華為發布新一代算力芯片，資源占用降低75%，多模態效率提升約60%

在華為中國合作伙伴大會2026上，華為正式發布新一代AI算力平臺，核心包括昇騰950PR處理器以及Atlas 350訓練/推理加速卡。

這一代產品的重點不在簡單提升算力規模，而是在計算效率和系統協同能力上的整體升級。

從參數來看，昇騰950PR首次引入FP4低精度計算能力。以700億參數大模型為例，顯存需求從約140GB壓縮至35GB，直接降低75%的資源占用，同時多模態生成效率提升約60%。

簡單來講，在同等硬件條件下，可以運行更大模型，或者在相同模型規模下顯著降低成本。

在算力之外，內存體系也同步升級。

Atlas 350搭載華為自研高帶寬內存方案，帶寬較上一代提升約2.5倍。對于大模型訓練和推理來說，數據傳輸效率往往是實際性能的瓶頸，高帶寬內存的提升可以減少等待時間，使算力利用率更接近理論上限。

單卡性能方面，官方數據顯示，Atlas 350的算力約為英偉達H20的2.87倍，同時也是當前少數支持FP4推理的產品之一。

這類低精度能力更適用于推理場景，在保證效果的前提下進一步壓縮資源消耗。

除了芯片本身，本次發布還強調了AI與存儲的協同關系。

華為將其總結為兩個方向：

一是“存儲支撐AI”，即通過高性能存儲系統提升訓練與推理效率；

二是“AI優化存儲”，利用算法能力提升存儲系統的可靠性與管理效率。

例如，通過模型預測可提前約30天識別硬盤故障風險，同時在安全場景中加快異常行為識別速度。

在應用層面，這一代算力平臺已經開始落地多個行業。

醫療領域中，基于大模型的智慧病理系統可以在基層醫院快速部署，提高診斷效率；在AI服務側，通過KV Cache復用減少重復計算，降低首輪響應延遲；

在企業數據分析場景中，歷史數據可被結構化為“記憶庫”，提升模型持續學習能力。

從技術路徑來看，AI算力正在從“單純堆性能”轉向“提升單位效率”。低精度計算降低資源消耗，高帶寬內存緩解數據瓶頸，而算力與存儲的協同則進一步提高整體系統利用率。

這種變化直接影響模型訓練和部署成本，也決定了AI應用能否規模化落地。

總的來說，昇騰950PR和Atlas 350的發布，標志著AI基礎設施進入新的優化階段。

算力不再只看峰值性能，而是開始強調成本、效率與系統協同能力的平衡。

隨著這些能力逐步落地，大模型應用的門檻有望進一步降低，行業應用節奏也會隨之加快。