华为又要颠覆了一项技术？

华为发布AI时代的全新计算架构 – Peerium计算架构。这个架构可以说是颠覆性的，能实现百万级处理器成为一台计算机，以满足不断发展的AI算力需求。

要知道，全球70多年以来都是用的冯诺依曼单机架构，而华为率先打破这种惯例，打造了一条AI时代的全新路线。

大家一定要明白，AI芯片的性能总有一天会到极限的，那么这就需要对整个AI的内部结构重新革新，可以说华为这是提前抢占下一代的技术话语权。

打破人类70年来信息社会运行法则，华为这次做的多牛

现在电脑、手机、服务器，还有全世界大多数数据中心，底层都按一套叫冯·诺依曼架构的办法来运行。

这套办法是 1945 年提出来的，到现在已经用了七十多年。它的基本做法是，计算的地方和存储的地方分开，中央处理器当总指挥，其他部件听它调度。

单台机器里，运算部件、控制部件、存储部件各自独立，而程序和数据都显示存在内存里，然后由中央处理器统一安排执行。

就算是到了AI数据集群里，也是按照这套来，也就是主节点和从节点的关系，主节点分任务，从节点干活。

整个信息社会能运行起来，靠的就是这套规则。不管是以前的计算机时代，还是后来出来了笔记本电脑，再到现在的智能手机，都是用的这套方法。

可是到了 AI 大模型时代，这套用了七十多年的办法遇到三个过不去的坎。

而是集群越大，问题越明显。第一个坎就是计算和存储的速度差越来越大。处理器的计算速度按老规律一直涨，但是存储数据读写速度、数据在不同存储层之间传输的速度涨得慢。结果就是很多算力浪费在等数据上。

根据斯坦福大学的数据，32 位整数加法只消耗 0.1 皮焦能量，但是从内存里读取数据要大约 2 纳焦，两者能耗差接近一万倍。

所以AI大模型运行时，包含内存读写在内的数据搬运环节耗电占系统总功耗的 60%，真正用于运算的功耗只占 10%。也就是说，每投入 10 份电，只有 1 份用在实际计算上，剩下 9 份都花在搬数据上。

第二个坎是系统功耗控制不住。AI

集群规模一大，数据搬运带来的功耗叠加就很明显。大规模集群的能耗成本已经成为算力扩张的主要限制。国际能源署统计，2024

年全球数据中心总耗电量约 415 太瓦时，占全球总发电量的 1.5%，预计到 2030 年翻倍到 945

太瓦时，接近日本全年总用电量。如此大规模的耗电量，让数据中心的算力发展，越来越困难。

第三个坎就是集群算力的利用率一直往下走。按照华为公开的行业数据显示，十万卡级别的

AI 训练集群，实际有效算力利用率只有约

20%，也就是五分之四的芯片算力消耗在通信等待、任务调度和数据同步上。这就让“堆芯片换算力”这条路越往后，收益就越小，因为芯片的性能再强，能用的也就不到10%。

而华为这次发布的 Peerium 计算架构，核心就是突破冯诺依曼的主从控制模式，也就是对算力的运用用来一套新方法。简单来说，就是不让一个主节点管所有事，而是让任务一层一层自己分下去、自己同步。

然后就是所有处理器看内存时共享同一个地址空间，不用来回拷贝，省去了搬运速度的时间。

华为还用来一种灵衢高速总线来实现全节点平等互联，把中央处理器、AI 计算芯片、内存、固态硬盘、网卡这些硬件放在平等的互联位置，替代传统以中央处理器为中心的主从控制结构。灵衢是华为自己的一套高速互联协议，作用就是让这些硬件之间能平等、快速地通信。

这套架构不是要在单芯片层面推翻老架构的计算和存储分开逻辑，而是把冯诺依曼的主从架构给改了，这样就可以把多台独立计算机整合成一台更大的计算机。

为什么华为的这套方法可以颠覆AI时代呢？

再次突破，有望解决芯片制程问题。

我们刚刚说了，因为冯诺依曼架构的原因，现在行业里十万卡规模的 AI 训练集群，标称算力数值很高，但是实际有效算力利用率可能只有约 20%。

但是华为研发的全新架构，十万卡级集群的有效算力利用率可以从 20% 提升到 35% 以上。这相当于用同样数量的芯片，实现了 1.75 倍的有效算力。

而有一些模型需要芯片之间要不停传话、来回配合，还有一些模型既要处理文字、又要看懂图片、还要听懂声音的，华为的全新架构利用率提升幅度更大，有效算力可以达到传统架构的 2.5 到 3 倍。

简单来说，训练一个 1.2 万亿参数的通用大模型，传统十万卡集群需要约 90 天完成全量训练，换成 Peerium 架构后，只需要 30 天左右就能完成，训练周期压缩三分之二。

更关键的是，它还把“机器越大、效率越差”这个老毛病给解决了。以前用老办法，芯片一旦超过五万张，再往上加，新加的芯片能真正帮上忙的不到三成。也就是说，后面再加芯片基本是白花钱，堆得越多越不划算。华为这套新办法能撑住十万张，甚至几十万张芯片一起干，而且多加的芯片还能有七成以上真正发挥作用。

这件事真正的行业影响，是把 AI 算力的竞争逻辑从“堆芯片数量”转向“把架构效率用出来”。过去行业拼的是谁能拿到更多的高端芯片，谁就有算力优势。

但现在看，同样十万卡，有人只能用出两万卡的效果，有人能用出三万五千卡以上的效果，差距比芯片本身的代差还大。相当于同样花一百亿买芯片，架构差的厂商只能得到二十亿的有效算力，架构好的厂商能得到三十五亿以上，单有效算力的成本直接差出近一倍。这还没算能耗成本。

而且我们都知道，数据中心的电力和散热成本占总拥有成本的 40% 以上。利用率上去了之后，产出同样的有效算力，耗电量就可以同步下降，一年仅电费就能省下数亿元。

可以说，随着英伟达的AI芯片性能堆到头了，英伟达也需要走华为这样的路线，不然的话，一旦芯片制程走到头，那么到时候英伟达就没有办法再制程AI的发展迭代了。

不再按照西方路线走，华为争夺未来话语权

华为这套架构可以说，意味着，在AI产业上，中国不再按照西方的路线来走了。

华为从昇腾 AI 计算芯片、Peerium 计算架构，到灵衢互联协议、超节点集群系统，华为完成了计算体系从底层硬件到上层系统的全部自主可控。它摆脱了对传统国外架构、国外高速互联方案等海外核心技术的依赖。

大家都知道。在此之前，国内商用 AI 集群的核心技术长期受制于人。计算架构遵循国外传统的主从体系，高速互联几乎全部依赖进口国外高速互联方案，核心互联技术自主化率不足一成。

这就导致了我们进口一张 400G 高速互联网卡单价高达数千美元，800G 光模块、核心交换机等设备全部由海外厂商垄断。

这不仅采购的成本很高，而且一旦被别人卡住了脖子，我们的AI大模型就没办法发展了。根据数据显示，十万卡级 AI 集群中，仅进口互联设备的采购成本就占集群总投入的 25% 以上，且后续升级、运维完全依赖海外厂商的技术支持。

华为的做法，不是只盯着“AI芯片做得更快”这一个点，而是从最根上重新搭了一套自己能掌控的全产业链路子。

现在华为的Atlas

超节点集群完成了工程化落地。首代 Atlas 950 已经实现 25.6 万卡规模的集群部署。下一代 Atlas 960

采用华为自研的全新光引擎来实现互联，单个超节点可扩展至 15488 张计算卡。整套系统从芯片到通信协议再到整机都不存在对海外的核心技术依赖。

这套全栈自主体系的价值不止于技术突破，更在于重新打造了一套算力集群的技术标准，带动国产互联协议、服务器、存储、操作系统等全产业链升级。目前国内已有多家整机厂商完成灵衢互联的整机适配，推出基于昇腾

AI 计算芯片和灵衢总线的国产超节点服务器，覆盖通用计算、AI 训练推理等全场景。

华为配套的欧拉操作系统、CANN 软件栈也完成了全链路适配，形成了“芯片、架构、协议、整机、软件”的完整自主生态。

这直接降低了整个产业对海外技术的依赖度，也为国内算力基础设施建设提供了更具性价比的自主方案。

按行业公开测算，同等规模的十万卡 AI 集群，采用全栈自主方案的综合建设成本可比纯进口方案降低 30% 左右，后续每年的运营维护成本可降低超过 40%。

以前，我们国内算力产业的创新大多集中在芯片制造工艺追赶、服务器硬件堆叠、系统集成优化等层面。本质上都是在海外厂商定义的架构框架内做跟随式改进，始终没有跳出别人制定的技术路线。

在全球范围内，能独立定义时代计算架构的厂商一直屈指可数。而华为直接从底层计算架构层面发起突破，没有沿着“堆芯片、改进工艺”的传统路线追赶，而是重新设计了 AI 时代的底层架构，成为全球少数能独立定义 AI 时代计算架构的厂商。

大家要知道，架构定义权直接决定了产业标准的话语权。过去国内厂商做产品必须兼容海外的架构标准、互联协议、软件生态，处处受制于人。

现在华为的 Peerium 架构和灵衢协议形成了一套完整的自主标准体系。国内产业链可以围绕这套标准做配套开发，不用再跟着海外的技术路线走。

华为的架构创新也提前布局了 AI 下一阶段的算力需求。当前大模型正在从千亿参数向万亿、华为的全新架构足以支撑十万亿级参数模型的高效训练，提前抓住了下一代算力的技术节点。

说白了，以后算力竞争比的不是谁手里的芯片多，而是谁的架构能把芯片的真实算力全用出来。这是国内算力产业第一次从“按照别人的规则做”转向“自己定规则并成为规则制定者”。

谁掌握了架构标准，谁就掌握了未来算力竞争的核心主动权。