昨天（2026 年 9 月 17 日），华为全联接大会 2026 在上海开幕，轮值董事长汪涛交出了「韬定律」提出四个月后的最新答卷：昇腾 960 系列芯片研发进度超预期，960DT 提前三个季度到 2027 年一季度就绪，960PR 提前一个季度到 2027 年三季度，此后一年一代，970 排进 2028、980 排进 2029。
和芯片同步亮相的，是业界首个采用 NPO（近封装光学）技术的昇腾 960 超节点：单个超节点 4096 卡，最大提供 8 EFLOPS FP8 算力和 1PB HBM 容量，内部用 5500 个 Hi-ONE 光引擎替换了原本需要的 4.8 万颗 800G 光模块，功耗直降超 550 千瓦。华为马尔科夫实验室的仿真数据显示：用 4K 超节点构建 10 万卡集群，相比传统 8 卡服务器架构，MFU（算力利用率）提升达 2.75 倍——因为传统架构下集群内通信开销能吃掉训练总时长的 40% 以上。背景数据同样惊人：中国每日推理 Token 已到 500 万亿量级，昇腾 910C 超节点已部署超 1000 套，950 超节点规模商用。
但说实话，超节点是云厂商和大模型公司的战场。对普通开发者和小团队，真正的问题是：这股东风能怎么蹭？今天、用普通预算，怎么把模型跑在昇腾上？ 本文给三条已验证可行的路径。
一、路径零成本体验：云上按卡时租昇腾
不用买卡，也不用等 960——现在商用的昇腾 910B/910C 已经够跑绝大多数推理和中小规模训练。三种租法按上手难度排：
- 华为云 ModelArts / 昇腾 AI 云服务：控制台选昇腾 910 系列资源池，镜像里预装 CANN 和 MindSpore，开一台昇腾推理实例和开普通 GPU 实例体验几乎一致；
- 各地智算中心 / 算力券：2026 年各省市智算中心普遍对中小企业发算力券，部分补贴比例能到 50%，申请门槛远比想象低，值得先查本地政策；
- 第三方平台：OpenCSG、趋动科技 OrionX 等聚合平台支持按小时租用昇腾资源，适合短期压测。
一个选型参考：纯推理场景（vLLM / MindIE 起服务）选 910B 单卡或 4 卡即可跑 70B 级量化模型；训练场景优先找带超节点架构的集群，因为超节点对 MFU 的提升对训练远比对推理重要。
二、推理部署：vLLM-Ascend 是你最熟的那套
好消息是昇腾生态最大的进步发生在软件层——你大概率不用学一套全新的框架。torch_npu 让 PyTorch 代码几乎零改动上昇腾，而 vLLM 官方社区的 Ascend 版本（vllm-ascend） 让你沿用熟悉的 OpenAI 兼容 API。
PyTorch 适配只需三行：
import torch
import torch_npu # 把 CUDA 设备换成 NPU
device = "npu:0"
torch.npu.set_device(device)
# 原 CUDA 代码基本不动，torch.cuda.is_available() 换 torch.npu.is_available()
用 vllm-ascend 起一个 OpenAI 兼容服务：
pip install vllm vllm-ascend
vllm serve Qwen/Qwen3-32B --tensor-parallel-size 4 --device npu
# 之后 curl localhost:8000/v1/chat/completions 和 GPU 版完全一致
如果你的推理框架还没适配昇腾，华为官方的 MindIE（Mind Inference Engine）是兜底选项：支持主流开源模型的一键部署，提供 continuous batching 和量化能力，910B 上 Qwen 系列 32B 模型的吞吐已接近同价位 GPU 方案。
三、训练与微调迁移：一张对照清单
从 CUDA 迁到昇腾做训练/微调，坑主要不在算子而在生态细节。迁移前按这张清单自查：
| 环节 | CUDA 世界 | 昇腾世界 | 注意点 |
|---|---|---|---|
| 框架 | PyTorch + CUDA | PyTorch + torch_npu | 90% 代码不用改，10% 在自定义 CUDA kernel |
| 微调工具 | LLaMA-Factory / Axolotl | ms-swift / LLaMA-Factory（已支持 NPU） | LLaMA-Factory 加 --device npu 即可 |
| 算子库 | FlashAttention-2 | FlashAttention 已原生支持 NPU | 老版本 FA 编译失败就先升级 |
| 分布式 | NCCL | HCCL | 环境变量名不同，NCCL_ 前缀换成 HCCL_ |
| 精度 | BF16 默认 | BF16 支持完善，FP8 看芯片代际 | 910C 起 FP8 可用，960 才到 8 EFLOPS 级 |
实践上建议的路线：先用 ms-swift 或 LLaMA-Factory 在单卡上把 LoRA 微调跑通（这一步几乎无痛），再上多机多卡做全参训练。全参训练的分布式调试才是真考验，HCCL 的通信拓扑和超节点的互联架构强相关——这正是 960 超节点 NPO 互联要解决的痛点，租用带超节点架构的集群时优先确认网络配置是否已按 HCCL 最佳实践调优。
注意事项与常见问题
Q：现在是上昇腾的时机吗？ 推理：是。vllm-ascend + torch_npu 的成熟度已经足够生产用，且在算力紧张、出口管制反复的背景下，国产算力是真实的备案与合规选项。训练：看规模，LoRA/中小规模全参可上，超大集群训练建议等有 960 超节点商用实例后再评估。
Q：CUDA 代码迁移成本到底多大？
纯 PyTorch 业务代码接近零成本；有自定义 CUDA kernel 的项目成本陡增，需要改写成 Ascend C 或找已有算子替代。迁移前先用 torch_npu 的兼容性检查工具扫一遍。
Q：云租用价格相比 GPU 如何？ 910B 单卡时租价格普遍低于同代 A100/H100 的紧俏市场价，且供应稳定、排队短；但二手 GPU 市场价格波动大，长期租约建议两边都询价。
Q：超节点（SuperNode）和我有什么关系？ 直接面向万亿参数训练和超大集群。它带来的 MFU 提升会间接降低云上训练单价，普通开发者享受的是「更便宜的租用价格」这个结果，而不是架构本身。
小结
9 月 17 日发布的昇腾 960 超节点把国产算力的叙事从「能替代」推向「在某些维度领先」：8 EFLOPS FP8、1PB HBM、NPO 光引擎替掉 4.8 万颗光模块、MFU 提升 2.75 倍。但落到开发者身上，行动清单其实很朴素：云上按卡时租一台 910 实例，用 import torch_npu 把现有 PyTorch 代码跑起来，用 vllm-ascend 起 OpenAI 兼容服务，微调优先走 ms-swift 或 LLaMA-Factory。国产算力不再是「备选方案」的标签，而是一个今天就能接进工作流的现实选项。
注：文中昇腾 960 超节点参数、芯片时间表及部署数据来自 2026 年 9 月 17 日华为全联接大会公开报道；云服务价格与可用机型以各平台实时页面为准。