华为昇腾 Ascend
厂商: 华为 Huawei
分类: NPU 神经网络处理器
架构: 达芬奇 (Da Vinci)
简介
华为昇腾 AI 处理器系列，包括训练芯片昇腾 910B/910 和推理芯片昇腾 310P/310。搭配 CANN（华为 AI 计算框架）和 MindSpore 深度学习框架，广泛用于国产 AI 基础设施建设。
规格参数
| 型号 | 算力 | 显存/内存 | 接口 | TDP | 制程 |
|---|---|---|---|---|---|
| 昇腾 910B | 280 TFLOPS (FP16) / 560 TOPS (INT8) | 64GB HBM2e | OAM | 310W | 7nm |
| 昇腾 910 | 256 TFLOPS (FP16) | 32GB HBM2 | PCIe 4.0 | 300W | 7nm |
| 昇腾 310P | 70 TOPS (INT8) | 24GB LPDDR4X | PCIe 4.0 | 75W | 12nm |
| 昇腾 310 | 22 TOPS (INT8) | 8GB LPDDR4 | PCIe 3.0 | 8W | 12nm |
官方网站
驱动下载
Linux
相关文档
操作系统支持
| Windows | Linux | macOS | Android |
|---|---|---|---|
| ❌ | ✅ | ❌ | ❌ |
版本历史
| 版本 | 发布时间 | 说明 |
|---|---|---|
| CANN 8.0 | 2024-Q4 | 910B 全面优化 + MindSpore 2.x |
| CANN 7.0 | 2024-Q1 | torch_npu PyTorch 原生适配 |
| CANN 6.0 | 2023-Q1 | 3D Cube 架构深度优化 |
性能基准
| 型号 | 任务 | 性能指标 |
|---|---|---|
| 昇腾 910B × 8 | GPT-3 175B 训练 | ~1.5 天 (官方数据) |
| 昇腾 910B | Llama 2 70B 推理 | ~80 tok/s (FP16) |
| 昇腾 310P | 图像分类/检测 | ~2000 img/s (ResNet-50) |
| 昇腾 310 | 边缘推理 | 8W 超低功耗 |
定价信息
| 型号 | 参考价格 | 备注 |
|---|---|---|
| 昇腾 910B | 需询价 | 主要通过 Atlas 产品线销售 |
| 昇腾 310P | 需询价 | Atlas 300I Pro |
| 昇腾 310 | 需询价 | Atlas 200 DK 开发者套件 |
快速安装
Linux (Ubuntu 22.04 / EulerOS)
# 1. 安装昇腾驱动和固件
sudo ./Ascend-cann-npu-driver_*.run --install
# 2. 安装 CANN 工具包
sudo ./Ascend-cann-toolkit_*.run --install
# 3. 设置环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.sh
# 4. 验证安装
npu-smi info
代码示例
Python (torch_npu)
import torch
import torch_npu # 昇腾 NPU 扩展
# 使用 NPU 后端
device = torch.device("npu:0")
x = torch.randn(1024, 1024, device=device)
y = torch.matmul(x, x)
print(f"NPU matrix multiply: {y.shape}")
print(f"NPU device: {torch.npu.get_device_name(0)}")
MindSpore (昇腾原生框架)
import mindspore as ms
# MindSpore 自动使用昇腾 NPU
context.set_context(device_target="Ascend")
x = ms.Tensor(np.random.randn(1024, 1024), ms.float32)
y = ms.ops.matmul(x, x)
print(f"MindSpore NPU multiply: {y.shape}")
架构特色
- 达芬奇架构: 3D Cube 计算单元，专为矩阵乘法优化；Cube 单元可加速 Transformer 注意力计算
- CANN 全栈: Compute Architecture for Neural Networks — 从驱动到编译器到算子库的完整软件栈
- torch_npu: PyTorch 的昇腾 NPU 后端，API 与 CUDA 后端高度一致，迁移成本低
- MindSpore: 华为自研全场景 AI 框架，自动微分 + 分布式训练
模型兼容性
| 模型/框架 | 支持情况 | 备注 |
|---|---|---|
| MindSpore | ✅ 原生 | 最佳支持 |
| PyTorch | ✅ torch_npu | API 兼容 CUDA |
| TensorFlow | ⚠️ | 通过 CANN 适配 |
| Llama / Qwen 等 LLM | ✅ | MindIE / torch_npu 均支持 |
| PaddlePaddle | ⚠️ | 适配中 |
| 语音/视觉模型 | ✅ | ModelScope 支持 |
大规模集群部署
基于全球 AI 超算集群数据统计，华为昇腾 在已公开的集群部署中累计超过 6,000 颗芯片，分布在 1 个集群中。
芯片型号统计
| 芯片型号 | 总部署量 | 集群数 |
|---|---|---|
| Huawei Ascend 910B | 6,000 | 1 |
知名部署集群 Top 10
| # | 集群名称 | 芯片总数 | 芯片型号 | 运营方 |
|---|---|---|---|---|
| 1 | Huawei Pangu Ultra MoE 910Bs | 6,000 | Huawei Ascend 910B ×6,000 |
相关产品
如果你在评估替代方案，以下产品可能也适合你的场景：
- 寒武纪 思元 590 — 寒武纪 Cambricon（ASIC 专用加速卡）
- 昆仑芯 2代 / 3代 — 百度 Baidu（GPU 图形处理器）
- Groq LPU v1 — Groq（LPU 语言处理器）
- AMD Ryzen AI NPU — AMD（NPU 神经网络处理器）
- NVIDIA GPU / CUDA — NVIDIA（GPU 图形处理器）
- Intel Gaudi 3 — Intel Habana（ASIC 专用加速卡）
- 芯擎科技 龍鹰系列 — 芯擎科技（NPU 神经网络处理器）