🕷️
SetupAI
🐼較早收集於 17m

Ascend 910C 完成 1.6 兆參數模型訓練

Ascend 910C 完成 1.6 兆參數模型訓練
PostLinkedIn
🐼閱讀原文： Pandaily
#china-tech#gpu#large-scale-trainingascend-910chuaweiascend 910c

💡首個證明國產硬體能處理 1 兆以上參數模型訓練的重大案例，象徵 AI 基礎設施的轉變。

⚡ 30-Second TL;DR

有什麼變化

Ascend 910C 成功訓練 1.6 兆參數模型

為什麼重要

此突破顯示中國國產硬體在處理前沿規模模型訓練的能力日益增強，可能降低對進口 GPU 的依賴。

下一步行動

若您正在為中國市場開發大規模模型，請評估 Ascend 910C 叢集的效能指標。

誰應關注：Researchers & Academics

關鍵要點

  • •Ascend 910C 成功訓練 1.6 兆參數模型
  • •由 Huawei、深圳河套學院及多個研究機構共同合作
  • •證明國產硬體在大規模模型訓練上的可行性

🧠 深度解析

Web-grounded analysis with 31 cited sources.

🔑 增強重點摘要

  • •此次訓練成功完成了DeepSeek-V4-Pro 1.6兆參數模型的全參數後訓練，這與過去中國國內運算平台主要用於推論或小參數微調的情況不同，標誌著國內AI晶片在支援超大規模模型深度訓練任務上的技術可行性。
  • •該合作團隊利用了超過1,000顆昇騰910C晶片組成的運算叢集，並透過優化分散式工作負載分配和負載平衡策略，成功克服了通訊瓶頸，在超過1,500個訓練步驟中實現零系統故障，模型浮點運算利用率（MFU）超過30%，關鍵運算子效率提升14%。
  • •昇騰910C採用雙晶片封裝設計，整合了兩顆昇騰910B晶片，其FP16精度下的單卡運算能力估計可達約800 TFLOPS，約為NVIDIA H100晶片（2022年推出）的80%。
  • •華為計劃在2026年將昇騰910C晶片的產量提高至約60萬片，是前一年的兩倍，並預計在2026年將整個昇騰產品線的晶片出貨量提高到160萬片，以滿足中國國內對AI晶片日益增長的需求。
  • •昇騰910C的成功訓練，是中國在美國出口管制下，推動半導體自給自足戰略的重要一步，旨在將國內AI產業鏈從僅支援推論轉向實現超大模型的全參數訓練。
📊 競品分析▸ Show

昇騰910C 與主要競爭對手比較

特性/指標華為 昇騰910C (Ascend 910C)NVIDIA H100 (Hopper)NVIDIA B200 (Blackwell)
製程節點中芯國際7奈米 (N+2)台積電4奈米台積電4奈米 (或更先進)
FP16 運算能力約800 TFLOPS (單卡)1950 TFLOPS (Transformer Engine with FP8) / 989 TFLOPS (FP16)約2500 TFLOPS (FP16)
記憶體頻寬約3.2 TB/s (HBM2e/HBM3)3.35 TB/s (HBM3) / 4.8 TB/s (HBM3e)8 TB/s (HBM3e)
記憶體容量128 GB (HBM)80 GB (HBM2e)192 GB (HBM3e)
功耗 (TDP)550 W (單卡) / CloudMatrix 384系統約559 kW700 W145 kW (GB200 NVL72系統)
架構達文西 (DaVinci) 架構，雙晶片封裝 (兩顆910B)Hopper 架構Blackwell 架構
互連技術HCCS, PCIe 4.0, RoCE v2, 512 GB/s 網狀網路NVLinkNVLink
軟體生態系MindSpore, CANN (與CUDA相容性提升)CUDA, TensorRT, cuDNN (業界標準)CUDA, TensorRT, cuDNN
市場定位中國國內AI訓練與推論，替代NVIDIA晶片全球AI訓練與推論市場領導者全球AI訓練與推論市場領導者

分析：

華為昇騰910C在單晶片性能上仍落後於NVIDIA的H100，尤其與NVIDIA最新的Blackwell系列B200相比，差距更為顯著，B200的運算性能約為910C的三倍，記憶體頻寬約為2.5倍。昇騰910C採用雙晶片封裝，雖然提升了性能，但其晶片間互連頻寬可能遠低於NVIDIA的先進封裝解決方案。此外，910C的邏輯晶片面積比H100大約60%，表明在架構效率和設計優化方面仍有差距。

然而，在美國出口管制下，昇騰910C已成為中國國內AI晶片市場的主要替代品。華為透過其CloudMatrix系統，將多達384顆910C晶片組合成光學網狀網路，實現了系統級的性能提升，在某些系統級指標上甚至能超越NVIDIA GB200 NVL72，儘管單晶片性能較弱。此外，華為的MindSpore軟體框架和CANN運算架構，正努力提升與CUDA的相容性，以降低開發者遷移的門檻。中國政府也透過採購評估系統，為國內AI晶片創造了受保護的需求管道，進一步鞏固了華為在國內市場的地位。

🛠️ 技術深入

  • 架構與微架構特點：昇騰910C NPU整合了多個AI核心，每個核心包含高吞吐量的矩陣乘法立方體單元（AIC）、寬向量SIMD引擎（AIV）、純量單元和多級暫存記憶體。
  • AI核心：每個AI核心包含256x256張量（立方體）陣列，8x8寬向量管線和8個純量單元。
  • 峰值吞吐量：
    • 張量運算：400 TFLOPS (BF16/FP16)，100 TFLOPS (FP32)，800 TOPS (INT8)。
    • 立方體單元：高達8 TFLOP/核心 (FP16)。
    • 向量單元：48 GFLOP/通道 (FP32)。
  • 片上記憶體：
    • L1緩衝區：128–512 KB/核心。
    • L2快取：32 MB共享，總片上內部頻寬1 TB/s。
    • L0A/L0B/L0C：專用於立方體運算元暫存和部分和的緩衝區。
    • 統一緩衝區 (UB)：196 KB/核心，用於低延遲瓦片運算。
  • 互連：
    • AI核心之間：512 GB/s雙向網狀網路。
    • 主機-NPU通訊：PCIe 4.0 x16 (64 GB/s)。
    • 多節點叢集：透過PCIe或TCP上的HCCL (Huawei Collective Communication Library) 實現分散式通訊。
  • 製程與封裝：昇騰910C採用中芯國際的7奈米 (N+2) 製程，擁有530億個電晶體。它採用雙晶片封裝設計，將兩顆昇騰910B晶片整合在一起，類似於NVIDIA B200的設計，透過有機基板連接兩個獨立的晶片中介層。
  • 記憶體：整合HBM2e高頻寬記憶體，總頻寬約3.2 TB/s，容量128 GB。
  • 軟體棧：支援華為的MindSpore深度學習框架和CANN (Compute Architecture for Neural Networks) 運算架構，提供自動並行、模型並行和混合並行能力，以高效訓練大型模型。
  • 系統級整合：昇騰910C是華為CloudMatrix AI資料中心架構的核心，該架構可將384顆昇騰910C NPU與192顆鯤鵬CPU等硬體組件整合到統一的超級節點中，透過超高頻寬、低延遲的統一匯流排 (UB) 網路互連。

🔮 前景展望AI analysis grounded in cited sources

中國AI晶片自給自足能力顯著提升
昇騰910C成功完成1.6兆參數模型的全參數後訓練，證明了中國國產AI硬體已能支援超大規模模型的深度訓練任務，降低對進口晶片的依賴。
華為在中國AI晶片市場的主導地位將進一步鞏固
隨著美國對NVIDIA等公司實施出口管制，以及中國政府對國內AI晶片的採購支持，華為昇騰系列晶片在中國市場的市佔率預計將大幅增長。
中國AI生態系統將加速發展
昇騰910C的成功以及華為持續推出新一代AI晶片的計畫，將鼓勵更多中國企業和研究機構基於國產硬體和軟體（如MindSpore）進行AI模型開發和創新。

⏳ 時間線

2018-10
華為首次公佈AI戰略並發布昇騰910和昇騰310 AI晶片。
2019-08
華為正式推出昇騰910 AI處理器。
2020-09
華為因美國制裁失去台積電先進製程代工能力。
2022
華為推出第二代昇騰910B晶片，採用中芯國際7奈米製程，性能有所提升。
2025-05
昇騰910C晶片開始大規模出貨，旨在替代NVIDIA在中國市場的AI晶片。
2026-06
華為與深圳河套學院等聯盟利用昇騰910C完成1.6兆參數DeepSeek-V4-Pro模型的全參數後訓練。
🐼閱讀原文： Pandaily
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #china-tech

同產品

更多關於 ascend-910c

同來源

最新來自 Pandaily

中國機器人製造商 AgiBot 尋求香港 IPO

中國機器人製造商 AgiBot 尋求香港 IPO

SCMP Technology•Jul 22
Kunlun Tech Mureka V9.5 透過反射推理提升 AI 音樂創作

Kunlun Tech Mureka V9.5 透過反射推理提升 AI 音樂創作

Pandaily•Jul 22

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Pandaily ↗