配资门户平台对话徐直军：为什么华为不兼容英伟达CUDA，一定要搞开源

（文/观察者网吕栋编辑/张广凯）配资门户平台

“算力是中国人工智能的关键，国内AI要多少算力就给多少算力，你要什么样的算力就给你什么样的算力。中国无论是谁想训练多大参数的大模型，都是有商业基础和算力提供的。”在刚刚结束的华为全连接大会上，华为轮值董事长徐直军对观察者网等媒体说道。

这次大会上，徐直军时隔六年再度公布昇腾和鲲鹏芯片的进展，让外界颇感意外。从华为披露的信息，我们可以得到两个确定性结论：一昇腾、鲲鹏两大计算芯片将持续演进；二包括昇腾在内的国产AI芯片，仍将受制于国内芯片工艺的落后，单卡性能或长期落后英伟达。

那国内的AI算力需求怎么被满足？徐直军向观察者网强调了华为“5个字”核心战略，就是“超节点+集群”，“AI算力不等于芯片性能，单颗芯片性能的短板可以通过‘超节点和集群’方式解决，且实现性能更强，同时国内的电力基础施优势也解决了算力用电问题。”

在当下，包括摩尔线程、壁仞科技、沐曦集成电路等初创GPU公司，已经纷纷表示兼容英伟达的CUDA计算生态，外界近期传出华为也可能调整战略，发展GPU并兼容CUDA。

但从徐直军的表态来看，昇腾兼容CUDA的传言并不可靠。他表示，华为要做开源开放的生态，不兼容CUDA是从长远考虑，“CUDA现在也不能随便用，都是过去的版本。如果哪天CUDA生态兼容不了怎么办？只要大家心往一处想，都来使用，国内生态一定会发展起来。”

芯片制程落后，昇腾单卡算力受限

这次大会，最受关注的莫过于华为再度公布昇腾芯片的技术进展，让外界能更直观地了解昇腾芯片的实力和未来规划，也让大家对国产AI算力有了更多底气。

按照华为公布的信息，昇腾910C在今年一季度已推出，它的FP16（半精度浮点数）算力为800TFLOPS（每秒万亿次浮点运算，0.8PFLOPS），内存为128GB，带宽为3.2TB/s。

作为对比，英伟达“中国特供”H20芯片的FP16算力为148TFLOPS，内存为96GB，带宽为4TB/s；H100同等精度下的算力为990TFLOPS，内存为80GB，带宽为3.35TB/s。

简单对比就会发现，昇腾910C的FP16算力已是英伟达H20的5倍多，逼近H100。而在内存容量上，昇腾910C也超过了H20和H100，只是带宽还略有落后。

这或许就是中国监管敢于直接对H20“后门”问题出手的底气，毕竟昇腾910C的实力已不输于H20。但H20毕竟还是“阉割版”，与英伟达最先进的芯片相比，昇腾芯片的实力又如何呢？

以华为计划在2027年四季度推出的昇腾960芯片为例，它的FP8精度下算力为2PFLOPS，FP4精度下算力为4PFLOPS，内存容量为288GB，带宽为9.6TB/s。

作为对比，英伟达去年3月发布的B200芯片，FP8精度下算力为4.5PFLOPS（稠密模式，稀疏计算会更大），FP4精度下算力为9PFLOPS，内存容量为192GB，带宽为8TB/s。

不难看出，即便是两年后的昇腾960，在单芯片算力上与B200仍存在一倍的差距。

直到计划2028年四季度推出的昇腾970，它的FP8算力为4PFLOPS，FP4算力为8PFLOPS，显存容量为288GB，带宽为14.4TB/s，这些指标才能与B200一较高下。

昇腾已经是国产AI芯片的领跑者，其他芯片企业的单卡性能与英伟达存在更明显的差距。比如正在冲刺IPO的摩尔线程，它的MTTS5000计算加速卡在FP32精度下的算力为32TFLOPS，这个数据与H20的44TFLOPS比较接近，但只有H100的一半。

国产单卡的落后原因可能是多方面的，最关键的还是芯片制程，毕竟英伟达可以随意使用台积电的先进制程，购买更先进的HBM，而中国企业在制裁封锁下只能自力更生。

徐直军坦言，智能化的可持续，首先是算力的可持续。中国半导体制造工艺将在相当长时间处于落后状态，可持续的算力只能基于实际可获得的芯片制造工艺。

华为核心战略在5个字上，芯片之外都是优势

算力是全球人工智能发展的关键，已经是不争的事实。在美国持续封锁中国AI单芯片的大背景下，我们怎么才能获取更多算力，为AI产业提供支撑？

徐直军在全连接大会上对观察者网坦言，华为的核心战略就是“超节点+集群”，整个战略在这5个字上，“我们认为只有依靠超节点和集群，才能规避中国的芯片制造工艺受限，能够为中国的AI发展提供源源不断的算力支持和供给。”

这次全连接大会上，华为公布了Atlas950超节点，它将在2026年四季度上市，由8192颗昇腾950DT芯片全光高速互联而成，是今年商用的CloudMatrix384超节点的20多倍，FP8算力达到8EFLOPS，FP4算力达到16EFLOPS，互联带宽达到16PB/s。

“单颗芯片相比较英伟达有差距，生态还有差距，但是做成超节点集群，我们有自信和底气。因为AI就是并行计算，所以我们的解决方案就是开创计算架构，基于灵衢互联协议打造超节点和集群，来满足我国无穷无尽的算力需求，这是我们对自己的目标，又是对产业界的承诺，更是对国家的承诺。”他说道。

徐直军表示，Atlas950超节点，至少在未来多年都将保持是全球最强算力的超节点，相比英伟达将在明年下半年上市的NVL144，Atlas950超节点卡的规模是其56.8倍，总算力是其6.7倍，内存容量是其15倍，达到1152TB；互联带宽是其62倍，达到16.3PB/s。即使是与英伟达计划2027年上市的NVL576相比，Atlas950超节点各方面依然领先。

超节点的本质还是堆卡，但又不是简单堆卡。以CloudMatrix384超节点为例，它是华为光通信、网络、供电等多种能力“大杂烩”的结果。更重要的是，它打破了传统以CPU为中心的冯诺依曼架构，凭借高速互联总线的关键突破，实现了更大的算力密度和互联带宽。

但超节点也会带来一个重要问题，就是功耗。按照海外机构SemiAnalysis发布的数据，华为CloudMatrix384超节点的算力是英伟达NVL72的1.7倍，功耗则达到了4.1倍。

在徐直军看来，这并非瓶颈。“超节点+集群有能力为中国AI产业提供充足算力，让中国没有算力之忧。但是功耗大一点，电要耗多一点，但无论怎么说，我们有（资源），而且我们国家电价相对便宜。除了单颗芯片比它的算力小一点，功耗大一点，其他都是优势。”

为什么华为不兼容CUDA生态？

在AI的大规模计算中，芯片能力固然很重要，但同样离不开软件的协同。以英伟达为例，它的GPU虽然性能强大，但仍然需要CUDA的协助，才能充分释放GPU的性能。

根据公开数据，目前英伟达CUDA闭源生态中已有500多万开发者，超过900个高性能库/框架，并且已连续迭代了18年。在当下，CUDA已不仅是编程框架，而是事实上的“AI计算操作系统”，竞争对手先得复制这18年的“代码+人才+习惯”沉淀，才敢谈替代。

也就是在这个背景下，包括摩尔线程、壁仞科技、沐曦集成电路等初创的国产GPU企业，率先发力兼容CUDA生态，并伺机发展自主生态，以向开发者提供更方便的使用体验。

但华为并没有像早期鸿蒙兼容安卓一样兼容CUDA，而是坚持发展CANN和MindSpore等全栈能力。

“为什么我们不兼容CUDA生态，一定要搞开源生态和MindSpore，也是为长远考虑的，我一直做，我投这么多钱兼容CUDA生态，而且CUDA现在也不能随便用，都是过去的版本。如果哪天CUDA生态兼容不了怎么办？为什么我还坚定不移搞一个MindSpore呢？当时专家都反对。我们的AI，从达芬奇到昇腾芯片到整个一切，包括所有的软件生态都不依赖于西方生态和供应链。所以长远来考虑的话，要把生态构建起来。”徐直军说道。

今年8月，华为宣布CANN编译器和虚拟指令集接口开放，其它软件全开源，CANN基于昇腾910B/C芯片的开源开放将于2025年12月31日前完成，未来开源开放与产品上市同步；Mind系列应用使能套件及工具链全面开源，并于2025年12月31日前完成；openPangu基础大模型全面开源。

“华为为什么做开源开放的生态？我们的进步是在和客户不断地交互过程中相互促进与进步的。说‘开源开放’这四个字是难啊，尤其是对华为这种成长型的公司，大家习惯把源代码捂得死死的，因为是核心资产，为此我们要说服大家到底从哪里挣钱。”徐直军坦言，华为的变现靠昇腾硬件，其他的一切都可以开源开放。开源开放是促进硬件规模和硬件的普遍使用，“大家都用了，我卖得多了，开源开放的钱就挣回来了。”

但现在华为有一个明显的挑战是，在训出准万亿参数的盘古UltraMoE大模型之后，怎么吸引更多像DeepSeek一样的外部顶级大模型在昇腾平台上训练，这样才能不断证明昇腾与英伟达的抗衡能力。

“国内AI企业用昇腾训练大模型，主要看是他们用不用，就像谈恋爱，不谈的话，你怎么知道对方的优缺点配资门户平台，合适不合适，你要谈一下，要用一下。在用的过程中有问题解决问题。当然了，第一是我们的生态和整个的工具链肯定是比英伟达有差距的；第二个原来在英伟达应用很熟练，就像我们用苹果手机用得很熟练，就不愿意转过来，它是工程师的习惯问题，而不是高层的问题。虽然芯片供应问题阻碍了昇腾生态发展，但生态是用出来的，只要大家心往一处想，都来使用，国内生态一定会发展起来。”徐直军表示。

富深所提示：文章来自网络，不代表本站观点。