华为昇腾910C深度解析：规格、部署与性能全览
· 阅读需 10 分钟
华为昇腾910C（Ascend 910C）作为华为第三代昇腾AI芯片，采用创新的双芯片（Chiplet）封装技术，于2025年5月开启大规模供货，成为国产AI算力的中坚力量。
本文将从技术规格、部署案例、性能对比、市场定位四个维度，全面解析这款国产旗舰AI芯片。
一、核心技术规格
1.1 芯片架构与制程
| 项目 | 参数 |
|---|---|
| 架构 | Da Vinci（双小芯片封装） |
| 制程工艺 | SMIC N+2（7nm级） |
| 封装方式 | Chiplet（2× Ascend 910B 计算芯片） |
| 晶体管数量 | 约530亿个 |
| 芯片尺寸 | 约800mm²（估算） |
技术创新点：
- 采用双Die Chiplet封装，将两颗910B芯片整合，突破单芯片良率瓶颈
- 通过无中心I/O die设计，两颗计算芯片直接互联，降低通信延迟
- 使用SMIC N+2工艺，实现7nm级性能，保障供应链自主可控
1.2 算力性能
| 精度 | 算力 | 对比参考 |
|---|---|---|
| BF16 | 800 TFLOPS | 约NVIDIA H100的60% |
| FP16 | ~800 TFLOPS | 同精度下接近H100性能 |
| INT8 | ~1600 TOPS | 推理场景优势明显 |
| FP32 | 未公开 | 训练场景主要用BF16/FP16 |
性能特点：
- 在BF16精度下达到800 TFLOPS，成为国产AI芯片算力新标杆
- 相比910B，算力提升约1倍（双芯片叠加+架构优化）
- 不支持FP8精度（NVIDIA Blackwell的优势领域）
1.3 内存与互联
| 项目 | 参数 |
|---|---|
| HBM类型 | HBM2E（8个模块） |
| 内存容量 | ~128 GB（双芯片合计） |
| 内存带宽 | 784 GB/s |
| 互联协议 | Huawei AscendLink（自研） |
| 互联带宽 | 单向400 GB/s（双向800 GB/s） |
内存优势：
- 128GB大容量支持千亿参数模型全流程训练
- 784 GB/s带宽为HBM2E方案中的高端配置
- 自研AscendLink协议，支持384颗芯片全光互联
1.4 功耗与能效
| 项目 | 参数 |
|---|---|
| TDP（双芯片） | ~310 W |
| 能效比（BF16） | ~2.58 TFLOPS/W |
| 对比H100 | 功耗约为H100的45%，能效比接近 |
能效优势：
- 在相同算力下，功耗显著低于NVIDIA H100（700W）
- 采用7nm级工艺，能效比较910B提升约30%
- 适合大规模集群部署，降低数据中心PUE压力
二、关键部署案例
2.1 CloudMatrix 384超节点
系统规格：
| 项目 | 配置 |
|---|---|
| 芯片数量 | 384颗Ascend 910C |
| 机柜数量 | 16个（12个计算柜 + 4个网络柜） |
| HBM总容量 | ~49 TB（128GB × 384） |
| 互联方式 | 全光网状网络 |
| 光模块数量 | 6,912个LPO光模块 |
| 系统级BF16算力 | ~300 PFLOPS |
性能对比：
- CloudMatrix 384的总BF16算力超过NVIDIA GB200 NVL72（72颗B200）
- 在大模型训练场景，384颗910C的线性扩展效率达85%以上
- 支持万卡级集群平滑扩展，满足超大规模训练需求
部署进展：
- 截至2026年6月，已部署超过500套CloudMatrix 384超节点
- 主要客户：中国电信、中国移动、中国联通、华为云、科大讯飞等
- 应用场景：大模型训练、智能客服、自动驾驶仿真、科研计算
2.2 DeepSeek-V4-Pro全参数后训练
突破意义：
2026年6月5日，深圳河套学院AI训练平台联合哈尔滨工业大学（深圳）、深圳市大数据研究院、华为、深智城AI算力平台，基于昇腾910C算力集群，完成1.6万亿参数DeepSeek-V4-Pro大模型的全参数后训练。
技术亮点：
- 全球首批在国产算力平台上跑通万亿参数大模型全参数后训练
- 验证昇腾910C在超大规模模型训练场景的成熟度
- 证明国产AI芯片已具备替代进口芯片的能力
性能数据（官方披露）：
- 训练吞吐量：约H100集群的60%（BF16精度）
- 内存利用率：92%（128GB HBM2E大容量优势）
- 互联效率：384颗芯片线性扩展效率85%+
- 稳定性：连续训练30天无故障
2.3 商业化部署案例
案例1：某省大数据中心（300 P FLOPS算力中心）
- 建设规模：300 P FLOPS AI算力（约1,000颗910C）
- 应用场景：政府大模型、城市大脑、智慧交通
- 部署时间：2025年9月
- 投资规模：约2亿元（120台服务器）
案例2：华为云AI训练平台
- 芯片数量：超过10,000颗Ascend 910C
- 服务客户：超过500家企业
- 模型支持：盘古大模型、第三方开源模型（LLaMA、ChatGLM等）
- 全球化部署：中国、东南亚、中东、拉美
案例3：科大讯飞智慧教育
- 部署规模：256颗Ascend 910C
- 应用场景：智慧教育大模型、语音识别、机器翻译
- 性能提升：相比910B，训练速度提升90%
三、性能对比分析
3.1 与NVIDIA H100对比
| 项目 | Ascend 910C | NVIDIA H100 | 备注 |
|---|---|---|---|
| BF16算力 | 800 TFLOPS | ~1,300 TFLOPS | 910C约为H100的60% |
| HBM容量 | 128 GB | 80 GB | 910C多60% |
| HBM带宽 | 784 GB/s | 3.35 TB/s | H100带宽优势明显 |
| TDP | 310 W | 700 W | 910C功耗仅为H100的45% |
| 制程 | 7nm（SMIC N+2） | 4nm（TSMC） | H100制程更先进 |
| 软件生态 | CANN（兼容CUDA） | CUDA | H100生态更成熟 |
| 供货情况 | 中国自主可控 | 受出口管制 | 910C无供应链风险 |
结论：
- 在纯算力上，910C约为H100的60%
- 在内存容量上，910C领先60%，适合大模型训练
- 在能效比上，910C显著优于H100
- 在供应链安全上，910C完胜
3.2 与Ascend 910B对比
| 项目 | Ascend 910C | Ascend 910B | 提升幅度 |
|---|---|---|---|
| 架构 | 双芯片Chiplet | 单芯片 | - |
| BF16算力 | 800 TFLOPS | ~400 TFLOPS | +100% |
| HBM容量 | 128 GB | 64 GB | +100% |
| TDP | 310 W | 310 W | 持平（单芯片功耗） |
| 制程 | SMIC N+2 | SMIC N+2 | 相同 |
| 良率 | ~40% | ~30% | +33% |
结论：
- 910C通过双芯片封装，实现算力、内存容量翻倍
- 良率从910B的30%提升至40%，降低制造成本
- 在相同功耗下，性能提升100%，能效比显著优化
3.3 推理性能（DeepSeek模型实测）
测试环境：
- 模型：DeepSeek-V3（671B参数）
- 硬件：Ascend 910C vs NVIDIA H100
- 精度：BF16
- 批次大小：64
测试结果：
| 指标 | Ascend 910C | NVIDIA H100 | 比例 |
|---|---|---|---|
| 推理速度（tokens/s） | 8,500 | 14,200 | 60% |
| 首token延迟（ms） | 120 | 85 | 141% |
| 功耗（W） | 310 | 700 | 44% |
| 成本（万元/卡） | ~10 | ~18 | 56% |
结论：
- 910C推理速度为H100的60%，但功耗仅为44%
- 在成本敏感场景，910C的性价比优势明显
- 对于中国市场的国产化需求，910C是唯一选择
四、市场定位与竞争优势
4.1 目标市场
核心市场：
- 中国政府与国企：国产化替代、数据安全、自主可控
- 大模型创业公司：成本敏感、算力需求大
- 运营商与云服务商：大规模部署、能效要求高
- 科研与教育：超大规模计算、人才培养
边缘市场：
- 自动驾驶：端到端大模型训练
- 智慧医疗：医学影像分析、药物研发
- 金融科技：风险控制、智能投顾
4.2 竞争优势
| 优势 | 说明 |
|---|---|
| 自主可控 | SMIC N+2工艺 + 华为自研架构，无供应链风险 |
| 大内存容量 | 128GB HBM2E，支持千亿参数模型全流程训练 |
| 高能效比 | 310W TDP实现800 TFLOPS，能效比接近H100 |
| 系统级扩展 | CloudMatrix 384超节点，总算力超GB200 NVL72 |
| 软件生态 | CANN兼容CUDA，降低迁移成本 |
| 成本优势 | 约10万元/卡，比H100低约44% |
4.3 竞争劣势与改进方向
| 劣势 | 改进方向 |
|---|---|
| 单芯片算力 | 下一代910D将采用3nm工艺，目标翻倍 |
| HBM带宽 | 950系列将采用自研HBM（HiBL 1.0），带宽提升至4 TB/s |
| 软件生态 | 持续投入CANN + MindSpore，扩大开发者社区 |
| 制程工艺 | 与SMIC深度合作，推进N+3（5nm级）工艺量产 |
五、2026年出货计划与市场预测
5.1 出货计划
| 时间 | 出货量 | 累计出货 | 主要客户 |
|---|---|---|---|
| 2025 Q2-Q4 | 20万颗 | 20万颗 | 华为云、中国电信 |
| 2026 Q1-Q2 | 30万颗 | 50万颗 | 中国移动、中国联通、科大讯飞 |
| 2026 Q3-Q4 | 30万颗 | 80万颗 | 政府项目、大模型创业公司 |
| 2027年 | 100万颗 | 180万颗 | 全球市场（东南亚、中东、拉美） |
产能瓶颈：
- SMIC N+2工艺产能约10万片/月，其中Ascend 910C约占30%
- 2026年计划出货80万颗，需要约40万片晶圆，产能利用率需达80%+
- 华为通过与SMIC深度合作，优先保障910C产能
5.2 市场预测
中国AI芯片市场（2026年）：
- 总规模：约500亿元
- 国产芯片占比：约35%（175亿元）
- Ascend 910C市场份额：约60%（105亿元，约80万颗）
全球AI芯片市场（2026年）：
- 总规模：约2,000亿美元
- 华为份额：约5%（100亿美元）
- 增长驱动：中国市场国产化 + 一带一路国家出口
六、总结与展望
6.1 核心结论
- 昇腾910C是国产AI芯片的里程碑产品，在算力、内存、能效、系统扩展等方面实现全面突破
- CloudMatrix 384超节点证明国产芯片已具备替代进口芯片的能力
- DeepSeek-V4-Pro训练成功验证910C在超大规模模型训练场景的成熟度
- 2026年出货80万颗，预计占据中国AI芯片市场60%份额
6.2 未来展望
短期（2026-2027）：
- 910C持续放量，出货量突破100万颗
- CloudMatrix 384部署超过1,000套
- 软件生态（CANN + MindSpore）成熟度接近CUDA的70%
中期（2028-2029）：
- 下一代910D量产，采用3nm工艺，算力目标1.6 PFLOPS BF16
- 950系列（PR/DT）成为推理市场主力，市场份额超过30%
- 960/970发布，采用N+3工艺，支持万亿参数模型
长期（2030+）：
- 华为昇腾系列成为全球AI芯片市场TOP 3
- 国产AI芯片在全球市场份额超过20%
- 实现从"跟跑"到"并跑"再到"领跑"的跨越
参考资料
- 华为昇腾910C - 百度百科：https://baike.baidu.com/item/%E5%8D%8E%E4%B8%BA%E6%98%87%E8%85%BE910C/67777523
- 华为昇腾系列AI芯片详细参数对比（2025-2028）- 电子工程专辑：https://www.eet-china.com/mp/a486527.html
- 华为昇腾910C算力集群发力，国产芯片成功完成万亿级AI大模型训练 - QQ新闻：https://news.qq.com/rain/a/20260608A0526U00
- 华为昇腾910C完成DeepSeek V4 Pro训练 - 虎嗅网：https://www.huxiu.com/ainews/12966.html
- 华为昇腾910C实测效率超H100，AI Infra软硬件协同亮剑万卡集群 - CNBlogs：https://www.cnblogs.com/wujianming-110117/p/18939581
本文完
最后更新：2026年6月10日