---
格式版本: 2
标题: "Huawei Atlas 950 Super Node Reshaping the Global Path of AI Computing Power"
原文链接: "https://www.youtube.com/watch?v=Uft8gt9LDr8"
发布日期: "2026-03-05"
发现时间: "2026-03-05T00:00:00+08:00"
入库时间: "2026-05-28T02:39:38+08:00"
来源平台: "历史资料迁移"
搜索渠道: "legacy_migration"
搜索词: "url-index.json 迁移、https://www.youtube.com/watch?v=Uft8gt9LDr8"
匹配关键词:
  - "supernode"
  - "Scale-up"
  - "高速互联子系统"
  - "url-index.json 迁移"
  - "待定数据"
  - "厂家"
  - "华为"
  - "YouTube"
  - "Scale"
  - "up"
  - "05.md"
相关厂家:
  - "NVIDIA"
  - "华为"
相关专家:
  []
内容类型: "视频"
抓取工具: "历史采集"
清洗工具: "历史资料原文保留 + LLM 正文裁剪"
关联判断: "待人工确认"
关联置信度: 0
关联理由: "历史资料迁移，未重新调用模型判定"
AI优质: "否"
AI打分: 71
AI分档: "召回候选"
AI质检状态: "不通过"
AI打分理由: "第三方YouTube视频转录稿，非官方一手来源。内容聚焦Atlas 950超节点架构与系统级扩展路径，提供部分互联与规模参数，但缺乏供电/散热/硬件拓扑等底层技术细节，且无明确量产交付或客户落地信号，属行业趋势分析。"
AI质检模型: "qwen3.6-plus"
AI质检时间: "2026-06-03T10:25:17+08:00"
AI主题相关性: 18
AI来源权威性: 8
AI新颖性: 16
AI技术细节: 12
AI商业部署信号: 9
AI完整性: 8
采集批次: "2026年5月28日2点39分33秒"
采集批次ID: "legacy-migration-20260528023933"
去重键: "https://www.youtube.com/watch?v=Uft8gt9LDr8"
人工更新时间: "2026-06-03T09:31:36+08:00"
---

## 视频描述

华为 Atlas 950 Super Node：重塑全球 AI 算力路径  
华为如何在没有顶级芯片制造能力的情况下打造全球最强算力 Super Node？

2026年3月2日，在西班牙巴塞罗那举行的 MWC 上，华为首次在海外发布 Atlas 950 Super Node。现场的欧美工程师和分析师震惊不已。镜头前，这台由 128 个计算机柜组成的“巨兽”被确认是目前全球最强算力 Super Node。最颠覆传统认知的地方？它既不依赖顶级芯片制造能力，单卡算力远不及 Nvidia，却实现了碾压性的综合性能。答案其实很简单。正如将分散的士兵整合为高度精密的军团，华为并不是靠单卡“以一敌百”，而是借助通信技术，将 8,192 个 NPU 连接起来，让它们像一台计算机一样协同高效工作。更具颠覆性的事实是，这不仅是中国的“秘密武器”，而是全球算力发展的必然路径——Nvidia 其实早在默默跟随这条道路。接下来，让我们拆解这个打破西方固有观念的计算方案，看看它为全球 AI 发展带来了哪些新的启示。

先看一组硬数据，且毫不夸张：华为 Atlas 950 Super Node 每个节点为 64 个 NPU，最大 Scale-up 可达 8,192 个 NPU。依赖华为自研的灵渠互连技术，可无缝连接 128 个计算机柜。与业界主流方案相比，其算力提升 6.7 倍，总训练吞吐量提升 17 倍，总推理吞吐高达 26.5 倍。足以支撑万亿乃至十万亿参数级模型的训练与推理。但必须坦诚：受限于芯片制造工艺，单卡算力显著落后于 Nvidia 的 A100 和 H100。华为高管吴辉在2月18日北京人工智能产业创新发展大会上对此也坦率承认。

隐藏在这背后的是一个被主流西方媒体普遍忽视的趋势：摩尔定律早已逼近瓶颈。《澎湃新闻》2026年1月的报道显示，单芯片晶体管密度提升已达到物理极限。AI 模型所需算力资源的增长速度远远超越半导体工艺的进步。此外，美国数据中心的用电量预计到2028年将占全国总量的12%，是目前的三倍。斯坦福大学教授李飞飞去年11月在采访中也警告，仅靠单纯 Scale-up 算力堆叠并不能带来

## 字幕全文

**[00:00:00]** 华为 Atlas 950 Super Node，重塑全球 AI 算力路径。

**[00:00:03]** 华为是如何在没有顶级芯片制造能力的情况下，打造出全球最强算力超级节点的？

**[00:00:06]** 2026年3月2日，在西班牙巴塞罗那的 MWC 世界移动通信大会上，

**[00:00:08]** 华为首次在海外亮相了 Atlas 950 Super Node。

**[00:00:10]** 现场的欧美工程师和分析师都惊呆了。

**[00:00:13]** 镜头前，这台由128个算力机柜组成的巨兽被确认是目前全球最强算力的超级节点。

![关键帧 00:00:13](./assets/20260424_Uft8gt9LDr8_13s.jpg)

> 视觉分析：Huawei Atlas 950 Super Node，主题：重塑全球AI计算能力路径（Reshaping the Global Path of AI Computing Power）。

**[00:00:17]** 最令人费解的是，它并不依赖顶级芯片制造，

**[00:00:19]** 单卡算力远不及 Nvidia，却实现了压倒性的综合性能。

**[00:00:22]** 其实答案很简单，

**[00:00:24]** 就像将零散的士兵整合成高度精密的军团一样。

**[00:00:27]** 华为并不是一块卡去打百块卡，

**[00:00:31]** 而是用通信技术把8192个

**[00:00:33]** NPU连接起来，让它们像一台电脑一样协同工作。

**[00:00:35]** 更颠覆的是，这并非中国独有的秘密武器，

**[00:00:38]** 而是全球算力发展的必然路径，

**[00:00:41]** Nvidia其实早已悄然在走这条路。

**[00:00:43]** 接下来，让我们拆解这套颠覆西方认知的算力解决方案，

**[00:00:45]** 看它为全球 AI 带来了哪些新的启发。

**[00:00:47]** 先列一些真实数据，不夸张。

**[00:00:50]** 华为 Atlas 950 Super Node 每个节点拥有 64 个 NPU，

**[00:00:53]** 最大可以扩展至8192个

**[00:00:55]** NPU。

**[00:00:57]** 依赖华为自研的 LinkSU 互联技术，可无缝连接128个算力机柜。

**[00:01:00]** 与主流行业方案相比，算力提升了6.7倍。

**[00:01:02]** 总训练吞吐提升17倍，总推理吞吐高达26.5倍。

**[00:01:05]** 这足以支持万亿乃至十万亿参数的模型训练和推理。

![关键帧 00:01:05](./assets/20260424_Uft8gt9LDr8_65s.jpg)

> 视觉分析：无实际意义内容。

**[00:01:07]** 不过我们必须坦诚，受制于芯片制造工艺，单卡算力远落后于 Nvidia 的 A100、H100。

**[00:01:10]** 华为高级副总吴昊在2月18日北京人工智能产业创新与发展大会上，也坦率承认了这一点。

**[00:01:12]** 这背后，隐藏着一个被西方主流媒体忽视的趋势。

**[00:01:14]** 摩尔定律早已遇到瓶颈。

**[00:01:16]** 2026年1月《the paper》报告显示，单芯片的晶体管密度增长已经达到物理极限。

**[00:01:18]** AI模型对算力资源增长的需求，远超半导体工艺进步速度。

**[00:01:20]** 此外，美国数据中心的耗电量预计到2028年将达到全国总量的12%，是现在的三倍。

**[00:01:23]** 斯坦福大学教授 Feay Lee 去年11月接受采访时警告，

**[00:01:25]** 仅仅堆算力并不能带来 AI 的根本性突破，我们需要新的��术路径。

**[00:01:26]** 华为的选择正是以数学补偿物理，

**[00:01:28]** 以非摩尔路径补偿摩尔定律，

**[00:01:31]** 放弃死磕3纳米、2纳米芯片，

**[00:01:33]** 转而放大系统集成上的优势。

**[00:01:36]** 对比来看，Nvidia 也在行动。

![关键帧 00:01:36](./assets/20260424_Uft8gt9LDr8_96s.jpg)

> 视觉分析：无实际意义内容。

**[00:01:38]** 黄仁勋在2月讲话透露，他们正与 Cisco、Synopsis 等公司深度合作，

**[00:01:41]** 完善系统平台能力，这种方式本质上和华为如出一辙。

**[00:01:42]** 这足以证明，算力的未来不在于单卡突破，

**[00:01:45]** 而在于系统效率的竞争。

**[00:01:46]** 华为只是提前洞察了这个趋势，

**[00:01:50]** 为全球 AI 提供了更具性价比和可持续性的解决方案。

**[00:01:52]** 尤其适用于难以获取顶级芯片的国家与企业，

**[00:01:55]** 这或许是打破算力垄断的关键路径。

**[00:01:57]** 很多西方观察者有个误区，

**[00:01:59]** 认为算力中心的核心是芯片。

**[00:02:01]** 但事实并非如此。成本结构来看，芯片只占整个算力中心的不到20%。

**[00:02:05]** 真正核心是系统工程，

**[00:02:06]** 需要整个生态的协同迭代，包括系统集成、液冷、光通信、电源、内存等。

**[00:02:08]** 华为的优势正是在于几十年积累的通信技术。

**[00:02:11]** 其 Link 互联技术可实现统一内存寻址，

**[00:02:13]** 数据可在128个机柜间高速传输。

**[00:02:15]** Atlas 950的内存容量是行业主流的15倍，

**[00:02:17]** 互联带宽高达62倍。

**[00:02:21]** 这让我想到了英国牛津的 Lumi 公司，

**[00:02:24]** 正在开发3D光学 AI 加速器。

**[00:02:25]** 他们的核心思路也是以光互联突破电子计算瓶颈。

**[00:02:27]** 微软研究院的类比光计算机，已经实现能效提升百倍。

**[00:02:29]** 不同之处在于，华为已经把类似的系统集成理念落地为成品，

**[00:02:31]** 而欧美企业还处于研发阶段。

**[00:02:34]** 这背后还依托中国超大规模市场，

**[00:02:35]** 过去五年里，超过3万家企业通过华为方案完成数字化转型。

**[00:02:39]** 在这些真实场景中的打磨，让华为系统解决方案快速迭代成熟。

**[00:02:41]** 这不是国家管控体系的特例，

**[00:02:43]** 而是市场驱动和技术积累的必然结果。

**[00:02:45]** 它挑战了创新只能出自硅谷的刻板印象，

**[00:02:47]** 证明不同发展路径同样可以孕育尖端科技。

**[00:02:49]** 算力最终的竞争其实是生态的竞争，

**[00:02:52]** 这一点华为和 Nvidia 都认同。

**[00:02:54]** 华为战略明确：硬件开放、软件开源。

![关键帧 00:02:54](./assets/20260424_Uft8gt9LDr8_174s.jpg)

> 视觉分析：幻灯片文字：Inventory Management，内容包括增加可重复使用的组件、降低故障等对数据中心的预测和管理方法。

**[00:02:56]** 在硬件层面，华为将模块、标准卡和主板向全球合作伙伴开放，

**[00:02:59]** 只专注核心零部件和互联技术，其余如系统集成、液冷等交给行业共同完善。

**[00:03:01]** 软件层面，华为的昇腾平台去年实现全面开源。

**[00:03:03]** 目前已有1.3万开发者贡献了420+高性能算子，

**[00:03:05]** 很多欧美高校和创业团队都基于此平台开展研发。

**[00:03:06]** Nvidia 的 CUDA 生态虽然成熟，却高度封闭，

**[00:03:08]** 对中小开发者构成高门槛。

**[00:03:10]** 这里的关键问题是，AI 发展需要开放还是封闭生态？

**[00:03:14]** Fei Lee 在采访中强调，AI进步是几代研究者的集体积累，

**[00:03:16]** 单一企业的封闭生态，最终会限制技术普及。

**[00:03:18]** 华为开源开放平台战略，不只为建设中国自主生态，

**[00:03:20]** 更是为全球开发者提供新的选择，

**[00:03:22]** 打破算力生态只能由西方主导的范式，

**[00:03:24]** 允许

**[00:03:26]** 集成。

**[00:03:28]** 相比之下，Nvidia 也在积极布局。

**[00:03:30]** Jensen Huang 在一次

**[00:03:33]** 今年二月的演讲中透露，

**[00:03:35]** 他们正在与 Cisco 和 Synopsis 等企业进行深入合作，

**[00:03:37]** 以完善系统平台能力，

**[00:03:39]** 这种策略本质上与

**[00:03:41]** 华为如出一辙。

**[00:03:42]** 这清楚地证明了

**[00:03:44]** 计算力的未来不再取决于单卡性能的突破，

**[00:03:46]** 而是系统效率的竞争。

**[00:03:48]** 华为只是更早预见到了这一趋势。

**[00:03:50]** 它为全球 AI 行业提供了

**[00:03:52]** 更具性价比和可持续性的解决方案。

**[00:03:54]** 尤其是对于那些

**[00:03:57]** 难以获得顶级芯片的国家和企业而言，

**[00:03:59]** 这也许是打破算力垄断的关键路径。

**[00:04:01]** 很多西方观察者存在一个

**[00:04:03]** 误区，他们认为算力中心的核心是芯片，

**[00:04:05]** 但事实并非如此。

**[00:04:07]** 从成本结构来看，

**[00:04:09]** 芯片不到整个算力中心的 20%。

**[00:04:11]** 真正的核心在于系统工程，

**[00:04:13]** 需要整个生态共同协同迭代，

**[00:04:16]** 包括系统集成、液冷、光通信、

**[00:04:18]** 电源与存储。

**[00:04:20]** 华为的优势恰恰在于

![关键帧 00:04:20](./assets/20260424_Uft8gt9LDr8_260s.jpg)

> 视觉分析：无实际意义内容。

**[00:04:23]** 多年来在通信技术领域的积累。

**[00:04:25]** 其链路互联技术可以

**[00:04:27]** 实现统一内存寻址，

**[00:04:30]** 让数据可以在 128 个计算机柜间

**[00:04:32]** 高速传输。

**[00:04:35]** Atlas 950 的内存容量

**[00:04:38]** 是业界主流产品的 15 倍，

**[00:04:40]** 互联带宽更高达 62 倍，

**[00:04:41]** 令人联想到英国牛津的 Lumi 公司，

**[00:04:43]** 正在开发 3D 光学 AI 加速器。

**[00:04:45]** 他们的核心理念也是通过光互联

**[00:04:47]** 突破电子计算的瓶颈。

**[00:04:51]** 而微软研究院的模拟光学计算机

**[00:04:54]** 能把能效提升 100 倍。

**[00:04:56]** 区别在于华为已经

**[00:04:58]** 将类似的系统集成理念

![关键帧 00:04:58](./assets/20260424_Uft8gt9LDr8_298s.jpg)

> 视觉分析：无实际意义内容。

**[00:05:02]** 落地为成熟产品，

**[00:05:04]** 而许多欧美公司仍停留在研发阶段。

**[00:05:07]** 这背后有中国超大规模市场的支撑。

**[00:05:09]** 过去五年里，已有超 3 万家企业

**[00:05:11]** 通过华为方案完成数字化转型。

**[00:05:13]** 这些真实场景下的

**[00:05:16]** 持续锤炼推动了华为系统方案

**[00:05:18]** 快速迭代和成熟。

**[00:05:20]** 这并非是国家控制体系的特例，

**[00:05:22]** 而是市场驱动与技术积累的必然结果。

**[00:05:24]** 这挑战了人们根深蒂固的观念——

**[00:05:26]** 创新只能来源于硅谷，

**[00:05:28]** 证明了不同的发展路径

**[00:05:30]** 也能孕育出前沿科技��

**[00:05:34]** 归根结底，算力的终极较量

**[00:05:37]** 其实是生态之争，

**[00:05:39]** 这一点华为和 Nvidia 都达成了共识。

**[00:05:41]** 华为的策略很清晰：硬件开放、软件开源。

**[00:05:43]** 在硬件方面，华为把模块、

**[00:05:44]** 标准板卡和主板向全球合作伙伴开放，

**[00:05:46]** 自己只专注于核心部件和互连技术，

**[00:05:48]** 把系统集成、液冷等非核心环节

**[00:05:50]** 留给产业共同完善。

**[00:05:53]** 在软件层面，华为的 Ken 平台

**[00:05:54]** 去年已经全面开源。

**[00:05:56]** 目前已有 13,000 多名开发者

**[00:05:59]** 贡献了 420 多个高性能算子，

**[00:06:00]** 许多欧美高校和初创团队

**[00:06:02]** 都在基于这一平台开展研发。

**[00:06:04]** 而 Nvidia 的 CUDA 生态虽已成熟，

**[00:06:06]** 但高度封闭，

**[00:06:08]** 对中小开发者来说门槛极高。

**[00:06:11]** 关键在于——

**[00:06:13]** 华为和Nvidia都达成了共识。

**[00:06:16]** 华为的战略非常清晰：开放硬件和开源软件。

**[00:06:19]** 在硬件方面，华为向全球合作伙伴开放其模块、标准卡和主板，

**[00:06:22]** 只专注于核心组件和互联技术，

**[00:06:24]** 而将系统集成、液冷等其他环节交由行业共同完善。

**[00:06:26]** 在软件方面，华为的Ken平台去年已经完全开源。

**[00:06:28]** 目前，已有13,000名开发者贡献了超过420个高性能算子，

**[00:06:30]** 许多欧美高校和初创团队都在基于这个平台进行研发。

**[00:06:32]** 虽然Nvidia的CUDA生态已经非常成熟，

**[00:06:35]** 但它高度封闭，对中小开发者来说门槛很高。

**[00:06:37]** 关键在于，

**[00:06:39]** 不可否认，Atlas 950的亮相为全球AI算力的发展提供了一条全新路径。

**[00:06:42]** 它告诉我们，算力突破并不只有一条路。

**[00:06:44]** 当单卡升级遇到瓶颈时，系统集成和生态协同或许是全球科技从业者更现实的选择。

**[00:06:47]** 与其纠结谁更强，不如思考这条新路径如何解决我们共同的难题。

**[00:06:49]** 我们如何在提升算力的同时降低能耗？

**[00:06:51]** 我们如何让更多人享受到AI技术的红利？

**[00:06:53]** 跟我一起跳出东西方对立的视角，

![关键帧 00:06:53](./assets/20260424_Uft8gt9LDr8_413s.jpg)

> 视觉分析：无实际意义内容。

**[00:06:56]** 理解全球科技发展的底层逻辑。

**[00:06:59]** 下一期我们将讨论西方公司如何应对算力领域的新竞争格局。

**[00:07:01]** 感谢收看《Reading》，下次再见。

**[00:07:04]** 这里的问题是，AI 发展需要开放性还是封闭系统？

**[00:07:06]** Fei Lee 在采访中强调，AI 的进步是几代研究人员积累的结果，

**[00:07:09]** 而单一企业的封闭生态系统最终会限制技术的普及。

**[00:07:11]** 华为的开源与开放平台战略不仅仅是构建一个独立的中国生态系统，

**[00:07:13]** 更在于为全球开发者提供新的选择。

**[00:07:15]** 它打破了只有西方公司才能主导计算生态系统的范式，

**[00:07:17]** 让更多国家和开发者能够参与到 AI 算力的创新中。

**[00:07:18]** 这对于解决全球 AI 发展不平衡和算力资源分配不均的问题，

**[00:07:20]** 具有不可忽视的重要意义。

**[00:07:23]** 当然，我们也无法回避争议。

**[00:07:25]** 华为的计算解决方案仍然面临着如软件生态不够成熟、

**[00:07:27]** 以及在某些专业场景下适配不足等问题，

**[00:07:29]** 这些都是需要持续改进的方面。

**[00:07:31]** 但不可否认，Atlas 950 的首次亮相为全球 AI 算力的发展

**[00:07:33]** 提供了一条全新的路径。

**[00:07:35]** 它告诉我们，突破算力瓶颈并非只有一条路可走。

**[00:07:37]** 当单卡升级遇到瓶颈时，

![关键帧 00:07:37](./assets/20260424_Uft8gt9LDr8_457s.jpg)

> 视觉分析：帧内容：邀请开发者参与AI创新。

**[00:07:39]** 系统集成和生态协同或许才是全球科技从业者更现实的选择。

**[00:07:42]** 我们与其纠结谁更强，

**[00:07:44]** 不如思考这条新路径能如何解决我们共同面临的挑战。

**[00:07:45]** 如何在提升算力的同时降低能耗？

**[00:07:47]** 如何让更多人享受 AI 技术的红利？

**[00:07:50]** 跟随我跳出“东西对立”的视角，

**[00:07:52]** 理解全球科技发展的底层逻辑。

**[00:07:54]** 下一集我们将讨论，

**[00:07:56]** 西方公司是如何应对这场计算力新竞争格局的。

**[00:07:58]** 感谢收看《Reading》，

**[00:08:00]** 我们下次再见。

**[00:08:03]** 然而不可否认的是，Atlas 950 的首次亮相为

**[00:08:06]** AI computing power 的全球发展提供了一条全新路径。

**[00:08:08]** 它告诉我们，在 computing power 领域的突破并不只有一条路。

![关键帧 00:08:08](./assets/20260424_Uft8gt9LDr8_488s.jpg)

> 视觉分析：字幕内容：推动AI的全球发展。

**[00:08:10]** 当单卡升级遇到瓶颈时，系统集成和生态协同或许是全球科技从业者更现实的选择。

**[00:08:13]** 与其纠结于谁更强大，不如思考这条新路径如何解决我们共同的挑战。

**[00:08:14]** 我们如何在提升 computing power 的同时降低能耗？

**[00:08:18]** 我们如何让更多人享受到 AI technology 的红利？

**[00:08:20]** 跟随我跳出 East VS West 的对立视角，

**[00:08:21]** 去理解背后的逻辑

**[00:08:24]** 实践者们。我们不应纠结于

**[00:08:26]** 谁更强大，而应思考如何

**[00:08:28]** 这条新路径能解决我们共同的

**[00:08:30]** 挑战。我们如何提升

**[00:08:32]** computing power 的同时降低 energy

**[00:08:33]** consumption？

**[00:08:35]** 我们如何让更多人享受

**[00:08:37]** AI technology 的红利？跟随

**[00:08:39]** 我一起跳出 East VS West

![关键帧 00:08:39](./assets/20260424_Uft8gt9LDr8_519s.jpg)

> 视觉分析：Huawei Atlas 950 Super Node，主题：重塑全球AI计算能力路径（Reshaping the Global Path of AI Computing Power）。

**[00:08:41]** 对立的视角，去

**[00:08:43]** 理解背后的逻辑

**[00:08:44]** 全球技术发展。

**[00:08:47]** 在下一集，我们将讨论西方公司如何应对这一新的

**[00:08:50]** computing 竞争格局。

**[00:08:51]** power。

**[00:08:53]** 感谢收看 Reading，

**[00:08:56]** 下次见。