2026年9月17日，上海世博中心。华为全联接大会2026主舞台的聚光灯下，华为副董事长、轮值董事长汪涛发表题为“智启新未来，打造智能世界的硅基黑土地”的主旨演讲，正式发布全球首个采用NPO技术的超节点昇腾960超节点。

一组数字足以定格这一刻的分量，单个超节点支持4096卡规模，最大可提供8E FP8算力、16E FP4算力，高达1PB的HBM容量；用5500个自研NPO光引擎Hi-ONE，替代了原本需要的4.8万个800G光模块，功耗降低超550千瓦，系统无故障运行时间提升一倍，可用度达到99.8%。多个昇腾960超节点通过灵衢网络或RoCE连接，二层CLOS四平面组网最大可达51.2万卡，结合多轨道拓扑技术可支持100万卡超大规模集群。

汪涛指出，华为AI战略的核心是算力，坚持硬件变现，聚焦做好AI基础设施，打造智能世界的硅基黑土地。我们坚持围绕‘超节点+集群’，通过系统架构创新构建竞争力，打造中国坚实算力底座，构建开源开放的算力生态，为世界构建新的选择。

超节点+NPO，这两个技术关键词的叠加，正在重新定义AI算力的效率公式。

要理解昇腾960超节点为什么重要，先要直面一个行业现实，你花费百亿级资金搭建的10万卡集群，可能有超过七成的算力并没有在真正计算。

汪涛在HC2026期间的圆桌专访中表示，现在MFU，一个10万卡的集群业界往往是连30%不到，意味着70%是处于故障和故障修复状态。

MFU，这个此前只在专业圈子里讨论的指标，正在成为决定大模型竞赛胜负的核心变量。一个百分点对应三天训练时间，在大模型以周为单位迭代的当下，三天意味着一个版本的领先，意味着产品上线的先后，意味着竞争格局的改写。

算力到底去哪儿了？答案是通信。AI变革的速度超过了历史上任何一次技术革命：今天大模型参数已经快速迈向10万亿，到2030年将达到100万亿以上；智能体已经可以按小时级连续工作，到2030年将以月为单位执行任务；中国每日推理Token已增长到每日500万亿左右，到2030年将达到百万万亿级。规模的指数级扩张，并没有带来效率的同步提升。

今天主流的MoE模型，训练过程中数万颗芯片需要数百万亿次通信来对齐每一层、每一个过程的中间结果。高昂通信代价的背后，源于沿用了几十年的服务器架构。

在传统计算架构中，服务器内通信是百纳秒级，服务器间通信却跳到了几十微秒级。当模型只有百亿参数、集群只有几千卡时，这个跳变可以容忍；但当模型走向十万亿参数、集群走向十万卡规模，这个数量级的差距就变成了无法忽视的效率黑洞。

超节点就是为填平这道通信鸿沟而生。2026年世界人工智能大会期间，鹏城实验室和全球计算联盟（GCC）联合38家单位发布《超节点定义与实践白皮书》，明确定义，超节点是一种在物理上由多个计算节点通过高效互联协议紧密连接，具备跨物理节点统一内存编址能力，逻辑上具备“一台计算机”特征的计算系统。超节点由此成为产、学、研在AI基础设施领域的共识。

而本次发布的昇腾960超节点，将单超节点规模从1024卡直接推高到4096卡，更好地匹配十万亿级大模型的训练和推理需求。

汪涛表示，我们走不同的创新路径，利用全新的系统创新架构。我们采用了“超节点+集群”，以多个规模算力构成高速的系统，来满足超大规模大模型的训练和推理要求，我们找到新的创新架构来满足在中国大模型训练和推理的需求。

当前大规模AI集群内部主要依赖铜缆进行电互联。在SerDes速率达到224G或以上时，铜缆的各类损耗让信号传输质量急剧下降；更棘手的是工程问题——数千根铜缆捆到一起，安装十分困难、维护效率低下、散热压力巨大。这是物理层面的硬约束，不是靠工程优化就能绕过去的。

出路只有一条，把光引到计算芯片的最边上。这就是NPO，近封装光学（Near-Packaged Optics），作为与计算芯片近封装的光引擎，可在计算芯片的边缘几厘米处实现电转光，从而突破铜缆传输距离与带宽的物理极限，显著降低互联功耗与延迟，并解决高密度集群下的布线与散热难题。

几厘米，看起来很短，但这“最后几厘米”恰恰是传统光模块和铜缆都无法有效覆盖的盲区。传统可插拔光模块通常位于服务器面板或交换机面板，距离计算芯片还有几十厘米甚至更远的电信号传输距离；铜缆虽然可以近距离连接，但带宽和距离都有物理上限。NPO把光引擎直接放到计算芯片旁边，让电信号只走几厘米就转换成光信号，从根本上解决了这个问题。

一个NPO所谓的7.2T，是把36个200G的Lane集成在一个模块里。一个小的Hi-ONE模块代替9个800G光模块。这种集成度的提升，不仅仅是体积的缩小，更是可靠性、功耗和可维护性的本质飞跃。

但知道NPO重要是一回事，能把NPO做出来、量产出货、规模应用，是另一回事。在NPO这个赛道，实验室里的原型并不少见，但真正能量产、能交付、能在超节点中规模应用的，华为是第一个。

华为研发的新一代NPO形态光互联产品，Hi-ONE，基于华为自主创新技术，通过光、机、电、磁、热等要素的均衡设计，实现了单引擎7.2T的传输容量。汪涛在圆桌专访中总结了Hi-ONE的三个“第一”。即业界首个量产的NPO产品，是目前行业最大传输能力的NPO产品，也是唯一实现内置光源的NPO产品。

三个“第一”叠加在一起，带来的系统级收益是惊人的，昇腾960超节点通过Hi-ONE光引擎，在超节点内部减少4.8万个800G光模块，降低了550多千瓦功耗——这相当于一个中小型数据中心的制冷负载——系统无故障运行时间提升一倍，系统可用度达到99.8%。

更值得关注的是，华为并没有把NPO做成封闭的私有技术。华为在全球光互联标准组织OIF提出了NPO标准立项的建议，得到了众多行业伙伴的积极响应。这意味着华为不仅自己在做NPO，还在推动NPO成为行业标准，构建产业生态。从技术突破到规模量产，再到标准推动，Hi-ONE走的是一条“技术—产品—生态”的完整路径。

NPO和超节点固然关键，但它们只是华为AI基础设施战略的表层。真正让竞争对手难以追赶的，是华为把计算、通信、光、存储、软件全部打通的系统工程能力，以及在这个能力之上构建的开放生态。

汪涛在圆桌专访中说了一段可以视为华为AI战略“方法论”的话，要提供有竞争力的训练和推理系统，只做好一个芯片不够，只做一个整机和服务器也是不够的，它最后需要的是复杂的多学科的系统工程的能力，给客户交付一个高可用度的计算系统，这才是有价值的。

在AI算力的竞争中，单点技术的领先很容易被追平，但系统工程能力的护城河，是需要长期、多领域、大规模投入才能建立的。

华为的系统工程能力，首先体现在“灵衢”这个统一互联架构上。基于灵衢UnifiedBus，华为打造了11颗关键芯片套片，全面覆盖计算、互联、存储、管理等关键能力。灵衢UnifiedBus把多种互联协议统一为灵衢协议，大幅减少协议转换开销，实现昇腾超节点、鲲鹏超节点、KV缓存集群等子系统的平等互联。这种“一套协议连所有”的架构思路，和传统数据中心中计算网络、存储网络、管理网络各自为政的格局形成了鲜明对比。

在核心芯片层面，华为宣布昇腾960芯片研发进度超出预期：960DT比原计划提前三个季度，2027年第一季度就绪；960PR比原计划提前一个季度，2027年第三季度就绪。未来，昇腾系列芯片将持续坚持一年一代的演进节奏，2028和2029年将陆续推出昇腾970、980芯片，依托τ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。芯片不再是孤立的芯片，而是整个超节点系统中的一个组件，其性能提升会通过灵衢互联、Hi-ONE光引擎、全液冷设计、系统级调度等多个环节，转化为整个系统的效率提升。

在通算层面，华为将超节点架构引入通算系统，全新升级鲲鹏超节点。基于灵衢全光组网，鲲鹏超节点最大支持4096节点，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倍增。

在存储层面，华为推出了基于灵衢UnifiedBus总线、支持“一跳直连”的L3.5层PB级KV缓存——OceanStor M900集群。Agent与长序列需要多层次KV Cache架构，M900采用混合介质加优化Retention算法，可将SSD读写寿命提升16倍，从底层保障KV命中和长稳可靠。

把昇腾超节点、鲲鹏超节点、OceanStor M900通过灵衢UnifiedBus连接在一起，就构成了华为的Agentic超节点集群。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。百万卡不是把100万张卡简单堆在一起，它需要高效的互联、可靠的运行、智能的调度、统一的内存池化、多层次的KV缓存——这是一个极其复杂的系统工程，不是任何单点厂商能够完成的。

硬件之上，是生态。

汪涛明确表示：“构建开源开放的算力生态是华为公司的核心战略。”经过八年的努力，昇腾生态跨过了从“可用”到“易用”的拐点。CANN作为昇腾生态的根基，已进入常态化的开源社区运作，软件代码全部开源至GitCode，外部开发者首次超越内部开发者占比61%，社区月活突破5200名，是中国最活跃的AI开源社区；基于昇腾+CANN的原生训练模型已超过40个，也是国内唯一支持预训练的技术路线。

华为推动通信网络从“服务于人的连接”向“围绕用算”发生根本性变革，基于5G-A/6G、万兆光网及多级协同低时延承载网，打造从中心到边缘到端的智能联接体系。从超大规模训练集群到高效推理集群，到边缘计算，到端侧AI，再到把所有算力连接起来的智能网络，这才是“硅基黑土地”的完整图景。