放棄華為云，全力押注芯片，才是華為最現實的選擇

華為云，正走到一個需要重新評估方向與節奏的關鍵時點。

在過去半年里，華為云經歷了一次罕見的動蕩：模型風波未平，高管接連被降級；營收增速放緩，組織頻繁調整。

這些變化的背后是，在AI重塑云計算邏輯的當下，華為云在公有云領域的競爭力已明顯落后于阿里云和火山引擎這些誕生于互聯網生態的玩家。

這一趨勢直觀反映在數據上。2024 年，華為云全年營收385.23 億元，同比僅增長8.5%。而阿里云2025財年營收1180億元，同比增長11%；此外，據《劃重點》報道，火山引擎2024年營收超過120億，增長超過60%，2025年營收目標超過250億，目標增速超過100%。

究其原因，華為云從未真正建立起適配公有云競爭的核心能力。

在以“開發者生態+靈活產品化”為增長飛輪的AI時代，華為云始終缺乏快速響應的產品節奏、以用戶為中心的組織機制，以及可持續的生態運營體系。

它的困境，從來不是某個人、某個團隊的問題，而是植根于它的出身和路徑。在市場化的競爭下，一個擅長體系化工程、高舉高打的組織，很難在一個依賴開發者生態和快速迭代的戰場贏得最后勝利。

但這場困境，也并未是壞事。

因為它給華為云提供了一個可能的戰略調整窗口，那就是：逐步淡出公有云競爭，把更多資源押注在芯片等具備長期積累和技術壁壘的方向上。

如果能夠成行，那對華為而言，這不僅是一次簡單的業務調整，更是一次對自身邊界的重新確認：從一個競爭激烈的市場主動抽身，回歸最擅長的工程底色，這也將重新定義它在AI基礎設施時代的角色。

華為云的2025，并不平靜

過去半年，華為云并不平靜。

今年7月，一名研究者在GitHub發布報告稱，通過“模型指紋”比對發現，華為盤古Pro MoE模型與阿里Qwen-2.5 14B的注意力層參數相似度高達0.927，遠超行業普遍認定的參考閾值0.7，部分模塊甚至達到逐層復現的程度。

更引發爭議的是，盤古模型的開源代碼中，仍殘留有“Copyright 2024 Alibaba Group”的字樣。

事件發酵后，華為隨即對云計算業務展開調整。8月，華為云組織優化，涉及上千人。其中最受關注的是，云EI

（企業智能）

這是風波之后，華為首次對模型相關業務做出收縮決策。

實際上，今年6月以來，華為未再發布新模型，直到10月，才開源了openPangu-Ultra-MoE-718B-V1.1。對比阿里通義、字節豆包，乃至DeepSeek維持“兩月一更”的節奏，華為模型側的更新明顯放緩。

與此同時，華為也在云計算部門強化內部治理。

10月18日，華為紀委發布處理決定，因云業務存在數據造假與經濟舞弊問題，對多位相關責任人做出處理。

其中，華為云CEO張平安被連降三等，并予以嚴重警告。在華為的職級體系中，這意味著從22a降至21a，是極其罕見的高管處分。

同時被處罰的，還有華為云服務產品部部長張宇昕、全球銷售服務負責人石冀琳、生態負責人康寧，這3人也因管理不到位被連降兩等。

這起“連降”事件引發外界高度關注，一方面是因為處分力度之重，另一方面則是它所暴露出的深層問題：華為云所面臨的，不僅僅是一次風控失誤或個體責任，而是其在新一輪技術周期中的結構性困境。

在AI重塑云計算格局的今天，華為云越來越難以與阿里云、火山引擎等誕生于互聯網生態的玩家正面競爭。

這并非是因為華為云缺乏技術能力，而是它從一開始就走在一條截然不同的路徑上。華為更擅長工程系統而非開發者生態，更習慣自上而下的交付節奏，而非市場驅動的產品迭代。

某種程度上說，華為云今天的困境，早已寫在它的出身里。路徑決定了它的組織方式與技術選擇，也限制了它在新一輪產業重構中的位置。

工程化基因，難解云計算之題

從創立之初，華為云的定位就帶著強烈的“自我消化”色彩。準確來說，它不是一個圍繞用戶問題定義出來的產品，而是華為硬件業務在新商業環境下的延伸嘗試。

過去，華為通過出售服務器、交換機、存儲等整機設備，形成了明確的商業閉環。但當企業開始從“買設備”轉向“租云”，這套模式遇到了巨大的挑戰。

為了應對出貨壓力，華為決定親自下場建云，把自家設備裝進數據中心，再把算力、存儲、網絡封裝成“服務”賣出去。

這是一種典型的逆向驅動

（inside-out）

這種路徑也影響了后來華為云在平臺與生態層的建設，并在長期產生影響，使得華為云更擅長底層IaaS資源的建設與交付，尤其在政企、能源等強調穩定性的場景中表現良好，但在PaaS、SaaS層的表現始終乏善可陳。

這與它的組織文化密切相關。華為是一家典型的工程型公司，戰略節奏以年為單位，目標層層分解，組織流程嚴密，擅長做大型、交付導向、資源密集型項目。

這套機制在To G、To B的定制化項目里效率極高，但面對中小開發者、創業團隊等追求快速響應、彈性資源的公有云用戶時，顯得不夠靈活。

例如，在傳統IT模式中，企業上線系統前要提前規劃帶寬、IP段、QoS等網絡資源，而在公有云世界，客戶的需求實時且高彈性，哪怕在凌晨一點，一個突發請求也可能要求網絡擴容一倍、加新段IP資源，立刻上線。

這種即時彈性需求，對華為原本以計劃驅動為核心的能力體系提出了挑戰。

業內人士透露，華為過去在網絡資源調度方面一直“很苦惱”，為此甚至從阿里云、騰訊云等公司引入IaaS平臺工程師，原因就是“原系統太工程化了，調度機制偏靜態，彈性跟不上”。

這些局部補強在短期內能解決問題，但本質上無法緩解深層的結構性錯位。進入AI時代，這種錯位進一步放大，尤其在“數據、算法、生態”這三大決定AI平臺競爭力的要素上，華為云始終處于不利位置。

先說數據，大模型時代的數據競爭，早已不是“存得多”或“算得快”那么簡單，而是誰擁有最貼近真實業務的高質量語料。

阿里云背靠電商、廣告、物流等多條業務線，擁有海量用戶行為數據；騰訊云則依托社交與內容平臺，沉淀了豐富的對話、圖像、音視頻等多模態素材。這些原生互聯網場景構成了天然的數據閉環，也讓它們在模型能力和產品化路徑上更具優勢。

相比之下，華為云缺乏類似的原生互聯網應用場景，也就難以獲取可用于模型訓練的高質量語料與標簽數據。

算法與人才，是另一個難以逾越的鴻溝。AI研發高度依賴人才密度和全球協同能力，但自2019年被列入“實體清單”以來，華為在全球范圍的招聘和學術合作受限明顯。

美國、歐洲、加拿大等AI研究中心的高校與實驗室大多對與其合作持謹慎態度，海外人才出于簽證、合規與聲譽考量，對加入華為抱持觀望態度。

這使得華為很難以系統化方式在全球范圍內大規模引入頂尖AI算法研究人員。這也進一步拉大了其與阿里、字節跳動等公司的差距。

生態層面的挑戰更為根本。目前，主流AI訓練與推理的技術棧，幾乎全部建立在NVIDIA GPU及其開發框架CUDA之上。從PyTorch、TensorFlow、JAX等主流框架到底層硬件指令，CUDA已經成為事實上的AI編程標準，擁有龐大的開發者生態和社區支持。

但華為受限于美國制裁，無法采購NVIDIA高性能GPU，只能押注自研昇騰芯片，另起爐灶，構建自己的AI開發體系——CANN架構。

這意味著，它不僅要重建一整套從編譯器、框架適配、推理優化到調度機制的全鏈條，還要吸引開發者為其單獨適配算法模型，這對任何一家廠商來說都是異常艱難的任務。

從這個角度上說，很難將華為云當下的困境完全歸結于能力不足，這背后既有外部環境的約束，也有其組織慣性與工程體系的限制。在AI成為云平臺增長引擎的當下，這些看似“慢一拍”的差距，正在被迅速放大。

華為是時候回到最擅長的位置了

公有云的困境，對華為來說，未必是一件壞事。

投資圈有一個詞叫“信噪比”，在冗余信息中提取有價值的判斷。在企業戰略里，也一樣。

商業決策往往發生在“噪音多于信號”的環境中。越是在系統復雜、選項增多的階段，企業越容易陷入“做點什么”的慣性。因為行動總能帶來心理上的安全感，而放棄則意味著不確定、質疑和等待。但真正重要的，不是做得多，而是識別出那個最值得下注的方向。

而這種重新判斷的機會，往往只在“退潮時”才真正顯現出來。

喬布斯重返蘋果的那一年，公司距離破產只有一步之遙。此前幾年，蘋果陷入產品線膨脹的泥沼：Newton PDA、Pippin游戲主機、打印機、授權機……資源分散，方向混亂，連最核心的Mac產品都因設計老舊而失去競爭力。

喬布斯做的第一件事，是砍掉70%的產品。他在白板上畫了一個四象限，把整個產品線收斂為“消費級/專業級”的臺式機和筆記本四個方向。他說：“我們的任務不是取悅所有人，而是做幾款偉大的產品?！边@句話至今仍是蘋果戰略的基本坐標。

華為也許正處在類似的節點上。過去，它在通信、芯片、終端等多個領域都積累了扎實的工程能力。但公有云這條線，越來越像是一個結構不匹配的選項，過度消耗組織資源，卻難以建立可持續的比較優勢。

相比之下，芯片與算力，反而是華為當下更清晰也更具主動權的方向。根據IDC數據，截至 2024年，華為在中國AI芯片市場的份額已達23%，僅次于英偉達，位列第二。

當下，國產芯片迎來了一輪密集的上市潮。摩爾線程、沐曦股份已通過科創板上市委審議，壁仞科技、礪算科技等也在排隊之中。

但從供給端來看，當前具備穩定量產能力、能夠真正服務頭部客戶的廠商仍然屈指可數。對于華為來說，這或許正是一個由外部環境主動創造出的罕見機會窗口，趁格局未定，借勢建立起更牢固的AI算力壁壘。

放棄公有云，全力押注芯片，不僅是一個追逐更具確定性增長的機會，更是一次回歸自身工程底色、重新定義市場角色的戰略選擇。

過去兩年，英偉達用十倍股價增長證明了一件事：在這場由模型驅動、算力定價的AI競賽中，真正的價值錨點不在應用層的變化，而在于底層的算力供給。

此刻，華為也許是時候回到那個它最擅長的位置了。

文/林白

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。