[智能应用]芯片问题不用担心，华为是如何应用“系统论”的？[5P] [复制链接]

“芯片问题其实没必要担心，用叠加和集群等方法，计算结果上与最先进水平是相当的。”近期，华为总裁任正非的一次公开发声，增强了社会各界对中国AI发展的信心。
我们都知道，中国已经形成了“百模千态”的大模型产业，有多个大模型走在全球前列。但无论AI产业如何发展，算力都是驱动模型演进的根本动力。随着外部技术封锁步步紧逼，国产算力能否担当大用？是否只能做推理而不能做复杂训练？很多人其实心里没底。
“我们单芯片还是落后美国一代，我们用数学补物理，非摩尔补摩尔，用群计算补单芯片，在结果上也能达到实用状况。”任正非的公开发声，给国内AI产业吃下了一颗“定心丸”。
带着对国产算力发展的关心，观察者网与华为2012实验室的技术专家的做了一次交流，我们了解到，昇腾算力不仅实现推理性能全球领先，同时系统稳定性也保持在高水平，能高效训出世界一流的万亿参数大模型。尤其是CloudMatrix 384超节点技术，以系统补单点，从堆芯片到拼架构，核心指标比肩英伟达，成为中国AI发展的坚实算力底座。
芯片问题为何不用担心？
在外部制裁围堵下，芯片问题就像“达摩克里斯之剑”一样，一直悬在中国产业界头上。尤其随着中美AI竞争愈发激烈，美国一方面竭力遏制中国先进芯片制造的能力，另一方面又不断收紧对英伟达高端芯片的出口管制，试图让中国AI产业在“算力囚笼”中止步不前。
但危中也有机。行业的发展趋势是，当Transformer这样的大型神经网络模型横空出世，万亿参数模型开始涌现，对算力和显存的需求呈爆炸式增长，单个GPU甚至单个服务器都难以招架，集群算力成为大势所趋，这也给中国用系统方法解决算力困境带来契机。
说起“系统论”，老一辈中国人可能并不陌生。钱学森的《论系统工程》，核心思想就是把研究对象看做一个整体而不是孤立的点，通过整体优化弥补单点落后。
华为制裁中突围，正是受到系统工程的启发。技术专家对观察者网表示，算力基础设施是复杂的系统，华为把各个部分打通了，在内部组织了算力会战，把华为云、模型、底座、芯片、硬件工程、基础软件的研发力量集结在一起，跨部门作战，深度协同。这样的环境和机制，能够产生协同效应和系统工程的整合，实现了“大杂烩”技术的有效利用和协同创新。
基于系统工程，华为构建了巨型算力基础设施CloudMatrix 384超节点，通过全对等高速互联架构，让384张昇腾卡可以像一台计算机一样工作。它的算力总规模达300Pflops，是英伟达旗舰NVL72的1.7倍；网络互联总带宽达269TB/s，比英伟达NVL72提升107%；内存总带宽达1229TB/s，比英伟达NVL72提升113%。更关键的是，它还能扩展为包含数万卡的Atlas 900 SuperCluster超节点集群，未来可以支撑更大规模的模型演进。
“超节点是复杂系统，单卡的技术指标并不代表系统的效能，我们‘系统工程’，要达到的是系统最佳，而不是单点最强。解决这些超复杂系统的问题需要懂理论，如系统论，控制论，信息论，计算数学等；同时，我们通过数学的方法对计算系统进行建模、仿真，想办法把每一部分都用起来，做到不浪费，各个部分完美配合，高效协同。”华为技术专家表示。
我们都知道，芯片制造遵循着“摩尔定律”，但前提是获取先进的设备材料。在制裁围堵下，华为通过复杂系统优化，实现了“非摩尔补摩尔”的效果，让单芯片短板不再是制约。
华为技术专家指出，单芯片制程从7纳米到5纳米、3纳米、2纳米，每代性能提升不超过20%，总体能提升50%左右。华为通过高效的超节点系统，提升了芯片算力利用率。“MoE大模型训练，我们以前MFU（模型算力利用率）是30%，业界也是差不多这个水平，我们最新公布的数据提升到41%，实验室是45%多。从30%提升到45%，利用率相当于提升了50%。在硬件什么也没有改变的情况下，通过系统工程的优化，资源的高效调度，一定程度弥补了芯片工艺的不足。”
“西方不断打补丁，我们重新定义架构”
华为被制裁的这几年，算力产业其实也处在变革过程中。
随着大模型Scaling Law（尺度定律）的持续演进，整个AI行业产生了巨量算力需求。但是传统的计算集群已经出现瓶颈，无限制的堆卡并不能带来算力的线性提升，反而会产生“内存墙”、“规模墙”和“通信墙”的问题。这是因为在集群内部，算力卡之间和服务器之间并不是独立工作，而是需要边计算边“沟通”，如果通信能力跟不上，就会出现算力闲置。
过去8年间，单卡硬件算力增长了40倍，但节点内总线带宽只增长了9倍，跨节点的网络带宽只增长了4倍，这使得集群网络通信成为当前大模型训练和推理的最大挑战。因此如果不能提升通信效率，单纯把384张昇腾卡堆起来，计算效果并不一定就比72张英伟达卡更好，因为卡间和服务器间的通信开销会抵消算力增加的收益，导致有效算力不升反降。
作为算力产业先行者，英伟达早早意识到这个问题。黄仁勋的做法是，把之前消费级显卡上的NVLink技术移植到计算集群中，相当于给GPU之间搭建一条“专用超宽车道”并且把多颗GPU、CPU、高带宽内存、NVLink/NVSwitch等高度集成，打造了NVL72超节点。
但问题是，NVLink只能用于英伟达自家GPU之间的通信，节点内的NPU、FPGA等非GPU异构硬件，并不能走这条“超宽车道”，还是要通过效率较低的PCIe协议走CPU中转，同时节点之间通过以太网/InfiniBand等协议跨机互联，在巨量计算中也存在带宽堵点。
不同于这种做法，华为CloudMatrix 384超节点对计算架构进行重构，彻底打破了传统以CPU为中心的冯诺依曼架构，创新提出了“全对等架构”。它通过3168根光纤和6912个400G光模块构建了高速互联总线，并把总线从服务器内部扩展到整机柜、甚至跨机柜，最终将CPU、NPU、DPU、存储和内存等资源全部互联和池化，这样做就能去除掉了繁多的中转环节，从而实现真正的点对点互联，进而实现更大的算力密度和互联带宽。
“西方是继承发展，任总形象地比喻为‘百纳衣’，就是衣服破了以后不断地打补丁，协议不同，互通要转换的，包头套包头，有效载荷就很小了。我们重新定义了对等的架构，统一了所有的通信协议，互通就不需要转换，提升了有效载荷。”华为技术专家对观察者网说道。
“打铁还需自身硬，充分满足国内需要”
华为构建了这么强大的昇腾算力，实际应用效果怎么样？尤其是在英伟达高端算力被封锁的情况下，昇腾算力到底能不能给中国AI发展带来底气和信心？这是行业内外真正关心的。
关注产业发展的估计都注意到了，华为从5月中旬开始密集披露一批技术报告。从中不难发现，昇腾算力不仅能够支撑工业级推理能力，实现Day0迁移、一键部署，还高效训练出了72B、718B等不同尺寸的盘古大模型。同时公布了盘古Ultra MoE模型架构和训练方法的技术报告，披露大量技术细节，充分展现了昇腾在超大规模MoE训练性能上的跨越。
相比推理，大模型训练对算力基础设施的要求更高。在单芯片落后一代的情况下，系统工程依然是华为突围的抓手。比如在超大规模MoE模型训练过程中，面对系统拥塞、资源不匹配的问题，华为创造性地对计算、内存、通信的极致优化调度，并结合昇腾特点的亲和设计和数学算法创新，实现了超级并行，获得“动态指标”的提升。例如万卡昇腾集群上，训练做到了万卡集群41%的算力利用率，98%的集群可用性，95%的线性度，这些都是用户使用中能感受到的真实算力。
坦白讲，大规模计算集群最终比拼的就是综合能力，而不是单芯片能力。比如在散热这块，大量芯片堆在一起会产生巨大热量，散不出去的话就会导致系统瘫痪。再比如在光通信领域，光纤虽然有高带宽和高速率的优势，但功耗高且比较脆弱，一个小问题都可能导致系统断联。
“追求整体最优，系统工程是每个厂商追求的目标，就看能不能做到。超节点架构要全互联、不收敛、大带宽、低时延，还要有软件系统把资源管理起来，实现超级并行和高效调度，要让系统平稳工作，需要有大动态的供电，高效的散热等硬件工程能力。”华为技术专家说道。
华为几十年在电子信息领域，尤其是硬件工程和基础软件方面有很深的积累，不仅在光通信领域领跑行业，并且散热工程也是行业最强，有能力把复杂系统做好。大概10年前，华为就在海外设立研究所，专门研究热理论和热工程，86个实验室中有一个是热学实验室，不管是液冷还是风冷，已经是业界最领先的水平，这些都成为大规模训练高可靠的坚实保障。
在云计算中心，华为云为超节点配备了全科专业医生“昇腾云脑”，还打造了恒温“训练基地”，采用液冷冷板散热技术，让冷媒直接接触发热部件，散热效率比传统风冷提升了50%。再加上iCooling智能温控系统，每五分钟动态调整策略，无论外部温度怎么变化，都能让数据中心保持最佳状态。最终，数据中心的能效比PUE做到1.12，比行业平均节能70%。
“竞争力要上去，最终打铁还需自身硬。我们会充分满足国内客户的需要，不会掉链子。”华为技术专家对观察者网表示，“我们的理念也是这样，通过实实在在的技术改进，把竞争力提上去，让客户用起来、用好，这是我们努力的方向。最困难的时候已经过去了，这次披露也让大家感受到了我们的开放和进步，增强客户对我们的信心。”
“开放会使我们更加进步”
在行业中，华为是少有的既做算力基础设施，又做基础大模型的。这样的优势是，模型和算力底座团队可以深度协同，通过模型的训练，发现其中的挑战和算力问题，牵引算力改进，算力改进又支撑模型训推的进步。这样的牵引和支撑驱动机制，更容易发现深层次的问题。
华为同时也是开放的。技术专家对观察者网坦言，昇腾算力支持“百模千态”，包括千问、DeepSeek等国内大模型都开放支持，华为把训练盘古过程中的创新技术和方案毫无保留地披露出来，有相关的代码、技术文档，还派专家到现场去支持客户，支持他们用好昇腾。
“我们大模型toC应用是使能华为手机竞争力的提升为主；toB行业像矿山、钢铁、电力、交通、能源、医疗、金融、港口等是我们的主战场，跟客户没有利益冲突关系，所以客户也不担心。”华为技术专家坦言，在行业智能化应用方面，华为重点聚焦关系到国计民生的国家“关基行业”，同时各行各业的需求也都会全力满足，支持好中国在AI时代的算力需求。
不仅对客户保持开放，华为也对开发者和高校深度开放底层能力。比如昇腾异构计算架构CANN，坚持深度开放策略，一开始就支持PyTorch、TensorFlow等业界开源的框架，目前深度贡献开发者已有6000多人，通过在操作系统、算子算法、整图优化及加速库等各个层面持续创新，与互联网、运营商、金融等30多个伙伴，开发了260多个高性能算子。
“华为每年在基础研究上投入很大，基础研究我们是很开放的，除了自己研究，也大力资助高校，与高校联合研究和技术合作，‘一杯咖啡吸收宇宙能量，一桶浆糊粘接世界智慧’，不断沉淀组织能力，做到‘根深’。我们的科学家、专家也会深入业务的会战，把理论和技术应用到业务中，创造性解决实际业务难题，提升产品竞争力，创造商业价值，实现‘叶茂’。在华为，我们把研究和创新有机地结合起来，实现‘根深叶茂’。”华为技术专家表示。
“开放会促使我们更加进步。”任正非的这一观点不仅适用于国家，同样适用于企业。可以说，正是坚持开放和创新，才使得华为不断取得技术突破，在单点技术被限制的时候，通过系统工程重获优势。在日益复杂的国际环境下，昇腾算力平台在训练和推理上的亮眼表现，不仅给行业提供了英伟达之外的新选择，也为中国AI产业发展吃下了一颗“定心丸”。

芯片问题之所以不用担心，主要基于以下几个原因：

1. 系统优化弥补单点不足：华为通过系统工程的方法，实现了“非摩尔补摩尔”的效果，即在单芯片技术上可能落后的情况下，通过系统层面的优化来提升整体性能。这种优化包括了对计算、内存、通信的极致优化调度，以及结合昇腾特点的亲和设计和数学算法创新。

2. 群计算补单芯片：面对单个GPU或单个服务器难以处理的大规模神经网络模型，集群算力成为趋势。华为构建了巨型算力基础设施CloudMatrix 384超节点，通过全对等高速互联架构，实现了算力的高效协同。

3. 提升算力利用率：华为通过系统工程的优化和资源的高效调度，提升了芯片算力利用率。例如，在MoE大模型训练中，模型算力利用率从30%提升到45%以上，这在硬件没有改变的情况下，通过系统优化实现了性能的显著提升。

4. 开放合作促进进步：华为坚持开放策略，与合作伙伴、高校等共同研发和创新，共享技术成果，这种开放合作的态度有助于华为不断取得技术突破。

5. 硬件工程和基础软件的深厚积累：华为在电子信息领域，尤其是硬件工程和基础软件方面有很深的积累，这使得华为有能力构建和维护复杂的算力系统。

6. 昇腾算力的实际应用效果：昇腾算力不仅能够支撑工业级推理能力，还高效训练出了不同尺寸的大模型，展现了其在超大规模MoE训练性能上的优势。

综上所述，尽管在单芯片技术上可能存在差距，但通过系统优化、群计算、开放合作等多方面的努力，华为能够有效应对外部技术封锁带来的挑战，并为中国AI产业的发展提供了坚实的算力支持。

华为应用“系统论”解决芯片问题的方式
理论启发与整体思路
华为在解决芯片问题时受到系统工程的启发，钱学森的《论系统工程》核心思想是把研究对象看做一个整体而非孤立的点，通过整体优化弥补单点落后。华为认识到算力基础设施是复杂的系统，在外部制裁围堵、单芯片落后美国一代的情况下，运用“系统论”来突破困境。

内部协同作战
华为把各个部分打通，在内部组织了算力会战，将华为云、模型、底座、芯片、硬件工程、基础软件的研发力量集结在一起，进行跨部门作战与深度协同。这样的环境和机制能产生协同效应和系统工程的整合，实现“大杂烩”技术的有效利用和协同创新。

技术补短板策略
数学补物理
华为提出“用数学补物理，非摩尔补摩尔，用群计算补单芯片”的思路。虽然单芯片还是落后美国一代，但通过数学方法对计算系统进行建模、仿真，让各部分完美配合、高效协同，在结果上达到实用状况。

系统补单点
以CloudMatrix384超节点技术为例，它从堆芯片到拼架构，以系统补单点。该技术的核心指标比肩英伟达，成为中国AI发展的坚实算力底座。其算力总规模达300Pflops，是英伟达旗舰NVL72的1.7倍；网络互联总带宽达269TB/s，比英伟达NVL72提升107%；内存总带宽达1229TB/s，比英伟达NVL72提升113%。并且它还能扩展为包含数万卡的Atlas900SuperCluster超节点集群，未来可支撑更大规模的模型演进。

提升芯片算力利用率
华为技术专家指出单芯片制程每代性能提升有限，而华为通过高效的超节点系统提升了芯片算力利用率。例如在MoE大模型训练中，华为以前MFU（模型算力利用率）是30%，业界也差不多这个水平，最新公布的数据提升到41%，实验室达到45%多，从30%提升到45%，利用率相当于提升了50%。在硬件不变的情况下，通过系统工程的优化和资源的高效调度，一定程度上弥补了芯片工艺的不足。

架构创新应对产业变革
随着大模型Scaling Law（尺度定律）的持续演进，AI行业产生巨量算力需求，传统计算集群出现瓶颈，无限制堆卡会产生“内存墙”“规模墙”和“通信墙”问题。华为重新定义架构，解决集群内部算力卡和服务器通信协调问题，避免算力闲置，适应产业发展需求