过去几年，讨论 AI 芯片时，人们习惯问一个问题：一颗芯片每秒能做多少计算？
这个问题没有过时，但已经不够用了。大模型越做越大之后，真正拖慢系统的，常常不是某一颗芯片算得不够快，而是成千上万颗处理器之间传数据太慢，或者数据根本无法高效地被另一颗处理器取到。
9 月 17 日，华为在上海举行的全联接大会上公布了 Peerium Computing Architecture，并介绍了基于这套架构的 Atlas 950 SuperPoD 和正在测试中的 Atlas 960 系统。华为给出的目标很大胆：通过嵌套并行、统一内存寻址和点对点互联，让百万级处理器协同工作，像一台更大的计算机。官方说明里把重点放在了架构和互联协议，而不只是某一款芯片的参数。
这件事值得关注的地方，不是“百万”这个数字本身，而是 AI 算力竞争正在换赛道：从比谁有更快的芯片，转向比谁能把大量芯片组织成一个高效、稳定、可编程的系统。
大模型为什么越来越依赖“把芯片连起来”
训练一个大模型，可以粗略理解为让很多处理器一起做一道极其复杂的题。每颗处理器负责其中一部分计算，算完之后要把结果交给其他处理器，接着再进入下一轮。
如果处理器本身很快，但彼此之间通信很慢，就像一群厨师在厨房里各自切菜，却只能通过一条狭窄的窗口传递食材。厨师越多，窗口越可能变成瓶颈。增加厨师数量，并不一定能等比例缩短出菜时间。
大模型的“食材”包括参数、激活值、梯度和中间结果。训练阶段，处理器要频繁交换这些数据；推理阶段，长上下文、批量请求和多模态输入也会增加内存访问与通信压力。很多时候，系统花在搬运数据上的时间，已经足以抵消新增计算单元带来的收益。
这也是为什么 AI 基础设施不只包括 NPU 或 GPU。内存、网络、存储、交换芯片、编译器和调度软件，都会决定一套系统最后能跑出多少有效算力。
Peerium 想解决的，不是一颗芯片的问题
华为公布的 Peerium 架构包含三个关键思路。
第一是嵌套并行。简单说，就是把一个大任务拆成多层：一层负责更大的训练或推理任务，下一层再把其中的工作拆给更小的计算组。这样做的目的，是让并行结构不只适用于几台服务器，而是可以继续向更大的规模扩展。
第二是统一内存寻址。传统系统里，处理器、显存、内存和存储往往各有自己的地址空间，数据从一个地方搬到另一个地方，需要明确的复制和调度。统一寻址并不意味着所有存储介质突然变成同样快，而是让软件更容易把这些资源组织成一个更大的可访问空间，减少系统之间彼此“看不见”的情况。
第三是点对点互联。过去的集群通常有比较明显的中心节点，其他设备通过中心节点交换信息。点对点互联则希望让计算、存储和网络设备之间直接协作，少绕一些路，减少中心节点带来的拥堵。
这三件事共同指向同一个目标：让更多处理器加入系统之后，性能能够尽量接近线性增长，而不是设备数量翻倍，实际效率只增加一点点。
UnifiedBus 更像一套“交通规则”
如果把处理器和存储设备看成城市，互联协议就是城市里的交通规则。
华为把 UnifiedBus（UB）描述为一个可以连接 CPU、NPU、内存、SSD、网卡和交换机的高速总线协议。它要处理的不只是“某颗芯片如何连接另一颗芯片”，还包括计算、存储和网络之间如何共享资源。
这类设计的价值在大规模系统里尤其明显。假设一个模型的部分参数放在内存里，另一部分数据位于 SSD，某个计算任务又需要网络上的其他节点参与，那么系统必须不断判断：数据在哪里、谁可以访问、什么时候搬运、搬运路径是什么。互联协议越统一，调度软件就越有机会用一套规则处理这些事情。
但协议本身不会自动带来性能。它还需要芯片、驱动、编译器、通信库和上层框架共同支持。对开发者来说，真正困难的部分往往不是把设备连上线，而是让模型代码能够稳定地利用这套连接关系。
Atlas 960 的意义，暂时不能只看宣传数字
华为同时公布了昇腾 960 超节点相关信息，并称其采用近封装光学技术 NPO，用于大规模模型训练和推理。在中文发布稿中，华为将它描述为面向十万亿参数规模模型训练和推理的超节点；美联社的报道则把这次发布放在中美 AI 基础设施竞争和国产算力供应链的背景下观察。华为官方资料同时显示，Atlas 960 目前仍处于测试阶段。
这里需要保留一个边界：架构发布、产品测试和大规模商业部署是三件不同的事。
一套系统可以在发布会上展示出很大的理论规模，也可以在实验环境里完成某些任务，但这不等于它已经在所有模型、所有软件栈和所有负载下都具备同样的实际效率。训练吞吐、推理延迟、功耗、故障恢复、软件兼容性和交付能力，都需要长期测试才能确认。
因此，Atlas 960 当前最值得看的不是“它是否立刻超过某个竞争对手”，而是华为是否能把芯片、互联、软件和数据中心部署真正整合起来。AI 基础设施的竞争，最后比的是完整系统，而不是一张参数表。
这会怎样影响普通人使用 AI
普通用户不会因为 Peerium 发布，就在家里添置一套百万处理器系统。但这类基础设施变化仍然会通过三个方向传到日常产品里。
一是模型价格。更高的集群利用率意味着同样的硬件可以处理更多请求，长期可能降低模型服务的单位成本。不过，电力、散热、机房和软件维护也在增加，硬件规模变大并不自动等于服务价格下降。
二是响应速度。模型推理越来越复杂，尤其是长文档、图像、视频和多步骤 Agent 任务，都需要更多计算和内存。处理器之间通信更顺畅，才有机会把这些任务做得更快。
三是可用的模型范围。一个国家或地区能否稳定获得大规模算力，会影响本地模型训练、企业部署和行业应用的节奏。华为这次发布，放在国产芯片和 AI 基础设施自主化的背景里看，意义比单一产品发布更大。
真正的难题，是把“很多”变成“有效”
AI 产业曾经经历过一段只要堆更多芯片，就能获得更多性能的时期。现在，规模还在继续扩大，但收益越来越依赖系统工程。
更多处理器意味着更多通信、更复杂的调度、更高的功耗，也意味着任何一个节点出故障，都可能影响一项持续数周的训练任务。系统必须知道如何分配工作、如何绕过故障、如何保存状态，还要让开发者不必为每一种硬件组合重写一遍模型代码。
所以，Peerium 代表的不是“把一百万颗芯片塞进一台机器”，而是试图重新定义一台 AI 计算机的边界：它可以由大量异构的处理器、内存、存储和网络设备组成，关键在于这些设备能否被当作一个整体来调度。
这条路是否成功，还要看后续产品落地、公开测试和软件生态。但方向已经很清楚了。下一阶段的 AI 算力竞赛，可能不再由一颗芯片的峰值速度决定，而由整套系统能否把计算、数据和通信安排在同一张地图上决定。