華為突破性黑科技“通吃”全球算力，竟利好寒武紀

據報道，11月21日，華為即將發布一項AI領域的突破性技術，將GPU、NPU等算力資源的利用率從行業平均的30%-40%一舉提升至70%。在AI大模型軍備競賽日益燒錢的當下，這一數字若能實現，可能標志著AI基礎設施的構建思路的改變。

華為魔法曝光，英偉達AMD被聯手？

長期以來，AI算力集群面臨資源利用率低下痛點。不同框架、不同任務、不同硬件（如GPU與NPU）之間難以高效協同，導致大量寶貴的算力在等待、調度中被閑置。

據分析，華為此次的殺手锏是軟件創新。它旨在通過軟件平臺，實現對英偉達GPU、華為自家昇騰NPU及其他第三方算力的統一資源管理與利用。

其本質，是構建一個“算力抽象層”。在AI模型看來，底層的硬件差異被徹底“屏蔽”，只有一個統一的、高效的資源池可供調用。這使得AI訓練和推理的資源支撐變得前所未有的高效。

英偉達格局小了，華為通吃全場，誰的卡都能用

在提升資源效率的賽道上，英偉達是先行者。其收購的Run:ai平臺，通過動態資源調度與智能化管理，已在優化GPU利用率方面取得了顯著成效。NVIDIA Run:ai的核心優勢在于對NVIDIA自家生態內的資源進行精細化編排，無論在公有云還是本地數據中心，都表現出色。

然而，華為的技術似乎展現了更大的“野心”，其關鍵詞是“泛用性”。

如果說Run:ai是在“英偉達生態”內做到了極致優化，那么華為則試圖建立一個“跨生態”的“聯合國”。報道中明確提及GPU和NPU，這強烈暗示該技術不僅服務于華為昇騰，更致力于將不同廠商的算力“兼容并包”。

混合訓練\推理，萬卡集群不再難，AI平權時代要來了

這種“泛用性”的真正價值，可能在于實現了高效的混合訓練/推理。

在當前的行業實踐中，為了保證集群穩定性和效率，絕大多數訓練/推理集群都由同一種型號的計算卡構成。但這并非最優解。

以大模型推理為例，其過程可大致分為Prefill和Decode兩個階段：

Prefill階段計算量大，對算力要求高。理論上，使用大算力、配GDDR或LPDDR的計算卡即可實現高性價比。

Decode階段計算量小，但頻繁讀寫緩存，對顯存帶寬極為敏感。理論上，使用高帶寬、算力不必頂尖的“帶寬卡”效率最高。

華為此前已在昇騰CANN 8.0基于LLM P-D分離部署方案發布LLM-DataDist組件，如果華為的新技術能將這兩種不同品牌的卡（例如，A卡負責Prefill，B卡負責Decode）高效地協同起來，進行混合調度，就能將不同硬件的優勢發揮到極致。

它打破了構建大規模算力集群必須依賴單一品牌、單一型號芯片的昂貴門檻。

未來，一個AI數據中心或許可以同時部署華為昇騰、英偉達、AMD，乃至國內的寒武紀、摩爾線程等不同品牌的GPU/NPU，并通過華為的這套軟件系統將其協同作戰。

這不僅極大地盤活了存量硬件資產，更從根本上降低了組網成本和對特定供應商的依賴。對整個AI行業而言，這無疑是一次意義重大的技術賦能與行業利好。