从“专用”到“通用”—华为 AI 芯片架构大转向背后的信号

科技 I 渝码科技

7 月 11 日，《The Information》援引多位供应商人士消息称，华为正酝酿一次“推到重来”式的芯片重新设计。

将现有昇腾系列所采用的 ASIC（专用集成电路）路线，整体转向更接近 GPGPU（通用图形处理器）的架构，并同步推出兼容 CUDA 的中间件。

该消息若属实，这不仅意味着华为在AI芯片技术路线上的重大调整，更可能重塑中国 AI 算力市场的竞争格局。

1、为什么“改弦更张”？

在 A100/H100禁售、特供版“阉割”的背景下，英伟达仍通过 GUDA生态牢牢占据中国 AI 训练 90% 以上份额。

国内大模型初创公司宁可高价求购“水货”，也不愿迁移到其他平台，核心原因就是软件栈迁移成本过高。

同时，昇腾 910B在INT8/FP16推理场景下能效比出色，但面对大模型训练所需的高带宽、双精度浮点、稀疏计算等需求，AISC 的固定管线难以灵活扩展；而GUDA的可编程性天然适合算法快速迭代。

此外，华为 CANN平台虽持续迭代，但开发者规模、开源模型仓库、第三方框架插件与 CUDA 相比差距明显。

兼容 CUDA ，等于拥抱现成的十万级开发者与数千个加速库。

2、“重新设计”到底改什么？

根据爆料，华为新一代 AI 芯片将在三大层面动刀：

架构：放弃纯 ASIC 的“硬化”思路，转向 GPGPU 的 SIMT（单指令多线程）+ Tensor Core 混合设计，保留部分可配置矩阵单元，兼顾能效与灵活性。

互联：或采用类似 NVLink 的 die-to-die 高速总线，方便多芯堆叠，解决大模型训练中“内存墙”问题。

软件：推出“CUDA-to-CANN”动态翻译层，开发者无需改一行 CUDA 代码即可在华为芯片上运行；同时继续维护原生 CANN 栈，确保长期可控。

3、时间表与落地挑战

供应链消息指出，华为内部已成立“GPU-Lab”特别项目组，由 2012 实验室与海思联合牵头，目标 2025 Q2 完成首颗流片，2025 Q4 小规模送测。

真正的挑战在于：

先进工艺：GPGPU 对 5 nm 以下 EUV 产能需求高，在美国制裁阴影下如何持续获得良率可控的代工资源，仍是最大不确定因素。

IP 风险：SIMT 指令集、纹理单元、缓存一致性协议等核心 IP 是否涉及英伟达/AMD 专利？华为需要绕开或取得交叉授权。

商业闭环：兼容 CUDA 只是“敲门砖”，如何在训练、推理、云、端之间形成可持续的订阅或授权商业模式，比做一颗芯片更难。

4、产业影响：谁喜谁忧？

云厂商：阿里、腾讯、百度等原本被迫“囤货”英伟达，一旦华为 GPGPU 性能/软件差距缩小，议价权将显著增强。

服务器 OEM：浪潮、超聚变等可顺势推出“国产 GPU 整机”，降低供应链风险。

国产 AI 芯片初创：壁仞、沐曦、天数等原本走 GPGPU 路线的公司，将面临华为在资金、渠道、生态上的降维打击；而坚持 ASIC 路线的寒武纪、地平线，则需要在细分场景里跑得更快。

最终用户：大模型创企、高校、科研院所，短期内多了一个“能用 CUDA”的国产备选方案，长期看仍需观察性能、价格、可持续供应。

个人认为，“做芯片，十年磨一剑；换架构，等于把剑回炉重铸。”华为此次若真从 ASIC 转向 GPGPU，既是一次技术路线的自我否定，也是一场生态战略的豪赌。

赌赢了，中国在 AI 算力的“第二选择”将真正落地；赌输了，则可能丢掉昇腾多年积累的 ASIC 优势。

但可以确定的是，在美国持续加码的出口管制下，留给中国厂商“试错”的时间窗口，正在迅速收窄。