华为最新AI论文：昇腾910C集群实战DeepSeek-R1，和英伟达比怎么样？
智东西6月18日报道，6月15日，华为联合硅基流动发布论文《在华为CloudMatrix384上提供大语言模型（Serving Large Language Models on Huawei CloudMatrix384）》。据论文报告，在DeepSeek-R1模型的评估中，应用于华为AI超级节点CloudMatrix384的昇腾910C NPU可实现赶超英伟达H800 GPU的计算效率。
▲论文截图
https://arxiv.org/pdf/2506.12708
CloudMatrix384是华为于2025年4月发布的AI超级节点，是其下一代AI数据中心架构CloudMatrix的首次生产级落地。CloudMatrix384集成384颗昇腾910C NPU和192个鲲鹏CPU，通过超高带宽、低延迟的统一总线（UB）网络互连，从而有效解决传统数据中心架构中常见的可扩展性和效率挑战。
基于CloudMatrix384，华为推出了CloudMatrix-Infer服务解决方案。对DeepSeek-R1模型的广泛评估表明，华为CloudMatrix-Infer的计算效率可超过英伟达H800的表现。
CloudMatrix-Infer在预填充阶段为每颗NPU提供6688tokens/s吞吐，在解码期间为每颗NPU提供1943tokens/s吞吐，同时始终保持每个输出token低于50ms的低延迟。对应的预填充阶段计算效率达4.45 tokens/s/TFLOPS，解码阶段1.29 tokens/s/TFLOPS，这超过了NVIDIA H100上的SGLang和H800上的DeepSeek等领先框架的公布效率。
这样的成绩，也印证了前不久英伟达CEO黄仁勋的判断：虽然（如任正非所说）美国芯片技术比华为领先一代，但人工智能是一个并行问题，如果每台计算机的性能不够强，那就用更多的计算机，华为可以满足中国乃至更多市场的大模型需求。
华为的CloudMatrix架构愿景从零开始重新构想AI数据中心基础设施。通过拆除传统的孤立设计，它支持通过统一的超高性能网络实现CPU、NPU、内存、NIC和其他资源的完全点对点分解和池化，从而为可扩展的AI原生数据中心奠定基础。
▲华为CloudMatrix架构愿景概述
当下，传统的AI集群越来越受到计算强度、内存带宽限制、芯片间通信开销和严格的延迟要求的限制。在实际部署中，人们需要处理各种突发工作负载、可变长度输入和不平衡的专家激活，同时满足严格的服务级别目标，从而进一步加剧了这些挑战。
克服这些限制需要从根本上重新架构、共同设计的硬件和软件堆栈。华为推出了下一代AI数据中心架构CloudMatrix为应对这些挑战提供了解法。
CloudMatrix超越传统的以CPU为中心的分层设计。它促进了所有异构系统组件之间的直接、高性能通信，包括NPU、CPU、DR、SDS、NIC和特定于域的加速器，特别是不需CPU中介。
此架构的核心是超高带宽、低延迟的统一总线（UB）网络，它促进了高效的系统范围数据迁移和协调。CloudMatrix基于此互连基板构建，提供TP/EP的可扩展通信、适用于异构工作负载的灵活资源组合、适用于融合工作负载的统一基础设施、通过分解内存池实现内存类存储四项基本功能，共同定义了AI原生基础设施的新范式。
▲CloudMatrix384超级节点的点对点硬件架构
CloudMatrix384将384颗昇腾910C NPU、192个鲲鹏CPU和其他硬件组件集成到一个统一的超级节点中，通过超高带宽、低延迟的统一总线（UB）网络互连，从而实现接近节点内水平的节点间通信性能。
与传统的分层设计不同，这种架构支持通过UB进行直接的多对多通信，从而允许计算、内存和网络资源动态池化、统一访问和独立扩展。这些架构特性特别有利于通信密集型作，例如大规模MoE专家并行和分布式键值（KV）缓存访问，使CloudMatrix384成为下一代大语言模型服务的可扩展和高性能基础。
为了支持不同的流量模式并保持与传统数据中心网络的兼容性，CloudMatrix384整合了三个不同但互补的网络平面：UB平面、RDMA平面和VPC（虚拟私有云）平面。
但CloudMatrix的长期愿景是将RDMA和VPC平面融合到一个统一的平面中。当前的CloudMatrix384将它们分开，是为了确保与传统数据中心基础设施的向后兼容性。
在硬件组件方面，CloudMatrix384的核心是海思昇腾910C NPU。作为昇腾910B的后续产品，昇腾910C是一种双die封装：两个相同的计算die被共同封装，共享8个封装上的内存堆栈，并通过高带宽交叉die结构连接。
▲昇腾910C芯片的逻辑概述突出双die架构
计算方面，每颗芯片可维持大约376TFLOPS的密集BF16/FP16吞吐量，每个封装的总吞吐量为752TFLOPS；存储方面，昇腾910C封装集成了8个内存堆栈（每个堆栈16GB），提供总共128GB的封装内存（每个芯片64GB）。网络接口方面，每颗昇腾910C裸片与UB平面和DMA平面两个不同的网络平面接口。
聚焦计算节点，CloudMatrix384中的每个计算节点都集成了8个昇腾910C NPU、4个鲲鹏CPU和7个UB交换芯片。
如下图所示，12个处理器（8个NPU和4个CPU）通过UB链路连接到这些板载交换机，在节点内创建一个单层UB平面。每个NPU配置高达392GB/s的单向UB带宽，而每个鲲鹏CPU插槽提供大约160GB/s的单向UB带宽。板载单个UB交换机芯片为超级节点结构中的下一个交换层提供448GB/s的上行链路容量。
▲CloudMatrix384中昇腾910C节点的逻辑概述
只有NPU参与辅助RDMA平面。每个NPU设备为横向扩展RDMA流量提供额外的400Gbps单向链路，每个节点总共产生3.2Tbps的RDMA带宽。
在CPU复合体中，四个鲲鹏CPU插槽通过全网状NUMA拓扑互连，从而在所有CPU连接的DRAM上实现统一的内存访问。其中一个CPU托管节点的擎天卡，这是一个专用的数据处理单元（DPU），不仅集成了高速网络接口，还执行基本的节点级资源管理功能。此擎天卡用作节点的主要南北向出口点，与第三个不同的网络平面（数据中心的VPC平面）接口。
再来看UB交换机系统，CloudMatrix384超级节点跨越16个机架：12个计算机机架，共同托管48个昇腾910C节点（共384个NPU）和4个通信机架。这些通信机架容纳了第二层（L2）UB交换机，用于互连超级节点内的所有节点。
下图说明了板载第一层（L1）UB交换机和机架级L2 UB交换机之间的拓扑结构。该网络设计为无阻塞网络，这意味着在L2交换层没有带宽超额订阅。L2交换机分为7个独立的子平面。每个子平面包含16个L2 UB交换机芯片，每个L2交换机芯片提供48×28GB/s端口。
▲CloudMatrix384中的UB交换机系统
在每个节点内部，7个板载L1 UB交换机芯片一对一映射到这7个L2子平面上。每个L1交换机芯片通过16个链路扇出（一个链路连接到其相应子平面中的每个L2交换机芯片）。此配置可确保节点到L2交换矩阵的聚合上行链路带宽与其内部UB容量精确匹配，从而保持整个超级节点的无阻塞特性。
在软件堆栈方面，华为为昇腾NPU开发了一个全面的软件生态系统，称为神经网络计算架构（CANN）。CANN作为中间软件层，实现了高级AI框架（如PyTorch和TensorFlow）与昇腾NPU的底层硬件接口之间的高效集成。通过将这些框架生成的抽象计算图转换为优化的硬件可执行指令，CANN简化了开发人员与昇腾硬件的交互，促进了软硬件协同设计，并旨在最大限度地提高昇腾架构上的应用程序性能。
CANN软件堆栈由三个主要层组成：驱动程序、运行时和库，这种架构类似于NVIDIA的CUDA生态系统。
▲华为昇腾NPU的CANN软件栈
为了实现云环境中的CloudMatrix384部署，华为云提供了一套复杂的基础设施软件，包括MatrixResource、MatrixLink、MatrixCompute和MatrixContainer，旨在通过标准的云API抽象出硬件复杂性并实现无缝的资源编排。
▲用于部署CloudMatrix384的云基础设施软件堆栈
总之，CloudMatrix384专为提高互连带宽和通信效率而构建，这是扩展大型训练和推理工作负载所必需的核心功能。DeepSeek-R1等大规模MoE模型的出现验证了这一点。
论文展示了DeepSeek模型的适用性分析，主要关注MoE通信、内存可扩展性、高速缓存重用和量化支持四个关键维度。
分析可得，CloudMatrix384的架构，包括其大规模NPU计算、广泛的内存容量、高带宽UB互连和基于DRAM池的缓存，与DeepSeek这样的大语言模型服务的需求紧密结合。这些协同作用为后续部分中介绍的优化推理架构提供了坚实的基础。
为了充分利用CloudMatrix384的能力，华为提出了CloudMatrix-Infer，这是一个全面的大语言模型服务解决方案，为部署DeepSeek-R1等大规模MoE模型建立了实践参考。
▲跨AI软件堆栈的多个层提出的优化技术
CloudMatrix-Infer包含三项核心创新：
首先，华为设计了一个点对点服务架构，将预填充、解码和缓存分解到独立可扩展的资源池中。与现有的以KV cacheCentric架构不同，这种设计支持通过UB网络对缓存数据进行高带宽、统一访问，从而减少数据局部性限制，简化任务调度，并提高缓存效率。
其次，华为设计了一个大规模的专家并行（LEP）策略，利用UB网络实现高效的token调度和专家输出组合。该策略支持非常大的EP度数，例如EP320，使每个NPU芯片能够只托管一名专家，从而实现低解码延迟。
最后，华为提出了一套为CloudMatrix384量身定制的硬件感知优化，包括高度优化的算子、基于微批处理的流水线和INT8量化，以提高执行效率和资源利用率。
对DeepSeek-R1模型的广泛评估表明，CloudMatrix-Infer实现了卓越的吞吐量。
其在预填充阶段为每个NPU提供6688tokens/s，在解码期间为每个NPU提供1943tokens/s，同时始终保持每个输出token低于50ms的低延迟。这些结果对应的计算效率为：预填充阶段计算效率达4.45 tokens/s/TFLOPS，解码阶段1.29 tokens/s/TFLOPS，这两者都超过了NVIDIA H100上的SGLang和H800上的DeepSeek等领先框架的公布效率。
此外，CloudMatrix-Infer有效地管理了吞吐量-延迟的权衡，即使在更严格的低于15ms的TPOT约束下，也能够维持538tokens/s的吞吐量。
INT8量化策略在各种基准测试中进一步保持了与DeepSeek的官方API相当的准确性。
在参数规模增加、混合专家（MoE）架构采用和上下文长度扩展的推动下，大语言模型的快速发展对AI基础设施提出了前所未有的要求。
作为一个高效、可扩展且性能优化的平台，华为CloudMatrix可用于部署大规模AI工作负载。CloudMatrix384的一个根本性特征是其点对点、完全互连、超高带宽网络，通过UB协议连接所有NPU和CPU，为未来的AI数据中心基础设施树立了标杆。
展望未来，CloudMatrix384有几个令人兴奋的增强方向。未来的工作包括集成和统一VPC和RDMA网络平面以实现更简化的互连、扩展到更大的超级节点配置，以及追求更深入的CPU资源分解和池化。
此外，更精细的组件级分解和自适应部署策略为在AI数据中心基础设施中实现更高的灵活性、效率和可扩展性提供了有前途的途径。
（文：智东西）
