上午训练集群的监控告警还没处理完手机就被“昇腾960”刷屏了。华为全联接大会2026启幕汪涛在台上发布了昇腾960超节点主题非常明确加速大模型训练。我把发布会回放翻了一遍又翻了各路技术博客最大的感受是——这不只是一颗新芯片而是把大模型训练的基础设施逻辑重新讲了一遍。单看“昇腾960”这四个字很多人会下意识去对比单卡算力、显存大小。但如果你真跑过千卡规模的大模型训练就会明白大模型训练卡的瓶颈从来不只是芯片算力而是数据搬运速度。昇腾960这次直接把“超节点”这个概念推到前台等于把答案从“芯片”搬到了“集群互联”。这篇文章不聊发布会上的漂亮话我想从实际做训练工程的角度拆一拆昇腾960超节点到底解决了什么问题、对搞训练的人意味着什么、如果我要迁移过去该怎么下手。1. 发布会现场传达的信号昇腾960真正的看点在哪1.1 汪涛发布的核心内容芯片之外还有“超节点”这套组合拳华为全联接大会历来是硬件风向标这次汪涛发布昇腾960表面上是一颗训练芯片的迭代实际是三件事同时落地新单芯片、新的超节点架构、面向大模型训练的整体加速方案。昇腾960相对前代昇腾910系列核心看点在两条线一是单芯片的算力、能效和显存能力继续往上走二是把互联带宽从“够用”拉到了“大模型训练不太需要担心通信”的水平。发布会现场提得最多的不是“多少TOPS”而是“超节点”——这比单纯数算力重要得多。从业内已透露的架构信息看昇腾960单卡能力已经能支撑百亿级模型的片上训练配合超节点后面向千亿、万亿参数模型的分布式训练集群规模和通信压力会明显减少。更关键的是华为把整套训练方案从“卖卡”变成了“卖集群”超节点直接以一体化形态交付这在AI基础设施领域是一个很清晰的产品信号。在我个人看来昇腾960的核心价值排序是互联架构大于单芯片算力显存带宽大于标量算力。1.2 为什么我第一反应是“训练基础设施的玩法要变了”我很早以前带过一个60B模型的分布式训练任务靠着几百张加速卡硬撑最痛苦的不是矩阵乘法不够快而是每跑一个step所有卡要把梯度同步一遍光通信就能吃掉三成到四成时间。后来我们花了很大精力做梯度压缩、通信计算重叠效果也就那样。这里面的根本原因很简单传统集群卡和卡之间走的是网络网络带宽和时延就是天花板。昇腾960超节点想改变的就是这个天花板。它把几十张昇腾960用高速总线连成一个高带宽域从训练框架的视角看这批卡不再是“一堆通过网络相连的独立设备”而是一张巨大的逻辑卡。分布式训练中的张量并行通信、MoE路由通信在这个域内运行时的时延和带宽表现和传统跨节点网络完全不是一个量级。做训练基础设施的人都知道这类架构一旦成熟整个并行策略的设计逻辑都会变化。很多以前为了“减少跨节点通信”设计的复杂方案可以变简单很多以前不敢开的并行维度可以重新打开。这就是我说“玩法变了”的原因。2. 单芯片再强也绕不过存储墙昇腾960算力账的另一种算法2.1 算力、显存带宽、显存容量大模型训练到底吃哪个要理解昇腾960的价值先得把大模型训练的资源账算明白。很多人只看“算力多少TFLOPs”但做训练工程的人心里清楚大模型训练是典型的“存储墙”问题。一个很直观的事实75B参数模型如果按BF16精度存权重光模型本身就要150GB训练时还要存梯度、优化器状态Adam优化器在混合精度下会给每个参数额外占用约12字节以上的显存。粗略一算单个模型副本就需要几百GB甚至上TB的显存。单颗芯片再强显存放不下训练就寸步难行。这就要靠显存带宽把数据不断喂给计算单元。打个比方算力单位是“加工能力”显存带宽是“原料输送速度”。工厂加工能力再大原料送不过来设备照样闲置。昇腾960这一类训练芯片真正决定大批量训练效率的一是HBM容量能不能把模型放得下二是HBM带宽能不能让矩阵乘法单元吃饱。2.2 用170B模型算一笔账带宽不足会怎样我经常用“算术强度”Arithmetic Intensity来评估一颗芯片能不能喂饱自己。一个简单的判断公式如果芯片峰值算力是P显存带宽是B那么只有当加载1字节数据能支撑足够多的浮点运算时计算单元才不会被饿着。举个例子一颗芯片FP8算力如果达到几百TFLOPs显存带宽是几个TB每秒那么临界算术强度大约在几百FLOP/B数量级。而大模型Transformer层的权重复用率特征会导致实际算术强度常常落在几十到几百之间。一旦实际负载的算术强度低于芯片临界值整个训练吞吐就会被显存带宽锁定芯片算力再高也只能干瞪眼。拿170B模型来说即便用上张量并行每个计算步骤都需要把大量权重和中间激活从HBM搬到计算单元。如果带宽不够矩阵乘法单元的空闲率会很高MFUModel FLOPs Utilization模型浮点利用率直接掉到30%以下。昇腾960系列把显存容量和带宽同步抬升本质是在解决这个“喂不饱”的问题。所以昇腾960单芯片真正值得关注的不只是算力数字变大而是显存容量是否足够承载更大模型副本、显存带宽是否能支撑更激进的批量大小。只有这两个指标一起涨训练吞吐才会真正上涨。2.3 昇腾960在单卡维度补齐了什么从实际训练场景推断昇腾960至少在三个单卡维度做了补强显存容量、显存带宽、能效比。这三个维度直接决定了“一张卡能不能扛更重的活”以及“一个超节点里能不能塞更多卡”。显存容量的意义在于有些中等规模模型可以直接做数据并行每张卡完整存一份模型副本不用把模型切得稀碎。显存带宽的意义在于大批量训练时的吞吐上限更高。能效比的意义更实际集群机柜的供电和散热是硬约束能效比上不去单卡算力再高也架不住大规模部署。顺带提一句如果你想验证这类单卡能力的差距拿普通消费级显卡跑大模型训练也是可以做对比实验的。比如一些入门教程里用rx6750gre训练小模型受制于显存和带宽通常只能跑小参数量的微调这个体验本身就是“存储墙”最直观的样本。昇腾960把容量和带宽拉高就是要把这个墙往外推。3. 超节点架构拆解昇腾960凭什么把“机房变成一张卡”3.1 Scale-out网络的天花板为什么GPU越多越慢先得说清楚传统大模型训练集群的麻烦在哪。标准的分布式训练集群一般是一个节点内8张卡通过PCIe或NVLink互联节点和节点之间走以太网或IBInfiniBand。节点内的通信带宽能到几百GB/s甚至更高但跨节点走网络后单链路通常只有几十到几百Gb/s时延也明显变差。训练同步梯度时通信量大致和模型参数量成正比。一个70B模型每个step要同步的梯度数据是几十GB量级。如果拿一张卡跑一部分所有卡最后都要做全局归约。网络带宽不够通信时间就会随着卡数增加而快速膨胀。很多集群在几千卡规模下通信可以占到整个训练耗时的50%以上加卡不但不加速反而变慢。这就是Scale-out的天花板。堆节点数能换来容量但换不来持续增长的效率。传统解决思路是减少通信频率、增加计算量、用流水线把通信和计算叠起来但这些都只是缓解不是根治。3.2 超节点的高带宽域把张量并行的代价压到最低昇腾960超节点的思路是换一条路与其优化跨节点的Scale-out不如先做一个超大规模的Scale-up域。把几十张昇腾960通过专用高速总线互联让它们之间的通信带宽达到非常高的水平时延也更低。这个域里跑集合通信成本远低于跨节点网络。对训练框架来说这个域可以直接支撑更大的张量并行。以前受限于节点内8卡互联带宽张量并行规模一般只能到8或者16。现在超节点内几十张卡都具备高带宽互联张量并行维度可以拉到更大单个Transformer层的权重切得更细而通信代价却不像以前那样暴涨。对于稠密大模型和MoE模型这等于打开了一扇以前关着的门。MoE模型收益尤其明显。MoE训练中有大量的All-to-All通信把专家分发到不同设备上时如果跨节点走网络通信会成为灾难但如果在超节点的高带宽域内做专家并行这个痛点基本被绕开了。昇腾960超节点这种“大域化”的设计对MoE类大模型几乎可以算精准打击。3.3 并行策略的新组合DP/TP/PP如何重新分配传统训练大家默认的并行组合是“DP TP PP”数据并行管复制模型副本张量并行管切单层权重流水线并行管按层切段。过去TP不敢开太大因为跨节点通信扛不住PP不敢开太浅因为要让每个节点都有活干DP开太多又会增加梯度同步压力。昇腾960超节点改变的是这个三角关系。超节点内TP可以开大PP可以缩短DP可以跨超节点走。一个超节点内的卡可以先组成一个超大TP域把模型一层的计算量完整消化多个超节点之间再做数据并行或流水线并行跨超节点的通信频率和通信量都能压下来。从我接触过的训练框架经验来看这种组合会让很多以前解得非常痛苦的调优工作大幅简化。以前MPI通信矩阵、拓扑亲和性、拥塞控制这些问题是训练性能工程师的噩梦超节点把大域内的通信质量做大剩下的网络通信都是跨超节点的低频操作量级完全不一样。4. 从工程实践看昇腾960超节点的真实价值4.1 用训一个70B模型的时间账来对比我给你算一笔非常粗略但方向正确的账。假设要训练一个70B参数的中等大模型训练数据量大概4T token。按业界常用的估算公式总计算量大约在1E24 FLOPs量级。如果是一颗单卡算力很强的传统千卡集群MFU可以做到40%左右训练时间大约数以月计。但如果通信架构不给力MFU掉到25%训练时间直接翻倍。昇腾960超节点把域内通信成本降下来以后MFU只要能多拉15到20个百分点同样的训练任务时间就是“几十天”对比“上百天”的差距。这在项目层面是决定性的。当然具体数字取决于模型大小、批量大小、并行策略和数据读取速度但我见过太多团队辛辛苦苦堆卡最后发现通信占了一半时间。昇腾960超节点最直接的价值就是把这部分损耗大幅压缩让芯片的算力真正变成有效算力。4.2 MFU比峰值算力更实在的指标说到MFU我觉得搞训练的人都该把它当成首要指标。MFU计算公式是训练总耗时的有效算力除以峰值算力。具体一点就是看你的训练任务实际完成的浮点运算量除以“峰值算力乘以总耗时”得到一个百分比。这个指标能一票否决很多“纸面漂亮”的硬件。峰值算力是卖点MFU是真实使用价值。这些年我调过不少模型峰值算力非常高的芯片如果通信跟不上、算子库不全、显存带宽不足MFU可能连30%都到不了。而昇腾960超节点在架构设计上是冲着“抬高MFU”去的这种定位比单纯堆峰值数值得多。再补一句昇腾生态里的CANN库和MindSpore框架也在持续优化算子融合、通信算子实现这也是直接影响MFU的因素。我看昇腾960超节点能不能成功最关注的其实不是单芯片测试分数而是它在真实大模型训练任务里的MFU能到多少。4.3 运维视角故障域和作业调度逻辑全变了从训练平台运维的角度超节点带来的是另一个层面的变化故障域变大作业调度逻辑也要变。以前单卡故障可能只需要把任务里的那一部分重调度但超节点内部几十张卡是一个高带宽域任何一个TP维度里的卡出了故障整个超节点的训练都要暂停影响面一下大了很多。所以昇腾960超节点这类架构对可靠性要求更高在线故障检测、热备切换、断点续训的自动化程度必须跟上。调度也要更聪明。训练作业最好整集群地申请超节点资源不要把一个作业的算力打散到不同超节点里。我们做平台化的时候通常会把“节点亲和性”写得非常死让一个大训练作业独占一个超节点哪怕某些卡利用率暂时不高也不能被打散。这些运营层面的变化是昇腾960超节点带来的真实工程负担。5. 想尝鲜昇腾超节点迁移与选型的几条实在建议5.1 先判断你的模型适不适合超节点架构昇腾960超节点不是万能药迁移前先做判断。适合的典型场景有几类超大稠密模型、MoE模型、需要长期大集群训练且通信占比高的场景。这些负载对Scale-up域的高带宽非常敏感收益最大。不太适合的情况也有小规模推理、对延迟敏感的在线场景、只用数据并行微调中小模型、算子库覆盖不全的特殊结构。比如有些行业大模型像证券金融领域做定制大模型时往往会在基础模型上加很多自定义token格式和特殊训练目标。这类模型对第三方硬件平台算子覆盖和框架兼容性要求很高如果昇腾生态还没覆盖到迁移成本可能超出预期。我的建议很实在先用小模型、小数据量在昇腾平台上跑通一条完整链路观察算子覆盖和通信行为再决定要不要把核心训练任务迁过去。不要拿一个万亿参数模型直接赌迁移。5.2 从PyTorch到CANN的迁移踩坑记录昇腾平台和CUDA生态确实有一些迁移成本特别是你习惯了NCCL、Apex、FlashAttention这些工具时。昇腾的对应层是HCCL、CANN算子库虽然API设计尽量对齐但实际使用中还是有一些坑。第一类坑是算子兼容。PyTorch模型里经常会隐藏一些冷门算子到了昇腾上找不到对实现只能手写或用替代算子。我的建议是先做一个全量算子扫描把不支持的算子列出来分清哪些需要替代、哪些需要重构。第二类坑是分布式通信。NCCL的用法和HCCL大体相似但超节点架构下的通信拓扑和默认组网方式不一样需要专门做拓扑感知配置否则通信模式可能不是最优。第三类坑是混合精度细节。BF16的支持范围和自定义算子是否真的跑在BF16下都要实测验证不能用肉眼判断“好像没报错”。整体迁移策略上我会坚持“先单卡、再单机、再超节点”的节奏每往前推一步都要跑一遍基准测试和diff校验。5.3 给团队选型的三个实操建议第一把基准测试做在前面。不要只看芯片标称参数准备一个接近自己真实业务形态的模型在昇腾960平台和现有CUDA平台各跑一次记录MFU、训练吞吐、崩溃率。数据说话。第二留好兼容层。团队主力如果都是PyTorch工程师尽量选择昇腾的PyTorch适配层方案让团队用熟悉的上层接口开发底层再慢慢下沉到CANN。这样前期迁移阻力更小也避免技术栈被改得面目全非。第三重视团队学习成本。昇腾的调试工具、性能分析工具和CUDA生态不同团队需要时间适应。给训练组留出1到2个月的熟悉周期不要一上来就定死上线时间。我在实际项目里吃过这种亏硬件到位但团队不熟最后卡在优化阶段比预期多花了很多时间。昇腾960超节点是一个值得认真评估的方向但选型从来不是看发布会参数而是看你能不能把自己的模型跑得快、跑得稳。这个判断只能靠自己的实验和数据来做。