摘要
当全球AI竞争从模型参数的单点竞赛，演进为生态体系的整体对抗，华为选择了一条最重、也最难回头的路：全栈自研。
这条路从2018年达芬奇架构的埋首研发开始，到2019年昇腾910的首战告捷，再到2026年CloudMatrix 384超节点对英伟达旗舰集群的系统级超越，华为用十年时间构建了一套从芯片到应用的完整闭环。盘古大模型在《Nature》正刊证明了中国AI的基础研究能力，宝钢高炉的年降本10亿证明了AI在工业核心环节的量化价值，而79%的国内AI芯片市场份额，则证明了国产替代不只是口号而是市场现实。
但华为的路并非没有挑战。芯片制造工艺的代际差距、C端能力的相对薄弱、开源生态的滞后——这些短板与它的护城河同样真实。
本报告通过四个维度——芯片层、模型层、应用层、战略层——系统解构华为AI的全栈能力与竞争态势，力图回答一个核心问题：华为AI，究竟处于什么位置，又将走向何方？
第一部分：芯片层——昇腾突围：从技术追赶到系统制衡
达芬奇架构：被封锁逼出来的底层创新
2019年8月，华为在深圳发布昇腾910，FP16算力256 TFLOPS，功耗310W——这个数据放在当时并不算惊艳，但它背后的达芬奇架构却埋下了战略级的伏笔。
与英伟达GPU采用通用计算架构不同，昇腾从第一天起就走上了专用集成电路（ASIC）路线，是专为神经网络计算设计的NPU。这一选择在制裁加码的2020年代被证明具有深刻的战略远见：当你无法获取最先进通用GPU时，一条专用化、垂直优化的技术路线反而更有可能跑通。
达芬奇架构的核心是3D Cube矩阵计算单元。深度学习计算中80%以上的运算是矩阵乘加操作，Cube单元将这一瓶颈的执行效率推至极致。2026年实测数据显示，升级后的达芬奇3.0架构配备32个独立AI Core，FP16半精度算力提升至376 TFLOPS，INT8推理算力突破1000 TOPS，在典型大模型训练任务中端到端速度比初代提升近3倍。华为还引入了512位宽向量运算单元和动态张量切片技术，使96GB HBM显存利用率超过95%——这意味着几乎榨干了每一滴存储带宽。
制程方面，华为不得不走一条"笨功夫"路线。昇腾910系列依赖中芯国际第二代7nm级（N+2）工艺，晶体管密度约1.2亿/平方毫米，与台积电5nm的差距明显。华为的应对策略是Chiplet（芯粒）封装：昇腾910C将两颗910B芯片通过先进封装技术集成，整合约530亿个晶体管，算力与存储容量较单芯片翻倍。这本质上是用系统集成能力弥补单片工艺的不足——不是最好的选择，但是唯一可行的选择。
性能梯度：从910B主力出货到970的三年路线图
昇腾芯片的产品线如今已形成清晰的性能梯度，每一代都有明确的定位和目标市场。
2025年大规模量产的910B是当前市场主力。FP16算力320 TFLOPS，INT8算力512 TOPS，功耗310W，算力功耗比超过0.8 TFLOPS/W。它已向百度、字节跳动等头部客户交付数万片，在教育市场市占率超过70%，是国内政企AI项目中国产芯片的首选。这一规模的量产交付，证明昇腾已经跨越了"样品-产品"的鸿沟，具备了大批量稳定供货能力。
2025年第一季度正式发布的昇腾910C是当前旗舰。基于SIMD架构，FP16算力达800 TFLOPS，HBM容量128GB，内存带宽3.2 TB/s，互联带宽784 GB/s。DeepSeek团队的实测显示，在推理任务中910C可达H100约60%的性能。考虑到7nm工艺与4nm工艺的代差，这是一个非常扎实的成绩。更关键的是，910C的功耗表现优异，能效比2.1 TFLOPS/W，比H100高出116%。首批量产7万颗芯片已于2025年4月交付BATJ，良品率从早期20%提升至40%，爬坡速度相当快。
更值得关注的是华为在2025年9月全联接大会上公布的路线图，勾勒出了未来三年的芯片演进路径：
2026年，昇腾950PR将首次搭载华为自研HBM（高带宽内存）HiBL 1.0，FP8精度下单卡算力1 PFLOPS，MXFP4精度下达2 PFLOPS，互联带宽提升2.5倍至2 TB/s。这是华为在HBM这一关键存储部件上的一次重要突破。950DT紧随其后于2026年四季度发布，搭载高性能HiZQ 2.0存储，内存容量144GB，重点优化训练效率。
2027年，昇腾960将实现又一次跨越：FP8算力2 PFLOPS，FP4算力4 PFLOPS，内存容量288GB，带宽9.6 TB/s，支持40个互联端口——这是一张相当激进的路线图。
2028年，昇腾970将算力再次翻倍：FP8达4 PFLOPS，FP4达8 PFLOPS，内存带宽14+ TB/s。从910C的800 TFLOPS到970的4 PFLOPS，三年四代、每代翻倍——如果这一路线图能够兑现，华为将在单卡算力上逼近甚至达到国际第一梯队。
系统级反超：CloudMatrix 384改写游戏规则
如果说单芯片性能华为仍在追赶，那么在集群系统层面，华为已经实现了某种意义上的"反超"。
2025年4月，华为云生态大会上发布的CloudMatrix 384超节点震撼了整个行业。它集成了384颗昇腾910C芯片，提供300 PFLOPS的密集BF16算力——这个数字是英伟达GB200 NVL72的近两倍。更值得关注的是技术细节：总内存容量超出NVL72方案3.6倍，内存带宽达到其2.1倍；完全采用光互联替代铜缆，使用6912个800G LPO光收发器，总内部带宽超过5.5 Pbps，卡间互联带宽2.8 Tbps；训练效率达到单卡性能的90%，是NVL72集群的1.67倍。
液冷技术的运用使整个超节点功耗仅172.8 kW，数据中心PUE低至1.1，较英伟达同类方案降低40%。
国际半导体研究机构SemiAnalysis对此评价毫不吝啬："华为CM384在多项关键指标上实现对英伟达旗舰GB200 NVL72的超越，系统级解决方案领先英伟达、AMD一代。"而英伟达CEO黄仁勋也罕见地公开承认，华为AI芯片和集群已达到与NVIDIA高端产品相当的水平，CloudMatrix系统的规模甚至超过了Grace Blackwell系统。
黄仁勋的承认，本身就是一个意味深长的信号——它意味着华为已经从一个"需要被正视的追赶者"，变成了一个"值得被尊重的对手"。
在CloudMatrix 384之后，华为云计算CEO张平安在2025年9月进一步宣布了更大的野心：超节点将从384卡升级到8192卡，Atlas 950 SuperPoD支持8192张卡，960 SuperPoD支持15488张卡，集群算力规模突破百万卡级别。这标志着华为从"以量补质"的策略转向了真正的规模化系统创新——不是靠单卡性能碾压，而是在系统架构层面建立代际优势。
生态建设：从硬件突围到软硬一体
芯片再强，没有生态就是一座孤岛。华为对此有清醒的认知，也投入了大量资源构建配套的软件栈。
软件栈方面，昇腾构建了"芯片—CANN—MindSpore—ModelArts"的完整技术栈。CANN 7.0计算框架已兼容PyTorch、TensorFlow等主流框架，开发者迁移成本降低约70%，支持一行代码将CUDA转换为CANN。昇腾AI云服务已适配160余种第三方大模型，这意味着在昇腾上运行开源模型或第三方商业模型，不需要从零适配。
开源社区的扩张速度也值得关注：昇腾开源生态专区的模型量已达到14181个，vLLM Ascend和SGLang Ascend等官方支持项目正在快速完善。开发者不需要重新学习新框架，只需要用他们熟悉的工具，通过CANN的转换层平滑迁移到昇腾平台。
生态规模方面，截至2025年底，昇腾AI生态拥有35K开源项目、400万开发者、6700个行业解决方案，发展合作伙伴超过3000家。整机合作伙伴已扩展至9家，覆盖拓维信息、华鲲振宇、神州数码、新华三等主流服务器厂商——一个由华为定义标准、合作伙伴生产硬件的行业生态正在成熟。
这一生态的快速扩张，有两个关键驱动力：一是2025年4月起美国对英伟达H20实施无限期出口限制，倒逼大厂寻求国产替代；二是昇腾芯片本身的性价比优势——910B价格约为H20的70%，但实测性能是后者的2倍左右，政企客户的采购逻辑非常清晰。
封锁下的加速进化：芯片层的战略意义
从2018年达芬奇架构诞生到2028年昇腾970的规划交付，华为用十年时间构建了一条完全自主的AI芯片路线。这条路走得并不轻松——7nm工艺的代差、HBM内存的断供、CUDA生态的壁垒，每一个都是几乎无法逾越的鸿沟。
但华为用Chiplet封装弥补了工艺短板，用自研HBM替代了三星/海力士，用CANN框架桥接了开发者生态，用CloudMatrix系统架构实现了整体反超。这些努力的结果是：2025年，昇腾芯片国内出货量达81.2万张，占国内智算市场79%的份额，成为名符其实的国产AI芯片王者。
芯片层的战略意义，不只在于华为自身的生存与发展，更在于它为中国整个AI产业提供了算力底座。当英伟达高端芯片获取受阻时，昇腾成为了国内大厂和研究机构唯一的大规模可选项。百度、字节、阿里等都在加速将训练任务迁移至昇腾平台——这个迁移一旦完成，就不会轻易逆转，因为迁移成本、数据积累和人员培训都是沉没成本。
芯片层的突围，为上层应用和产业生态奠定了算力底座，也让华为在AI基础设施领域占据了不可替代的战略位置。
第二部分：模型层——盘古进化：从千亿参数到行业赋能
架构演进：一部华为AI战略的落地史
盘古大模型的演进史，本质上是一部华为AI战略的落地史，每一代产品的背后都折射出华为对"AI该往何处去"这一根本问题的持续思考。
2021年4月，华为云正式发布盘古大模型1.0，彼时的定位已清晰——不做"作诗的大模型"，只做行业赋能的工具。1.0版本包含NLP、CV和科学计算三大方向，参数量达千亿级别，训练数据超过40TB，是当时全球最大的中文预训练语言模型之一。这一版本的意义在于，它证明了华为有能力训练超大规模模型，也确立了"从通用到行业"的基本路线。
2023年7月，盘古3.0发布了标志性的"5+N+X"三层架构，这套架构成为此后盘古所有产品迭代的基石：L0层为自然语言、视觉、多模态、预测、科学计算五个基础大模型；L1层为政务、金融、制造、矿山、铁路、气象等N个行业通用大模型；L2层则是面向具体业务场景的细化模型。这一架构解决了AI落地中的一个核心矛盾：基础模型的通用性与行业场景的特异性之间的张力。企业不需要从零训练一个模型，只需要在L0基础上注入行业知识，再在L2上针对具体场景微调——从"手工作坊"升级为"工厂流水线"，这是盘古对行业AI最重要的方法论贡献。
2024年6月，HDC 2024开发者大会上，盘古5.0重磅登场，核心升级体现在三个维度：全系列、多模态、强思维。"全系列"意味着参数规模从十亿级（E系列端侧应用）到万亿级（S系列超级任务）完整覆盖；"多模态"从文本图片扩展到视频、雷达、红外、遥感等更多模态；"强思维"则将思维链技术与策略搜索深度融合，显著提升数学能力与复杂任务规划能力。5.0还引入了业界首创的可控时空生成技术（STCG），能够在自动驾驶场景中生成符合物理规律的多路况、多天气训练视频数据——这对自动驾驶行业意味着训练数据瓶颈的根本性缓解。
2025年4月，盘古Ultra发布——基于昇腾算力训练的1350亿参数稠密模型，94层架构，在13.2T高质量数据上实现了全程训练零loss突刺。这一纪录在行业内极为罕见，关键技术在于华为提出的Depth-scaled Sandwich-norm（"三明治"层归一化）与TinyInit初始化方法，有效解决了超深千亿级模型训练稳定性难题。盘古Ultra在AIME24、MATH-500、GPQA、MMLU-Pro等权威基准上已超越DeepSeek R1，且全程在昇腾NPU上训练，算力利用率超过52%——这打破了"国产硬件无法训练顶级大模型"的质疑，也证明了昇腾+盘古的全栈协同已经成熟到可以支撑顶级模型训练。
2025年6月HDC 2025，盘古5.5发布，718B MoE深度思考模型登场——由256个专家组成，在知识推理、工具调用、数学等能力上大幅增强，同步发布的还有基于盘古多模态大模型的世界模型和300亿参数MoE视觉大模型。10月，更大规模的openPangu-Ultra-MoE-718B-V1.1正式在GitCode开源，总参数量718B，激活39B，Agent工具调用能力显著增强，幻觉率大幅降低。
技术能力：多模态与科学计算的双轨突破
盘古大模型最显著的技术标签，是它不是单一语言模型的竞品，而是一个横跨多个模态和能力域的模型矩阵。这种"多路并进"的策略，与华为全栈协同的战略高度一致。
NLP能力方面，盘古NLP大模型早在2019年CLUE中文语言理解评测榜单上就刷新三项世界纪录，总得分83.046，距离人类理解水平（85.61）仅一步之遥。718B MoE深度思考模型进一步将工具调用和复杂推理能力推向新高度，能够在多步骤复杂任务中实现自主规划与执行。
多模态能力方面，盘古5.0新增了10K超高分辨率图像理解能力，并能将生成的3D模型直接输出为支持10余种主流格式的文件。在自动驾驶领域，通过STCG技术生成的六路摄像头视角训练视频，覆盖了从空旷街道到复杂多车交互的各种场景，雨天视频中甚至能模拟尾灯因光线昏暗自动开启的细节——这种对物理规律的遵循，使生成数据可以直接用于训练而非仅供演示。
科学计算是盘古最具差异化竞争力的方向。盘古气象大模型于2023年7月登上《Nature》正刊，是近年来中国科技公司首篇以唯一署名单位发表的Nature正刊论文，核心创新在于提出了3D Earth-Specific Transformer（3D EST）——一种适应地球坐标系统的三维神经网络，能够处理复杂的不均匀3D气象数据，配合层次化时域聚合策略减少迭代误差。成果：预测精度首次超越传统数值预报方法，速度提升10000倍以上，从原来高性能计算机集群5小时仿真缩短为单卡10秒级推理。2024年，盘古气象大模型获评"中国科学十大进展"，成为大模型在气象领域首个国家级认证成果，并已上线ECMWF官网供全球免费使用。2026年，华为诺亚方舟实验室发布盘古气象大模型2.0，在动态适应性和降水预测精度上进一步突破，可提前24小时发布暴雨红色预警。
竞品对比：盘古的市场定位与差异化
在全球大模型竞争格局中，盘古的定位与OpenAI GPT-4系列、DeepSeek系列、百度文心一言、阿里通义千问等存在显著差异。
从战略定位看，盘古从一开始就走"AI for Industries"路线，而非通用消费级助手。这意味着它的优化重心不在对话流畅度和娱乐性，而在行业任务完成率与复杂场景可靠性。
与DeepSeek R1对比：DeepSeek R1以纯学术推理能力见长，在开源社区影响巨大；盘古Ultra则在稠密模型架构上另辟蹊径，以135B参数量在AIME24、MATH-500等指标上实现了对DeepSeek R1的超越，且全程在昇腾硬件上训练，不依赖英伟达。这一对比揭示了国产大模型两条不同路线：一条以极致效率挑战算力极限，一条以全栈自主构建底层能力。没有高下之分，但反映了不同企业的资源禀赋和战略取向。
与GPT-4对比：GPT-4在通用对话、代码生成、创意写作等场景优势明显，但盘古在气象预测、具身智能、工业设计等垂直领域拥有不可替代的行业积累和数据壁垒。盘古气象模型背后是40年全球气象数据，这在通用大模型中几乎不可能复制——数据的深度和垂直度，是盘古最硬的护城河之一。
与文心一言、通义千问对比：百度和阿里更侧重云服务生态和消费级应用入口，盘古则依托华为的B/G端政企渠道和昇腾-云-鸿蒙全栈协同，在政务、制造、矿山等强监管行业具有天然的信任优势和落地通道。
开源策略：从"不开源"宣言到全面拥抱
2023年7月，华为曾公开表示"盘古大模型不会开源"，理由是行业大模型涉及大量行业机密数据。这一立场在2025年6月30日发生了根本性转变——华为宣布首次开源盘古大模型，一口气发布两个核心模型：盘古Embedded（70亿参数稠密模型）和盘古Pro MoE（720亿参数，激活160B），并同步开源基于昇腾的模型推理技术。盘古Pro MoE在SuperCLUE 5月榜单上位列千亿参数以内模型国内第一。2025年10月15日，更大规模的openPangu-Ultra-MoE-718B-V1.1正式开源。
这一转向的战略意义在于：开源既是生态扩张的手段，也是昇腾生态吸引开发者的关键棋子。在全球AI竞争加剧的背景下，开放中端模型可以撬动更多开发者在昇腾平台上做二次开发和行业落地，形成"开源引流、商业闭环"的生态战略。
全栈协同：昇腾+MindSpore+盘古的相互强化
盘古的竞争力，不仅来自模型本身，更来自华为全栈AI基础设施的协同。
昇腾AI计算平台是底座。盘古大模型的训练和推理全面基于昇腾NPU，盘古Ultra证明了昇腾集群已具备训练千亿级顶级模型的能力，算力利用率超过52%。
昇思MindSpore是框架层。2019年8月发布，2020年3月开源，截至2025年底累计下载量超过1300万，覆盖全球150+国家和地区，核心贡献开发者超过5.2万，代码核入量超过12万，联合孵化了3100+行业应用。在大模型支持上，MindSpore已原生支持超大规模集群并行，支持万亿参数规模一站式并行训练与执行优化；全场景部署打通从数据中心到终端设备的完整链路。
ModelArts是模型服务平台，提供从数据处理、模型训练到部署上线的全流程工具链，降低企业接入门槛——对于没有AI工程团队的传统企业来说，开箱即用的平台比底层能力更重要。
这种全栈协同的效应，不是各层能力的简单叠加，而是相互强化的飞轮：更好的芯片→训练更大的模型→吸引更多的开发者→更多的行业数据→更优质的模型→对芯片的需求进一步增加。每一次迭代都在强化整个体系的竞争力。
第三部分：应用层——从钢铁高炉到气象穹顶：一场AI for Industries的大型实验
引言：当大模型走出实验室
2023年7月，华为云盘古气象大模型的研究成果以唯一中国科技公司署名的身份登上《Nature》正刊，审稿人写道："华为云盘古气象大模型让人们重新审视气象预报模型的未来。"这篇论文的信号远超学术范畴——它标志着华为的大模型战略彻底拥抱了一条与OpenAI、Google不同的路径：不作诗，只做事；不追逐C端流量，而是扎进行业的泥土里。
到2025年，盘古大模型已进入30多个行业、500多个场景落地，覆盖政务、金融、制造、矿山、铁路、气象、医药等领域。这条"AI for Industries"之路，本质上是一场关于"AI能否真正重塑实体经济"的大型实验——而实验的结果，正在以令人信服的数字给出答案。
标杆案例一：钢铁——把"黑箱"变成"白箱"
宝钢与华为的合作，是中国AI行业落地的叙事高潮。
2024年4月，宝钢召开"AI赋能未来钢铁"转型战略发布会，正式将2024年定义为"AI战略元年"，宣布三年内打造1000个以上AI赋能场景。华为昇腾AI算力平台50天内完成部署，宝钢AI算力中心上线，成为国内钢铁行业规模领先的人工智能算力中心——这个速度本身就说明了双方合作的深度和默契。
但真正令人震撼的是技术穿透生产核心的速度。
热轧——钢铁制造中最关键、最危险的工序之一——成为AI攻入的第一个堡垒。在宝钢1880热轧产线上，一块260mm厚的钢坯在2分钟内被轧至1.2mm，精度公差不超过0.05mm。传统模型靠数十年经验打磨，宽展预测准确率约78%；盘古预测大模型接入仅数月，准确率便攀升至83%。5个百分点的提升，在钢铁行业意味着每年多生产2万吨钢板，增收9000余万元——这是实实在在可以用数字衡量的价值。
2024年9月，双方更进一步：盘古预测大模型正式投入热轧1880产线的在线闭环控制——这是大模型在钢铁制造实时生产控制领域的全球首次实践。348块带钢的轧制验证中，预测精度和时延响应均达标，意味着AI不仅能做预测，而且能够介入实时控制这一最敏感的生产环节。
随后在2024年12月，由6个AI模型组成的连铸领域模型投运宝钢2号连铸机，覆盖结晶器液面波动分析、热电偶异常检测、二冷喷嘴诊断等关键环节。这是大模型技术向钢铁制造更深层工序的延伸。
到2026年4月，宝钢发布全球首个AI智慧高炉模型，预测命中率与控制采纳率均超90%，单座高炉年降本预期超10亿元。从热轧到连铸再到高炉，华为AI完成了钢铁全流程的穿透——这种纵深程度在全球工业AI领域都属罕见，它证明了AI不是只能在边缘场景"锦上添花"，而是能够真正深入工业制造的核心环节。
标杆案例二：气象——以AI之力改写科学范式
如果说钢铁案例展示了AI在"封闭系统"中的威力，盘古气象大模型则是一次对开放科学问题的正面冲击。
盘古气象的核心创新在于3D Earth-Specific Transformer——一种适配地球坐标系统的三维神经网络，能够处理复杂的不均匀3D气象数据，配合层次化时域聚合策略减少迭代误差。成果是显著的：1小时至7天预测精度全面超越ECMWF最佳数值预报系统，这是AI气象模型首次在精度上超越传统方法；预测速度则快了10000倍，从原来高性能计算机集群5小时仿真缩短为单GPU 10秒级推理。
实际案例更有说服力。2023年台风"玛娃"路径预报中，盘古提前五天准确预测其转向，路径误差较ECMWF降低25%。在欧洲和香港天文台先后将其上线官网后，2023年度"中国科学十大进展"中盘古气象位列第一——这是中国AI应用成果在顶级学术荣誉上的亮相，分量极重。
2024年，盘古气象升级至公里级区域预报（1/3/5公里），覆盖气温、降雨、风速等要素，并延伸至污染物预测、农业生产指导等领域。与天融环境合作的"环境大模型"将污染六项预测准确度提升10%以上，预警窗口从3天延长至7天。
盘古气象的意义不仅在于技术突破，更在于它证明了一种可能性：数据驱动的大模型可以在基础科学领域与物理方程分庭抗礼。传统数值天气预报需要求解大量偏微分方程，计算量巨大且依赖人工参数调优；盘古的思路是用神经网络从历史数据中学习大气运动的规律，在特定任务上用更少的计算资源达到更好的效果。这是方法论层面的范式转变。
方法论：华为行业AI的三层架构与落地逻辑
盘古大模型之所以能规模化落地，核心在于其"5+N+X"三层解耦架构在方法论层面的创新。
L0层提供自然语言、视觉、多模态、预测、科学计算五大基础模型——这是通用能力的集合，是不需要重新训练的底座。L1层针对具体行业（金融、矿山、铁路、气象等）构建行业大模型，在L0基础上注入行业知识、行业数据，形成"懂行业"的中间层。L2层则深入到细分场景（如高炉炉温预测、连铸喷嘴诊断、药物分子优化），提供开箱即用的模型服务。
这种分层设计解决了一个根本矛盾：基础模型的通用性与行业场景的特异性之间的张力。传统"作坊式"AI开发是一个场景一个模型，数据质量差、泛化弱，AI企业在制造业的渗透率长期维持在4%左右。盘古通过预训练建立通用知识底座，再以行业数据微调和场景定制实现快速适配，使开发模式从"手工作坊"升级为"工厂流水线"。
在矿山领域，这一方法论的效果尤为突出。2023年7月，华为联合山东能源发布全球首个能源行业商用AI大模型——盘古矿山大模型。通过云边协同架构，一处训练、全集团共享，已覆盖60余座矿山、100余个作业场景。在山东能源的标杆矿井中，512路AI场景让每个井下摄像仪成为24小时"电子安全员"，卸压钻孔施工审核工作量降低82%，原本需要3天的流程缩短至10分钟——这种效率的量级提升，是行业客户愿意付钱的根本原因。
在医药领域，盘古药物分子大模型已学习17亿个药物分子结构，新增靶点口袋发现、分子对接、合成路径规划等十大AI制药核心场景。西安交大一附院刘冰教授团队利用该模型成功研发超级抗菌药Drug X，有望成为近40年来首个新靶点、新类别的抗生素——先导药研发周期从数年压缩至1个月，成本降低70%。这一案例之所以重要，不仅在于药物本身的医学价值，更在于它证明了AI辅助药物发现的可行性和高效率。
竞争壁垒：算力、数据与生态的三重护城河
华为行业AI的壁垒，不在算法本身——Transformer架构已是开源知识，任何人都可以从GitHub下载——而在于算力、数据与生态的三重积累。
算力层面，华为以昇腾AI芯片和华为云Stack构建全栈自主算力底座，2025年发布的盘古Ultra达到135B参数，在多项基准测试上超越DeepSeek R1。从云边端协同到端云算力释放，华为在算力基础设施上的投入形成了难以复制的规模优势——这不是一年两年能建成的。
数据层面，行业大模型的核心竞争力来自行业know-how的数据化。宝钢数十年生产数据、山东能源的井下运行数据、ECMWF的全球再分析数据——这些数据资产与华为的模型能力结合后产生的飞轮效应，是后来者仅靠公开数据无法追赶的。数据壁垒的本质是时间壁垒：你现在追赶，需要花同样的时间去积累同等规模的高质量行业数据，而这通常需要十年以上。
生态层面，华为的"军团模式"深度嵌入行业，以联合创新中心、合作伙伴联盟的形式构建产业共同体。金融领域已服务全球超3300家金融机构；交通银行"交心金融大模型"获2025数字中国峰会AI赛道二等奖；翰宇药业、拓维信息、润和软件等合作伙伴在各自领域形成差异化竞争力。这种生态的深度，不是靠钱能买来的，需要长期的行业浸润和信任积累。
挑战与反思：光环之下的暗流
华为行业AI的路径也面临深层挑战。
大模型在工业场景的可靠性和可解释性仍需长期验证——工业场景对错误率的容忍度极低，一次误判可能造成重大安全事故。"AI预测"和"AI决策"是两回事，从预测到控制还有很长的路要走。
"算力+模型+场景"的闭环依赖头部客户的数据开放意愿——最优质的数据往往掌握在最保守的企业手中，让他们把核心生产数据拿出来训练AI，需要的不是技术而是信任和制度保障。
军团模式虽深耕行业，但规模化复制速度受限于行业本身的数字化成熟度——中国制造业的数字化水平参差不齐，头部客户可以与华为深度共创，但腰部客户的数字化基础往往不足以承接先进AI能力。
在金融、医疗等强监管领域，AI决策的可审计性和合规性仍需制度层面的创新——监管沙盒的推进速度，决定了AI在这些领域渗透的速度上限。
然而，华为在行业AI上的探索，其价值超越了商业本身。华为常务董事张平安曾说："中国的AI发展，一要构建可持续发展的算力基础设施，二要敢于快速开放行业场景。"从这个角度看，华为的行业AI实践，正在为全球AI产业探索一条"从实验室到生产线"的可行路径。
第四部分：战略层——华为AI的战略定位与竞争态势
竞争格局：从百模混战到阵营分化
2025年是中国AI大模型市场的分水岭。行业规模从2024年的294亿元跃升至近500亿元，预计2026年将突破700亿元。但比规模扩张更值得关注的是竞争逻辑的根本性转变——从单点参数竞赛走向生态体系对抗。
当前市场已形成清晰的阵营分化。第一梯队是互联网生态巨头：阿里通义千问依托阿里云生态，日均调用量破百亿次，开源模型下载量全球前三；字节豆包坐拥抖音、头条等超级入口，C端月活超1亿；百度文心一言凭借搜索入口和知识图谱深耕专业领域，覆盖90%央企。第二梯队是技术突破型选手：DeepSeek以1/30的训练成本实现顶级推理性能，开源策略搅动全球格局；智谱AI在代码生成领域表现突出。
华为的位置独特而微妙——它既不在第一梯队的互联网生态阵营，也不同于第二梯队的纯技术玩家。华为盘古大模型在C端存在感相对有限，在通用大模型的公开评测排名中也非头名，但华为拥有一个所有竞争对手都不具备的底牌：从芯片到模型的全栈自研能力。这使得华为在中国AI版图中占据了一个不可替代的战略高地——国产AI基础设施的"底座型"玩家。
在AI云市场，2025年上半年规模达223亿元，阿里位居第一，字节第二，华为第三，腾讯第四。华为虽未登顶，但其作为"算力底座+行业模型"双轮驱动的定位，正在形成一条与互联网巨头截然不同的增长曲线——不靠流量变现，而靠算力和行业解决方案变现。
战略选择：全栈自主与行业深耕
华为AI战略的核心逻辑，可以概括为两个关键词：全栈自主与行业深耕。
全栈自主，是华为最根本的战略选择。从底层的昇腾AI芯片，到中间的CANN计算架构和MindSpore框架，再到上层的盘古大模型和行业解决方案，华为构建了国内唯一从芯片到应用的全栈AI技术体系。2025年，昇腾芯片出货量达81.2万张，占据国内20%的整体市场份额，稳居国产AI芯片第一，在国产品牌出货量中占比高达49%。
这一战略选择背后是深刻的战略考量。在外部芯片供应受限的背景下，全栈自主不仅是技术路线的选择，更是生存保障。华为常务董事张平安在2025年明确表示，华为AI策略已从"追赶对标业界SOTA"转向"为更好发挥自研昇腾硬件潜力而量身定做模型架构"。盘古Ultra MoE模型正是这一理念的最佳注脚——7180亿参数全程基于昇腾训练，通过软硬件协同优化，算力利用率从30%提升至41%，实现了系统级突破。
行业深耕，是华为区别于互联网巨头的第二条战略主线。盘古大模型不走C端流量路线，而是聚焦B端行业场景，已在30多个行业、500多个场景中落地。从矿山安全到气象预测，从金融风控到医疗诊断，华为选择了最"重"也最"硬"的赛道。这种"做苦活、啃硬骨头"的策略，短期内不如C端应用光鲜，但构建了深厚的行业壁垒——一旦盘古大模型嵌入客户核心业务流程，替换成本极高，形成事实上的"行业操作系统"地位。
核心优势：三重护城河
华为在AI领域的竞争优势，可以归纳为三重相互强化的护城河：
第一重：算力自主可控。在国产替代加速的背景下，华为昇腾是唯一能够大规模交付的国产AI芯片方案。CloudMatrix 384超节点将384颗昇腾NPU全对等互联，单卡推理吞吐量达2300 Tokens/s，较非超节点提升近4倍。在政企、运营商、金融等对自主可控要求极高的场景中，这是不可替代的优势。截至2025年底，昇腾生态已汇聚400万+开发者、3000+合作伙伴、6700+行业解决方案，形成了国内最完整的AI计算生态。这种规模的生态，不是靠一款产品就能建立的，而是靠多年的持续投入和开放合作积累而成。
第二重：软硬件协同进化。这是华为最深层的竞争优势。当其他厂商在英伟达硬件上优化模型时，华为可以同步调整芯片架构和模型架构，实现"双向协同进化"。国泰海通的研究报告指出，华为正通过"仿真先行的设计方法"来优化模型架构以适配昇腾硬件，并贯穿训练和推理全流程的协同优化。这种从底层到应用的一致性优化，是任何依赖第三方芯片的厂商无法复制的——他们的优化永远受制于芯片厂商提供的接口和工具。
第三重：ICT基础设施叠加。 华为不仅是AI公司，更是全球最大的ICT基础设施提供商之一。5G网络、云计算、存储、鸿蒙操作系统——这些能力与AI形成乘数效应。2026年合作伙伴大会上，华为提出"一个深耕、两个扩张"的市场策略，将AI与ICT基础设施深度整合，面向央企国企打造行业示范案例，面向中小企业推出95套场景化解决方案——这种端到端的交付能力，是纯AI公司不具备的。当AI需要与5G网络协同、与云平台集成、与物联网打通时，华为的ICT全栈优势就转化为了AI解决方案的差异化竞争力。
四道关卡：不可回避的挑战
尽管战略优势明显，华为AI之路也面临四道不容回避的关卡：
第一关：芯片制造瓶颈。昇腾芯片设计能力虽强，但制造环节受制于先进制程供应。虽然华为通过架构创新弥补了部分制程劣势，但在最前沿的训练场景中，算力密度和能效比与英伟达最先进产品仍有差距。长期来看，芯片制造自主可控是华为AI战略的最大不确定性——这是一个需要整个中国半导体产业共同解决的系统工程。
第二关：生态锁定难题。全球AI开发者生态仍以英伟达CUDA为核心。CANN虽在国内取得71%份额，但这很大程度上得益于国产替代政策驱动。在技术社区活跃度、第三方工具链丰富度、国际开发者吸引力等方面，CANN与CUDA仍有显著差距。很多国产AI芯片仍在借用CUDA生态——这本身就是生态弱势的明证，也是华为需要持续补足的短板。
第三关：C端与通用能力短板。 盘古大模型在行业场景表现突出，但在通用对话、创意生成等C端场景中，与通义千问、豆包等存在差距。DeepSeek以极低成本实现顶级推理性能，进一步加剧了通用大模型的价格竞争。华为缺乏超级APP入口，C端用户触达能力不足——在AI应用消费化的趋势中，这是一个不可忽视的结构性短板。
第四关：开放与闭环的平衡。 2026年3月，华为宣布全面开放盘古大模型，开源718B至1B全尺寸版本。这标志着华为从"闭环生态"向"开放平台"的战略转型。但开放意味着盘古要与通义、DeepSeek等开源模型直接竞争，而华为在开源社区的影响力和开发者号召力尚需时间积累。开源是一把双刃剑：吸引开发者的同时，也可能稀释华为的技术差异化优势。
未来展望：从"国产替代"到"技术引领"
站在2026年的节点，华为AI战略正面临一次关键的跃迁：从"国产替代"驱动转向"技术引领"驱动。
短期来看，国产替代的红利仍在释放。英伟达在国内的市场份额已从2024年的70%降至2025年的55%，昇腾的份额有望继续提升。政企、运营商、金融等核心领域的AI基础设施国产化率仍将持续攀升，这是华为最稳固的基本盘。
中期来看，AI Agent（智能体）时代的到来对华为有利。行业已从通用模型转向行业智能体，多智能体协作趋于成熟，正成为企业核心生产环节。华为在行业Know-How、ICT基础设施、端到端交付能力上的积累，将在Agent时代转化为更强的场景落地能力。"行业AI梦工厂"的提出，正是对这一趋势的精准预判。
长期来看，决胜的关键在于能否真正实现"技术引领"。盘古Ultra MoE证明了华为在超大规模模型训练上的自主能力，CloudMatrix 384证明了架构创新可以弥补制程差距。但真正的技术引领，不仅是在现有范式上追赶和优化，更是要定义下一个范式。华为在具身智能、世界模型（盘古世界模型已用于自动驾驶仿真）、科学计算等前沿方向的布局，或将成为下一轮竞争的差异化突破口。
结语：一条难而正确的路
华为AI战略的本质，是在全球AI竞争格局中走出一条"非对称路线"——不与互联网巨头争C端流量，不与英伟达拼单卡极致性能，而是以全栈自主为根基、行业深耕为路径、生态开放为杠杆，构建一个以国产算力为底座的AI产业生态。
这条路难而正确。
难，在于芯片制造受制、生态根基尚浅、行业渗透速度受制于客户数字化成熟度——每一个都是需要数年甚至十数年才能解决的系统性工程。
正确，在于在大国科技竞争的语境下，全栈自主是唯一不被"卡脖子"的路径，行业深耕是唯一能产生真实商业价值的落地方向，生态开放是吸引开发者和建立国际影响力的必经之路。
华为能否从"国产替代的无奈之选"进化为"技术引领的主动之选"，将决定中国AI产业能否真正拥有一个自主可控的未来。这不只是华为的故事，也是整个中国科技产业在智能化时代的一次集体探索。
