡与蛋”难题 华为CANN生态面临的核心困境,是典型的“鸡与蛋”难题:开发者不愿意为一个“用户少”的平台开发软件,而“用户少”的原因正是“软件少”。 这一难题的具体表现是多层面的。在框架层面,PyTorch的昇腾支持不如CUDA成熟,许多PyTorch生态中的库和工具无法在昇腾上无缝运行。在库层面,昇腾的算子库覆盖度虽然通过“800+算子”的开源有所提升,但与CUDA的数千个库相比仍有显著差距。在工具链层面,昇腾的性能分析工具、调试工具和优化工具的成熟度和易用性远不及CUDA。 华为的应对策略是“组件化”和“开源开放”。通过Ascend for PyTorch社区,华为“利用社区力量加速API一致性对齐”,并“配合PyTorch社区重构CICD,年底实现PyTorch版本在昇腾上同步发布”。这一策略的务实性在于:它将“生态建设”的责任从“华为独担”转变为“社区共建”。MindSpore的组件化创新(HyperParallel、AKG等)则将昇腾的“独特价值”封装为“可复用的组件”,使PyTorch等主流生态的开发者能够“无感”地享受昇腾的优化。 然而,“鸡与蛋”难题的根本解决需要时间。华为的开源开放策略降低了“鸡”的门槛(开发者可以免费获取CANN的代码和算子),但“蛋”的产出(高质量的昇腾优化软件)需要开发者的持续投入。这一投入的回报取决于昇腾的用户规模——而用户规模又取决于软件的质量。这一循环依赖的打破,需要华为在“用户获取”和“生态建设”两端同时发力。 五、战略动向与展望 (一)从“芯片供应商”向“AI基础设施架构师”的定位升级 华为的战略演进方向在2026年已经清晰可见:从“AI芯片供应商”升级为“AI基础设施架构师”。这一升级的核心标志是超节点+集群的战略定位和灵衢互联的开放生态。 汪涛对华为AI战略的核心表述具有战略清晰度:“华为AI战略的核心是算力,华为坚持硬件变现,将用‘超节点+集群’,打造中国坚实算力底座并构建开源开放的算力生态。”这一表述的三个关键词——“核心是算力”、“硬件变现”、“开源开放”——精准地定义了华为的战略定位。“核心是算力”意味着华为不追求在模型层与DeepSeek等厂商竞争,而是聚焦于提供算力底座。“硬件变现”意味着华为的商业模式是销售算力硬件和系统,而非通过云服务或模型API变现。“开源开放”意味着华为通过开放软件生态来降低硬件销售的门槛。 这一战略定位的资产管理含义是深远的。从“芯片供应商”到“基础设施架构师”的升级,意味着华为的价值主张从“卖芯片”转变为“交付算力系统”。超节点+集群的系统级交付使华为的产品单价从“单卡数万元”提升至“单套超节点数亿元”,商业模式的“维度”发生了根本性变化。 (二)灵衢互联的开放与产业生态构建 华为对灵衢互联协议的开放策略,是其算力资产战略中最具远见的布局。汪涛披露,华为“去年已将自研的灵衢互联协议全部开放,白皮书、使能参考设计、软件架构、测试规范等均可免费下载”。 这一“开放互联协议”策略的战略逻辑与高通在移动通信领域的“专利授权”模式有相似之处:即使客户使用其他厂商的芯片,只要他们需要高性能互联,华为仍能通过灵衢互联设备捕获价值。汪涛对此的表述直截了当:“希望各家产品互联时能够直接连通,避免像不同制式插头那样需要转换,造成科研资源浪费。” 灵衢开放的资产管理含义可以从三个层面理解。在标准层面,灵衢的开放使其有可能成为中国AI算力集群的“通用互联标准”。如果不同厂商的芯片和服务器都支持灵衢协议,那么跨厂商的算力集群将不再需要“协议转换”,从而降低异构算力集群的集成成本。在生态层面,灵衢的开放使第三方开发者能够在灵衢协议上构建创新应用,从而扩大华为算力生态的外延。在竞争层面,灵衢的开放使华为能够将“互联技术”转化为“标准影响力”,即使其芯片市场份额被其他国产厂商分流,华为仍能通过灵衢标准保持在算力基础设施中的核心地位。 (三)一年一代的迭代节奏与“韬定律”的持续验证 华为在2026年明确承诺了“一年一代”的芯片迭代节奏,这一承诺的资产管理含义是双重的。 积极方面,“一年一代”的节奏使华为的算力资产始终处于技术前沿。昇腾960的提前发布(960DT提前三个季度,960PR提前一个季度)表明华为的研发执行能力正在加速。对于需要持续获取最新算力的客户(如AI模型训练公司)而言,华为的快速迭代使其能够在较短时间内获得性能提升,而无需等待英伟达的产品周期。 风险方面,“一年一代”的节奏加速了算力资产的“技术迭代折价”。一台昇腾950超节点在2026年是最先进的算力资产,但在2027年昇腾960发布后,其技术领先地位将迅速下降。对于持有大量昇腾950资产的企业而言,折旧策略需要更加激进——传统的“3-5年直线折旧”可能无法反映“一年一代”节奏下的真实资产贬值速度。 “韬定律”的持续验证是华为长期技术路线的核心支撑。何庭波将“韬定律”描述为381颗芯片量产经验的总结,并坦率地承认这一理论需要“未来三到五年持续攻关”来解决混合键合间距、晶圆翘曲、对准精度、EDA工具适配等工程难题。从资产管理的角度看,“韬定律”的成功将决定华为能否在“制程受限”的条件下持续提升芯片性能。如果“韬定律”成功,华为的算力资产将获得一条“独立于制程微缩”的性能提升路径;如果失败,华为的算力资产将面临“制程瓶颈”导致的性能停滞。 (四)展望:在“系统优势”与“制程劣势”之间寻找可持续平衡 华为算力资产管理战略面临的核心张力,可以概括为“系统优势”与“制程劣势”之间的平衡。 “系统优势”来自华为的超节点架构、灵衢互联、CANN/MindSpore软件栈和“芯模协同”生态。汪涛披露的MFU提升2.75倍的数据表明,华为的系统架构能力可以在相同的芯片制程条件下创造出数倍于传统架构的有效算力。这一“系统优势”的资产管理含义是:华为算力资产的“有效算力”可能显著高于其“标称算力”,因为系统优化使芯片的实际利用率更高。 “制程劣势”来自华为无法获取EUV光刻机的结构性约束。何庭波论文的核心背景正是这一约束:“华为无法获取EUV光刻技术,必须另寻出路。”这一“制程劣势”的资产管理含义是:华为算力资产的“性能上限”可能受限于制程,即使系统优化能够部分弥补制程差距,但无法完全消除。 华为的当前策略是在两者之间寻找平衡——以“系统优势”来“弥补”制程劣势,以“一年一代”的迭代节奏来“追赶”性能差距。这一策略的成功条件是:华为的“系统优化”能力能够持续领先,使“系统优势”的累积速度超过“制程劣势”的扩大速度。如果成功,华为将在“后摩尔时代”开辟一条“以系统换制程”的独特路径;如果失败,华为可能在制程瓶颈面前面临“系统优化天花板”。 从长期视角看,华为算力资产管理战略的成败将取决于三个条件的满足。第一,“韬定律”的工程化验证成功,使华为能够在“制程受限”的条件下持续提升芯片性能。第二,CANN/MindSpore生态的“鸡与蛋”难题得到根本解决,使开发者迁移成本显著下降。第三,“超节点+集群”的架构优势能够持续扩大,使华为的“有效算力”领先优势能够弥补“标称算力”的差距。华为在2026年的实际进展表明,第一个条件正在推进(韬定律的量产验证),第二个条件面临挑战(迁移成本仍高),第三个条件已经取得阶段性成果(MFU提升2.75倍)。华为的算力资产管理战略,正在从“追赶”转向“差异化竞争”——不追求在“制程”上超越英伟达,而是在“系统效能”上建立不可替代的优势。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|