华为昇腾950超节点正式上市
2026年9月25日，在华为全联接大会2026期间，华为正式发布了Atlas 950 SuperPoD液冷超节点和Atlas 850E风冷超节点，标志着业界最大规模商用超节点正式投入市场。昇腾950超节点采用光互联NPO架构，将超节点从电信号推进到光信号时代，为万亿参数模型的训练和推理提供强大算力支撑。
这一发布是国产算力自主路线上的标志性一步。在美国持续限制高端AI芯片出口的背景下，华为昇腾系列正成为国内AI训练和推理的主力算力选择之一。
光互联NPO架构的技术突破
传统超节点采用电信号互联，随着GPU数量增加，电信号在铜线中的衰减和延迟成为制约集群规模的瓶颈。华为昇腾950超节点采用光互联NPO（Near Package Optics）技术，用光纤替代铜线进行芯片间数据传输，大幅降低了信号衰减和传输延迟。
光互联的引入使得超节点可以支持更大规模的GPU集群。据华为官方介绍，Atlas 950 SuperPoD支持千卡级昇腾950芯片的互联，集群内双向带宽达到TB级，延迟降低至微秒级。这种通信能力的提升对于需要大规模数据交换的AI训练任务至关重要。
液冷与风冷双版本的市场策略
华为同时推出了液冷版（Atlas 950 SuperPoD）和风冷版（Atlas 850E）两种超节点产品，针对不同部署环境的需求。液冷版适合大规模数据中心部署，散热效率更高，支持更高密度的GPU配置；风冷版则更适合传统机房环境，部署门槛更低。
这种双版本策略体现了华为对国产算力市场多元化需求的深入理解。大型互联网企业和AI实验室可以选择液冷版获得极致性能，而中小企业和高校研究团队则可以通过风冷版以更低的成本接入国产算力生态。
国产算力生态的快速发展
昇腾950超节点的发布是国产算力生态快速发展的一个缩影。2026年以来，国产AI芯片和算力基础设施领域迎来了密集的产品发布。从华为昇腾950到燧原科技的新一代推理卡，从壁仞科技的BR系列到摩尔线程的MTT S系列，国产算力正在形成从训练到推理、从云端到边缘的完整产品矩阵。
据戴尔科技首席运营官Jeff Clarke近日表示，代理AI通过承担更多工作任务，持续推高计算和存储需求。到2030年，数据中心算力预计新增200吉瓦，推理Token生成量增长87倍。这为国产算力厂商提供了巨大的市场空间。
国产AI算力使用中的网络接入需求
随着国产AI算力生态的成熟，越来越多的开发者和企业开始同时使用国产和海外AI模型服务。在实际工作中，开发者可能需要在昇腾集群上训练模型的同时，调用GPT-6或Claude的API进行推理和评测。这种混合使用模式对网络基础设施提出了新要求。
小飞鱼加速器专为开发者和企业用户打造轻量快速的网络加速方案。针对同时使用国产和海外AI服务的场景，小飞鱼加速器提供了智能路由功能，自动为国内AI服务选择直连线路，为海外AI服务选择加速线路，确保两类服务都能获得最佳访问体验。操作简单，即开即用，访问feiyu.info了解更多。
昇腾950超节点的应用场景
昇腾950超节点主要面向大模型训练和大规模推理场景。在训练方面，千卡级昇腾950集群可以支撑千亿参数级别的大模型全量训练，满足国内AI实验室和高校的科研需求。在推理方面，超节点的高带宽和低延迟特性使其适合处理大规模并发推理请求。
华为已与多家国内AI企业合作，基于昇腾950超节点进行模型训练和部署。包括智谱GLM系列、百川大模型、面壁MiniCPM等国产模型都在昇腾算力上进行了训练或适配。这种国产算力+国产模型的组合正在形成闭环生态。
开发者如何高效使用混合AI算力
对于国内开发者而言，同时使用昇腾算力和海外AI API已成为日常工作模式。小飞鱼加速器的轻量快速特性使其特别适合开发者使用。安装后无需复杂配置，系统自动识别AI服务类型并选择最优线路。
实测数据显示，使用小飞鱼加速器后，开发者调用海外AI API的平均延迟降低65%，国内AI服务的访问速度也有15%-20%的提升（通过优化路由）。即开即用的设计让开发者在切换不同AI服务时无需手动调整网络配置。开发者可通过feiyu.info快速接入。
国产算力自主路线的未来展望
华为昇腾950超节点的正式上市，标志着国产算力在超大规模集群领域取得了重要突破。光互联NPO技术的应用使国产算力在通信架构上实现了从追赶到并行的转变。随着更多国产AI芯片和算力基础设施的投入市场，中国AI产业的自主能力将持续增强。
在这一进程中，轻量快速的网络加速方案将成为开发者和企业高效使用混合AI算力的重要支撑。小飞鱼加速器凭借操作简单、即开即用的产品特性，正在为越来越多的开发者提供AI时代的网络加速保障，助力用户在国产算力快速发展的浪潮中提升工作效率。
光互联技术对AI训练效率的影响
华为昇腾950超节点采用的光互联NPO技术，对AI训练效率有着深远影响。在传统的电信号互联架构中，随着GPU数量增加，铜线传输的信号衰减和延迟成为瓶颈，导致集群扩展到一定规模后通信开销急剧增加。光互联通过使用光纤替代铜线，将信号传输损耗降低到几乎可忽略的水平，使得大规模GPU集群的通信效率大幅提升。
实际测试数据显示，采用光互联后，千卡级集群的全互联训练效率提升了约40%，这意味着相同的训练任务可以在更短时间内完成，或者相同时间内可以训练更大规模的模型。对于国产大模型训练来说，这种效率提升直接转化为研发成本节约和时间优势。
对于使用国产AI算力的开发者来说，训练效率的提升意味着更快的模型迭代速度和更低的研发成本。小飞鱼加速器的轻量快速特性，可以帮助开发者在调用国产AI API和获取海外技术资料时都获得流畅体验，进一步提升整体研发效率。
国产算力与海外AI服务的混合使用策略
随着国产算力生态的成熟，越来越多的国内开发者采用”国产训练+海外推理”的混合策略。在昇腾950等国产算力平台上进行模型训练和微调，然后通过API调用GPT-6或Claude等海外模型进行对比评测和实际推理。这种策略既利用了国产算力的成本优势，又保持了与全球最先进模型的对标能力。
混合使用策略的关键在于网络基础设施的支撑。开发者需要同时访问国内AI服务平台和海外API节点，两类服务对网络的要求不同。小飞鱼加速器的智能路由功能能够自动识别服务类型并选择最优线路，国内服务走直连优化线路，海外服务走加速线路，确保两类服务都能获得最佳访问性能。
从实际使用反馈来看，采用小飞鱼加速器后，开发者在混合使用国产和海外AI服务时的整体工作效率提升了约30%。即开即用的设计和轻量快速的加速效果，使得开发者可以专注于模型研发，无需为网络连接问题分心。这种简洁高效的体验正是小飞鱼加速器的核心价值所在。