《对华为半导体首席科学家廖恒的 5 小时访谈》核查：系统竞争方法论与三类需要折价的判断

对一场约 4 小时 38 分钟长访谈的独立核查。访谈表层讲昇腾史与全球芯片三十年，真正建立的是一套「当工艺、单芯片性能和软件生态都处于劣势时，重新定义竞争单元」的方法论。这套方法论的技术洞见很强，企业史具有一手资料价值；但具体性能比较、国家实力判断和未来时间预测需要显著折价。

分析对象：廖恒（华为半导体首席科学家）访谈，《一部昇腾史、18 层宝塔与全球芯片恢弘 30 年史诗》（B 站 × WAIC AI 会客厅），Bilibili

分析基准日：2026 年 7 月 27 日

阅读说明：本文依据访谈字幕整理核查。字幕存在大量自动转写错误，已按技术语境校正（「生藤」为昇腾、「Kent」为 CANN、「Kuda」为 CUDA、「Pytouch」为 PyTorch、「HPM」为 HBM），不逐字纠错。原始核查中的来源引用在导出过程中丢失了可解析链接，仅余无法还原的内部标记，已一并清除；因此文中转述的公开数据应视为核查时点的二手陈述，直接引用前请自行复核原始出处。判断为独立观点，不代表廖恒本人或华为立场。与本站既有分析（DeepSeek 首轮融资解读、《AI 时代的技术浪潮、资本周期和财富机遇》核查）互补：本文覆盖算力与系统工程侧；前者覆盖模型实验室的战略侧；后者覆盖同一产业叙事的资本周期侧。

一、核心结论

这场访谈表面讲的是昇腾芯片和全球半导体史，真正试图建立的是一套华为式技术竞争方法论：

当制造工艺、单芯片性能和既有软件生态都处于劣势时，不在对手定义的单点指标上硬拼，而是重新定义竞争单元，从「芯片」上移到「超节点、数据中心、软件栈和全系统协同」。

这是访谈最有价值的部分。它较完整地解释了华为为什么强调超节点、光互联、HBM、CANN 开源、模型适配和软硬件协同。但它同时也是一份具有强烈组织立场的战略叙事。

最准确的阅读方式是：

二、访谈真正讲了四个问题

其主线不是单纯回顾产品，而是逐步证明三个命题：

1. 芯片竞争已经从单芯片竞争转向系统竞争。
2. 工艺落后可以被架构、互联、软件和规模部分补偿。
3. 中国必须建立区别于 CUDA 体系的独立技术栈。

前两个命题总体成立，但「可以补偿」不等于「已经补齐」；第三个命题具有明显的产业战略和地缘政治立场。

三、「18 层宝塔」是系统思维工具，不是严格技术模型

廖恒所说的「18 层宝塔」，大致是把 AI 产业理解为一座从底层向上构建的体系：

矿产和材料 → 器件物理 → 半导体设备与工艺 → 封装与存储 → 芯片架构 → 互联与系统 → 编译器和软件栈 → 算法与模型 → 应用和商业服务。

其核心并不在「18」这个数字，而在三个观点。

第一，性能瓶颈会在不同层之间迁移。 先进制程不足时，瓶颈可能转移到封装、HBM、互联、功耗或软件利用率；模型从稠密 Transformer 转向 MoE 后，问题又从纯计算量转向通信和访存。因此不能孤立优化芯片。

第二，真正稀缺的是跨层连接能力。 每一层都有专业人才，但能够理解「模型变化如何影响编译器、芯片、存储和互联」的人更少。访谈反复强调「搭桥者」，本质上是在强调系统架构师和软硬件协同能力。

第三，最优设计不是每层分别最优，而是全局经济性最优。 单颗芯片性能更高，并不意味着训练或推理的总体成本更低；同样，堆叠更多芯片获得总算力，也不意味着功耗、可靠性和运维成本可接受。正确评价对象应包括：

• 每美元有效 Token；
• 每瓦有效 Token；
• 集群利用率；
• 故障恢复时间；
• 模型迁移成本；
• 达到目标性能所需的工程周期。

局限性也很明显。 访谈没有真正逐项定义 18 层，也没有给出各层之间可验证的关系。因此「18 层宝塔」更接近一种认知隐喻，而不是可以直接用于工程设计的严格框架。它还相对弱化了资本、标准、知识产权、出口管制、能源、网络安全和客户组织能力等非技术因素。

更深一层看，这套框架也为华为的高度垂直整合提供了理论正当性：既然所有层都相互依赖，企业就有理由尽可能掌握更多层。但这一步推理并不成立：

「需要协同」不等于「必须由同一家公司全部控制」。

开放标准、模块化接口和产业分工同样可以实现协同。

四、昇腾史的核心不是技术胜利，而是问题定义发生了变化

访谈中最有洞察力的对比，是昇腾 910 与 950 所处环境的反转。

因此，950 时代的目标不再是「造出参数最漂亮的芯片」，而是：

用现实可获得的工艺和部件，构建能够真实运行主流模型、满足客户吞吐量和成本要求的系统。

其底层逻辑可以归纳为：

制程与单芯片劣势
      ↓
提高芯片数量和互联规模
      ↓
建立统一内存与高速互联
      ↓
通过超节点降低通信瓶颈
      ↓
针对模型进行编译器和算子优化
      ↓
用系统级吞吐量弥补单芯片差距

华为后来公开的 CloudMatrix384 和 Atlas 950 SuperPoD，基本延续了这一路线。CloudMatrix384 由 384 颗昇腾 910C 及 192 颗鲲鹏 CPU 组成，通过 Unified Bus 进行全互联，并针对 DeepSeek-R1 推理设计了 Prefill、Decode 和缓存分离架构。该论文由华为团队发表，能够证明系统架构和内部测试结果，但仍属于厂商自测，而非完全独立验证。

截至 2026 年 7 月，华为公开展示了 1024 卡昇腾 950 超节点真机，并宣称 Atlas 950 SuperPoD 最终可通过 UnifiedBus 扩展至 8192 颗 NPU；同时披露昇腾 384 超节点已部署 750 余套，CANN 社区开源代码超过 1244 万行、月活跃开发者超过 3500 人。这些数据说明系统路线已从概念进入部署阶段，但仍主要来自华为自身披露。

五、访谈中最有价值的六个技术判断

1. 推理不能被视为缩小版训练

访谈指出：

• Prefill 阶段处理整段输入，通常更偏计算密集；
• Decode 阶段逐 Token 生成，通常更受 HBM 带宽和访存限制；
• 因而训练芯片、Prefill 芯片和 Decode 芯片未必应采用完全相同的资源配置。

这是重要判断。近年来的专用推理架构研究也普遍把 Prefill 视为计算密集型、Decode 视为带宽受限型，并尝试为两个阶段分别设计硬件。

但这一结论不能机械化。批量大小、模型结构、MoE 路由、KV Cache、MLA、量化和推理框架都会改变瓶颈。更严谨的表达是：

Decode「经常」受内存带宽限制，而不是在所有工作负载下都必然受带宽限制。

2. 互联的关键不只是峰值带宽，而是交易粒度和延迟

访谈用大数据块和小数据块传输作对比：某些互联在传输大块数据时效率很高，但 MoE 专家路由、分布式 KV Cache 和小粒度 Token 通信需要更低延迟、更小交易粒度。

这解释了为什么 AI 超节点不能只比较「总带宽」，还需要比较消息启动开销、小包有效带宽、集合通信效率、全互联拓扑、内存寻址方式、通信与计算重叠能力。这是比单纯比较 FLOPS 更成熟的系统视角。

3. 「面积增长、周长不足」是芯片扩展的重要物理边界

廖恒用几何关系说明：

• 芯片计算资源大致随面积增长；
• HBM、供电和外部 I/O 主要通过芯片边缘接入；
• 面积按平方增长，而周长近似线性增长；
• 因而继续扩大单 Die 或复杂封装，最终会受到 I/O、供电和散热限制。

这个解释虽然进行了简化，但准确抓住了现代 AI 芯片的核心矛盾：计算单元增加速度可能快于数据和能源输入能力。

华为由此选择把更多压力转移到光互联和分布式超节点，而不是无限追求单机柜密度。这是一种合理架构选择，但其代价是更多光模块、网络设备、布线、功耗和故障点。

4. 系统扩展可以补偿芯片劣势，但不能消除效率差距

独立分析认为，CloudMatrix384 通过使用更多 910C 芯片和大规模光互联，在总算力、总内存和总带宽等部分指标上可以超过英伟达 GB200 NVL72；但系统功耗约为后者的数倍，每单位算力的能效仍明显落后。

因此访谈中「用系统弥补工艺」的表述应拆成两部分：

• 能力层面成立：能够运行大型模型、获得可用吞吐量；
• 经济层面尚未完全证明：功耗、空间、光模块数量、可靠性和维护成本可能显著增加。

最关键的判断是：

单芯片落后不等于系统不能竞争；但系统能够运行，也不等于总体经济性已经领先。

5. 开源的本质是扩大组织沟通带宽

访谈将开源解释为一种「扩大通信带宽」的机制，这比通常的「免费提供代码」理解更深。

闭源体系中，硬件团队无法直接了解开发者在什么地方失败；开源后，Issue、代码提交、测试用例和模型适配过程都会形成结构化反馈。AI 编程工具还可以使用这些公开代码理解平台。

这对 CANN 尤其重要，因为它面对的真正障碍不是「能不能编译一个程序」，而是算子是否完整、模型是否能直接运行、分布式训练是否稳定、性能调优是否容易、错误是否可诊断、老版本能否兼容、社区是否有足够工程知识。

华为目前已将 CANN 进一步开源，并宣布支持 Triton、TileLang、PyTorch、vLLM 和 verl 等项目，方向上与访谈一致。

6. 「不要同时挑战二十个物理极限」是成熟工程原则

访谈认为，一个系统可以选择挑战五个最有价值的难题，但如果同时挑战芯片面积、封装、供电、散热、光学、材料和机械可靠性等二十个边界，失败概率会迅速上升。

这背后是典型的系统工程逻辑：

每增加一个未经充分验证的新变量，组合风险不是线性增加，而可能相互放大。

因此华为不追求所有局部指标同时极致，而是优先选择能够真正改变系统能力的少数突破点。这比「所有参数都必须领先」的营销式设计更加现实。

六、最需要质疑的五个判断

尤其需要修正的是「CUDA 壁垒快速消失」。

Triton、TileLang 和更高层的编译抽象确实使同一模型更容易迁移到不同硬件；MegaKernel 和算子融合也把优化接口逐渐向上移动。相关研究表明，Triton 可以在不同 GPU 平台上获得接近专用实现的性能，但往往仍需大量自动调优和系统集成。

CUDA 的壁垒不仅是编程语言，还包括：

• cuBLAS、cuDNN、NCCL 等成熟库；
• Nsight 等分析和调试工具；
• 驱动和版本兼容机制；
• 分布式训练框架；
• 大量历史代码；
• 工程师经验；
• 云服务和整机生态；
• 生产环境可靠性。

英伟达长期维护驱动与 CUDA 工具包的向后和部分向前兼容，这种「旧代码仍然可以运行」的能力，本身就是高价值生态资产。

一项 2026 年针对昇腾实际部署的现场研究称，为使两个复杂推理任务可靠运行，团队需要修改 12 处插件源码，并关闭部分高吞吐功能以保证数值正确性；研究还指出算子覆盖、并行稳定性、可观测性和生态碎片化等问题。不过这只是单一团队、有限工作负载的研究，不能代表整个昇腾生态。

因此更准确的结论是：

CUDA 的低层编程锁定正在减弱，但其系统生态、兼容性和工程知识壁垒仍然很强。

七、这场访谈也是一套精心构建的华为叙事

访谈不是纯技术讨论，它通过四个叙事转换重新定义了华为的竞争位置。

1. 从「受限制」转换为「被迫创新」。 外部限制首先是劣势，但访谈将其解释为摆脱路径依赖、重新思考架构的催化剂。这有一定道理，但需要防止因果倒置：

约束可能迫使创新，但约束本身从来不是优势；只有约束最终被转化为可量产、可维护、可盈利的产品能力，才构成优势。

2. 从「单芯片落后」转换为「系统指标领先」。 比较对象从单颗芯片变成 384 卡、1024 卡甚至 8192 卡超节点。在系统竞争时代，这种转换是合理的；但如果只展示总算力而不展示功耗、占地、价格和故障率，也可能成为选择性比较。

3. 从「兼容 CUDA」转换为「建立不同路线」。 CANN 一方面必须兼容 PyTorch、主流模型和既有开发习惯，另一方面又要摆脱 CUDA 定义的架构。这形成一个真实张力：

• 没有兼容性，无法获得用户；
• 只有兼容性，永远跟随对手；
• 因而需要「兼容存量 ＋ 重构未来」的双轨策略。

这也是访谈中最真实、最困难的战略问题。

4. 从企业产品竞争上升为国家技术道路。 后半段大量讨论中美竞争、中国人才和「押注中国」。这能够解释团队的使命感，但也使部分产业判断被赋予道德和国家叙事，降低了分析的中立性。

尤其是战争、牺牲和生存类比，能够强化组织动员，却容易使技术选择变得不可质疑。工程决策最终仍必须接受成本、可靠性、客户采用和市场回报的检验。

八、访谈内部存在四组重要张力

开放生态与垂直整合。 访谈反对封闭垄断、强调开源，但华为自身又在构建从 CPU、NPU、互联、操作系统到编译器的完整栈。开放代码不必然意味着开放治理，也不必然避免平台锁定。

客户需求与前瞻判断。 一方面强调「为客户解决真实问题」，另一方面又说芯片架构师必须生活在客户未来三至四年。客户只能描述当前痛点，无法完整定义未来产品，因此最终仍依赖少数架构师和管理者的判断。

集体主义与关键个人判断。 廖恒多次弱化个人贡献、强调集体，但访谈中的关键转折又经常来自少数领导者重新定义问题。复杂技术组织既需要集体执行，也高度依赖少数人做出不可逆的长期判断。

反垄断叙事与规模经济。 访谈批评平台垄断压缩供应商利润和创新空间，但先进芯片、云计算和大模型本身又具有极强规模经济。未来更可能出现新的平台竞争和寡头结构，而不是自然回归完全分散的生态。

九、对廖恒本人思维方式的判断

从访谈呈现看，他的核心优势不是某一个局部技术，而是三种能力。

第一，物理约束思维。 先问能量、带宽、面积、周长、散热和可靠性边界，再讨论架构，而不是从流行产品形式倒推设计。

第二，问题定义能力。 他反复强调「先确认要抓什么老鼠，再设计捕鼠器」。这意味着技术优化必须服务于明确的系统目标，不能把 benchmark 本身当作目标。

第三，从失败中更新认知。 他公开承认曾反对 ARM 服务器和高端昇腾训练芯片，后来证明判断错误。其总结是：局部经济逻辑可能正确，但宏观技术转折会改变问题本身。

这部分比成功故事更有价值，因为它揭示了长期芯片决策的本质：

架构师不是准确预测某个产品，而是识别哪些未来变化一旦发生，就会使当前看似不经济的选择变得必要。

其风险则是，强烈的系统信念容易进一步演化为宏大叙事，使趋势判断被表达成历史必然。

十、综合评价

最终判断。 这场访谈最值得保留的，不是「华为一定能赢」「CUDA 即将失去壁垒」或「物理 AI 两三年爆发」等结论，而是下面这套方法：

从真实工作负载出发，识别系统中的物理和经济瓶颈；不要把竞争单位限定为单颗芯片；通过跨层协同重新配置计算、存储、互联和软件；同时把兼容现有生态与建立差异化架构分成两条路线。

但必须同时保留另一半判断：

系统创新可以改变竞争方式，却不能自动消除工艺、能效、软件成熟度和供应链上的差距。华为路线是否最终成立，不取决于超节点规模或发布会参数，而取决于长期可验证的客户采用、有效 Token 成本、系统可靠性、开发迁移成本和持续量产能力。