Huawei zgłosił 17 września 2026 roku wprowadzenie ponad 10 chipów dla infrastruktury AI. Portfolio obejmuje akceleratory sztucznej inteligencji, procesory centralne oraz układy szybkiej komunikacji. To nie jest premiera pojedynczego akceleratora dla konsumentów, lecz element większej strategii: Huawei chce budować wydajność przez łączenie wielu układów Ascend w systemy Atlas.
Huawei przedstawia portfel ponad 10 chipów dla infrastruktury AI
Raport dotyczący wydarzenia Huawei Connect 2026 opisuje ponad 10 układów przeznaczonych do infrastruktury AI. Nagłówek tego raportu mówi o 11 chipach, ale publicznie przedstawiony opis obejmuje przede wszystkim trzy kategorie: akceleratory AI, procesory oraz układy szybkiej komunikacji.
Huawei rozwija rodzinę Ascend jako linię akceleratorów AI, natomiast Atlas jest platformą obliczeniową obejmującą serwery, superwęzły i klastry. Taki podział jest kluczowy: sam chip to tylko jeden element systemu, który musi jeszcze obsłużyć pamięć, komunikację między układami, chłodzenie, oprogramowanie i produkcję na dużą skalę.
To nie jest wyścig o jeden „superchip”
Huawei próbuje konkurować z Nvidią nie tylko przez poprawę parametrów pojedynczego akceleratora. Firma rozwija architekturę, w której tysiące układów Ascend pracują razem, a szybkie połączenia pozwalają traktować całość jako większy system obliczeniowy.
W tej strategii pojedynczy chip nie musi dorównywać najlepszemu układowi konkurencji w każdym zastosowaniu. Znaczenie ma również to, ile układów można połączyć, jak sprawnie wymieniają dane oraz czy oprogramowanie potrafi wykorzystać ich łączną moc. To podejście Huawei określa jako połączenie superwęzła i klastra.
W ogłoszonych systemach Atlas 950 SuperPoD ma obsługiwać do 8192 procesorów Ascend, a Atlas 960 SuperPoD — do 15 488 procesorów Ascend. Dla jeszcze większych wdrożeń Huawei zapowiedział systemy Atlas 950 SuperCluster i Atlas 960 SuperCluster skalowane do przedziału od 500 000 do 1 miliona procesorów.
Jak wygląda wydajność Ascend 910C na tle Nvidia H100?
Najbardziej konkretnym podanym porównaniem jest wynik Ascend 910C w inferencji, czyli uruchamianiu gotowego modelu AI. Badacze DeepSeek mieli zmierzyć wydajność tego układu na poziomie około 60% wyniku Nvidia H100 w swoim porównaniu.
To rezultat dotyczący konkretnego testu inferencji, a nie uniwersalny wskaźnik wydajności całej rodziny Ascend. Nie wynika z niego również, że nowe układy zgłoszone przez Huawei dorównują Nvidii albo ją przewyższają.
Szersza analiza porównująca całkowitą wydajność przetwarzania ocenia, że najlepsze obecne układy amerykańskie są około pięciokrotnie mocniejsze od najlepszych układów Huawei w przyjętym przez nią ujęciu. Dla drugiej połowy 2027 roku ta różnica miałaby wzrosnąć do 17 razy, ale jest to prognoza oparta na założeniach dotyczących roadmapy, a nie pomiar gotowych produktów.
Atlas ma znaczenie właśnie dlatego, że pojedynczy układ nie wystarcza
Skalowanie klastra pozwala Huawei budować systemy o dużej łącznej mocy nawet wtedy, gdy pojedynczy akcelerator pozostaje słabszy od konkurencyjnego rozwiązania. Ceną jest większa złożoność: potrzeba szybkiej komunikacji między chipami, odpowiedniego oprogramowania, pamięci, chłodzenia i stabilnego zasilania.
Rodzina Atlas rozwijana przez Huawei od 2018 roku łączy te elementy w platformę przeznaczoną do centrów danych. Zapowiadane modele Atlas 950 i Atlas 960 pokazują, że firma mierzy w poziom całych systemów, a nie tylko kart akceleratorów.
Najtrudniejsza część zaczyna się w fabryce
Projekt układu nie wystarcza, jeśli nie można go produkować w dużych ilościach i z odpowiednią wydajnością. W przypadku Huawei ograniczenia dotyczą dostępu Chin do zaawansowanej litografii i narzędzi produkcyjnych, a także pamięci HBM, pakowania układów oraz oprogramowania potrzebnego do projektowania i uruchamiania systemów AI.
Krajowa produkcja układów klasy 7 nm pozwala rozwijać rodzinę Ascend, ale nie rozwiązuje wszystkich problemów związanych z wydajnością i skalowaniem. Huawei musi jednocześnie poprawiać sam projekt, zwiększać uzysk produkcyjny, zapewnić dostawy podzespołów i rozwijać środowisko programistyczne będące alternatywą dla ekosystemu CUDA firmy Nvidia.
Dlatego konkurencja między Huawei i Nvidią rozgrywa się na kilku poziomach naraz: wydajności pojedynczego akceleratora, przepustowości klastra, liczby możliwych do wyprodukowania układów oraz dojrzałości oprogramowania. Huawei zgłosił ważny krok w budowie chińskiej infrastruktury AI, ale jego strategia opiera się na całym łańcuchu technologicznym, nie na jednym chipie.
