国产AI芯片：华为昇腾910B/910C

可视化演示

展示昇腾910B与910C规格对比、达芬奇架构Cube/Vector/Scalar三引擎协同及Atlas集群HCCS互联训练。

昇腾芯片定位

在AI世界的顶级酒店里，英伟达H100是那位拿过米其林三星的名厨。华为想证明自家后厨也能撑起国宴，于是亮出了昇腾系列——专为大模型训练设计的AI加速芯片。昇腾910B和910C，就是这间后厨里的两位“掌勺师傅”。910B是2023年前后登场的招牌主厨，对标英伟达的A100/H100；910C则是升级版，用双芯堆叠把火力再拉高一截。

昇腾不是普通处理器，而是AI专用芯片NPU（神经网络处理单元）。它和英伟达GPU一样，把绝大部分面积让给了矩阵运算引擎，专门伺候大模型训练里最频繁的“矩阵乘法”这道硬菜。为什么大模型这么吃算力？因为训练一个千亿参数模型，模型每读一个词元，都要做一次完整的“前向+反向”计算，这个代价乘以天文数字般的词元总数，就是必须由芯片扛下的总计算量。

大模型训练需要海量算力，业界常用一个简洁公式估算总计算量：

其中N为模型参数量，D为训练词元总数。

所以，昇腾芯片的使命就是为这盘“大模型硬菜”备足火力。910B是第一版单灶台设计，910C则是把火力翻倍的连体双灶——它们都指向同一个目标：让国产AI训练不再看外人脸色。

CUBE算力核心

后厨里最能干的“颠勺师傅”叫CUBE。它不干杂活，只做一道菜：矩阵乘加（A×B+C）。大模型训练里超过九成的计算量都是这道菜翻来覆去地炒，所以CUBE方阵越大、翻炒越快，芯片的算力天花板就越高。

在昇腾芯片内部，CUBE是一个矩阵乘加阵列——想象一个16×16的小方阵，每个格子都有一个乘加单元，能把两个矩阵的对应元素成对相乘再加总。一次指令就能完成整块小矩阵运算，这比CPU一个个数字“单挑”快了千百倍。英伟达也有类似设计，叫Tensor Core（张量核心），思路同源。

算力标称值通常用TOPS表示，即每秒万亿次操作。昇腾910B的FP16算力约320 TOPS，910C因双芯堆叠升至约640 TOPS。作为参照，英伟达H100 SXM的FP16约为989 TOPS——昇腾虽有差距，但已站上了同一量级的擂台。

CUBE单元的标称算力可以这样理解：

CUBE方阵就像灶台的“明火等级”——火越大，同样一锅菜翻熟得越快。但光有火不行，食材也得跟得上，于是下一个关键部件是“食材冰柜”HBM。

HBM高带宽内存

大厨炒菜最怕什么？怕配菜员跑得慢。在CPU时代，“配菜员”是传统内存总线，距离远、速度慢，算力再高也会饿肚子。昇腾后厨的解决办法是：把“食材冰柜”直接搬到灶台旁边，这就是HBM高带宽内存。

HBM（High Bandwidth Memory）是一种3D堆叠式内存，像叠罗汉一样把多层DRAM芯片叠起来，再通过硅中介层与计算芯片封装在同一块基板上。它离计算单元“近在咫尺”，所以延迟低、带宽极高——是传统DDR内存带宽的十倍以上。对大模型训练来说，模型参数和中间激活值都要住在HBM里：容量决定能不能装下千亿参数，带宽决定每秒钟能往CUBE灶台喂多少食材。

昇腾910B配备约64GB HBM，峰值带宽约1.6TB/s；910C因为双芯各带一套HBM，容量约128GB、带宽约3.2TB/s。带宽的物理上限可这样估算：

冰柜越近，出菜越快。HBM就是贴着灶台的“食材直送带”——容量翻倍意味着910C能一口接住千亿模型的全部参数，不用频繁“出去采购”。但冰柜多了，两个灶台之间的配合又成了新问题。

双芯堆叠封装

一个灶台不够用怎么办？老办法是再买一个，但厨房面积有限、成本也高。华为的选择是：把两颗成熟的小die封装在一个底座上，做成“连体双灶”——这就是910C的双芯堆叠封装。

在芯片行业，这种做法叫Chiplet（芯粒）策略：不追求单颗die无限做大，而是把多颗成熟的小die拼装起来。单颗die面积小，良率高、成本低；两颗并排，总算力和总显存近似翻倍。两颗die之间通过高速总线连通，就像两个灶台之间开了一排传菜窗口。这个思路与英伟达新一代B200的双die方案异曲同工。

华为在910C上延续了910B的成熟单die设计，用先进封装将两颗die并排放置于同一基板，片间通过高速互联总线交换数据。互联会引入额外延迟和带宽开销，所以最终性能不是严格的2倍，而是接近2倍打个八九折。这个“打折”程度可以用一个效率系数衡量：

所以，“连体双灶”不是简单地把两个灶头摞在一起——窗口开多大、菜怎么递，处处是工程学问。910C的智慧在于“用成熟小die拼出大算力”，避开单颗超大die那低到可怕的良率天坑。

规格对比升级

把两位“大师傅”的简历并排放在桌上，差距一目了然。昇腾910B与910C的核心规格对比如下：

| 项目 | 昇腾910B | 昇腾910C |

|---|---|---|

| FP16算力 | 约320 TOPS | 约640 TOPS |

| HBM容量 | 约64 GB | 约128 GB |

| HBM带宽 | 约1.6 TB/s | 约3.2 TB/s |

| 核心封装 | 单die | 双die合体 |

| 片间互联 | HCCS | HCCS + die间总线 |

可以看到，每一项关键指标都大致翻倍——这并非巧合，而是双die堆叠的直接红利：两颗910B级别的die合体，带来算力、内存、带宽的同步翻番。当然，实际部署中还要考虑功耗上升、散热设计和通信损耗等代价。

规格提升倍数的计算非常直接：

这张“菜单”告诉我们：910C不是另起炉灶的全新芯片，而是910B的“威力加强版”——用最成熟的组件拼出最大化的火力。但纸上参数终究要经过实战检验，下一节我们就把它请进千亿模型训练的后厨。

千亿模型实战

前厅来了一桌超级贵宾——“千亿参数大模型”。后厨要多久才能把这道菜端上桌？答案藏在两个变量里：总菜量（总计算量）和上菜速度（集群总算力×利用率）。

真实训练中，硬件利用率（MFU，即每秒真正用于计算的占比）通常只有40%~60%，其余时间在等数据加载、通信同步、算子切换。这正是“算力翻倍但时间不严格减半”的深层原因。昇腾910系列在配合CANN软件栈后，已能在千亿参数模型上跑通训练，并支持千卡集群的并行扩展。

训练时长的核心估算公式如下：

双灶台的威力在千亿实战中兑现：不是纸面翻倍，而是真正把训练周期砍掉将近一半。对AI团队来说，每少一天训练都是真金白银——但这有个前提：软件生态得先跟上。

软件生态适配

硬件是灶台，软件是菜谱。英伟达的CUDA生态像一套“通用西餐菜谱”，几乎人人会读；昇腾要让人愿意用，就得把这套菜谱翻译成自己的“中餐做法”——这就是CANN的使命。

CANN是华为的AI计算架构（类似CUDA），包含底层驱动、算子库和编译器，负责把主流深度学习框架（如PyTorch、MindSpore）里的算子自动映射到昇腾的CUBE单元上。经过几年追赶，主流大模型如Llama、ChatGLM、Qwen都已在昇腾上跑通训练与推理。MindSpore则是华为自家的深度学习框架，与CANN深度协同，开箱即用。

迁移成本不可忽视：CUDA代码不能直接跑在昇腾上，需要改写为Ascend C或通过CANN的适配层转换；部分自定义算子需要重写并逐一调优。综合来看，迁移成本可以由三部分叠加估算：

菜谱翻译好了，后厨才能真正开张。昇腾的生态虽还在追赶CUDA，但“国产后厨”已经能让大模型吃饱吃好——这是国产AI芯片从“能用”走向“好用”的关键一跃。

AI 应用场景

Python 演示

# 昇腾910B/910C 大模型训练时长估算示例class AscendChip:    """昇腾AI芯片的简化模型"""    def __init__(self, name, fp16_tops, hbm_gb, hbm_bw_tbs):        self.name = name        self.fp16_tops = fp16_tops          # FP16算力, 单位TOPS        self.hbm_gb = hbm_gb                # HBM容量, 单位GB        self.hbm_bw_tbs = hbm_bw_tbs        # HBM带宽, 单位TB/s     def train_hours(self, params_b, tokens_b, cards, mfu):        """估算训练大模型所需小时数        params_b: 参数量(10亿), tokens_b: 词元数(10亿),        cards: 卡数, mfu: 硬件利用率        """        total_flops = 6 * params_b * 1e9 * tokens_b * 1e9        per_card = self.fp16_tops * 1e12 * mfu        seconds = total_flops / (per_card * cards)        return round(seconds / 3600, 1)  chip_910b = AscendChip("昇腾910B", 320, 64, 1.6)chip_910c = AscendChip("昇腾910C", 640, 128, 3.2) PARAMS_B = 100   # 1000亿参数TOKENS_B = 1400  # 1.4万亿词元CARDS = 1024     # 千卡集群MFU = 0.45       # 典型硬件利用率 for chip in (chip_910b, chip_910c):    hours = chip.train_hours(PARAMS_B, TOKENS_B, CARDS, MFU)    print(f"{chip.name}: 训练约需 {hours} 小时"          f"({round(hours / 24, 1)} 天), "          f"HBM容量 {chip.hbm_gb}GB, 带宽 {chip.hbm_bw_tbs}TB/s")

1. total_flops = 6 * params_b * 1e9 * tokens_b * 1e9按6ND公式计算训练总浮点运算次数：6倍×参数量×词元数。
2. per_card = self.fp16_tops * 1e12 * mfu把TOPS换算为每秒实际有效运算数（乘1e12再乘利用率MFU）。
3. seconds = total_flops / (per_card * cards)总“菜量”除以总“上菜速度”，得到训练总秒数。
4. for chip in (chip_910b, chip_910c):遍历两代芯片，方便直接对比训练周期差异。

常见误区

面试题