华为昇腾全家桶概览：先把型号和定位理清楚

本文来源： IT孙磊（公众号：IT孙磊）
原文链接： https://mp.weixin.qq.com/s/dpbdPrOn6CmOUqMgF6gw5A
发布时间： 2026-08-19 06:07

作者： IT孙磊　　发布时间： 2026-08-19 06:07

本期摘要

昇腾的型号命名容易让人晕：310和910差一个数字，实际是两条完全不同的产品线；Atlas 200/300/500/800/900听起来像五代产品，其实是同一批芯片的五种封装形态。这篇不做深度测评，只做一件事：把昇腾的产品结构讲清楚——哪条线管训练、哪条线管推理，达芬奇架构为什么擅长矩阵运算，Atlas各型号分别对应什么部署场景。后面三篇再分别深挖910系列、310系列和生态短板。

一、两条产品线，别混着记

昇腾的芯片编号有个简单规律：3开头是推理线，9开头是训练线。这两条线不是高低配关系，是面向完全不同的场景设计的。

▲ 两条产品线的功耗与算力定位

看左图的两个色带：310系列挤在10W量级，910系列在400W量级，中间是空的。这个空档不是产品缺失，是边缘和数据中心本来就没有中间态需求——要么是功耗受限的现场设备，要么是机房里的标准卡。

二、达芬奇架构：为什么擅长矩阵

昇腾用的是华为自研的达芬奇（DaVinci）架构。它和GPU最大的区别在于计算单元的构成比例。

• Cube单元

：专做矩阵乘法，是算力的主要来源。一次运算处理16×16的矩阵块

• Vector单元

：处理向量运算，负责激活函数、归一化这类逐元素操作

• Scalar单元

：标量运算与流程控制，占比最小

右图那个80%说明了设计取向：达芬奇把绝大部分晶体管预算给了Cube。这带来一个直接结果——跑Transformer这类矩阵密集的负载效率高，但遇到大量逐元素操作或者不规则计算时，Vector单元会成为瓶颈。

这解释了一个常见现象：同一款昇腾卡，跑标准Transformer的实测效率不错，换成结构比较特殊的模型就掉下来。不是驱动没优化好，是架构的比例决定的。选型时要问的问题是：我的模型里矩阵运算占比多高。

三、Atlas矩阵：同一批芯片的五种封装

Atlas是产品品牌，不是芯片代号。同一颗310P可以出现在模组里、加速卡里、也可以出现在边缘一体机里，区别只在封装形态和配套。

▲ Atlas产品矩阵的部署规模

采购时的一个实际提醒：昇腾910系列通常不单卡零售，主要以Atlas 800整机或集群方案交付。这和买NVIDIA卡的模式不同——你买的是一套配好CANN环境的系统，不是一张卡。这既降低了自己搭环境的难度，也意味着议价和配置的自由度更低。

四、这个系列接下来讲什么

这篇只做索引。真正影响选型决策的三个问题，分别放在后面三篇：

1. 910系列到底能不能替代A100？

纸面算力和实测性能的差距在哪，四个版本怎么选（第21篇）

2. 310系列的边缘覆盖能力如何？

310/310P/310B/310I的差异，Atlas 200模组的实际部署（第22篇）

3. 生态短板有多大？

CANN和CUDA的差距、算子覆盖率、HuggingFace模型的迁移工作量（第23篇）

如果只带走一句话：昇腾的产品结构本身是清晰的——两条线、一套架构、一个Atlas矩阵。真正需要花时间评估的不是型号，是CANN生态能不能跑起你的模型。这也是为什么这个小节要用四篇来讲。

核心要点

• 3开头是推理线、9开头是训练线

，不是高低配关系。310在8~24W，910在310~400W，中间没有产品

• 达芬奇架构把约80%算力预算给了Cube矩阵单元。

跑Transformer效率好，遇到大量逐元素操作时Vector单元成瓶颈

• 选型要先问：我的模型里矩阵运算占比多高。

同一款卡在不同模型结构上的实测效率差别，源于架构比例而非驱动

• Atlas是封装形态不是芯片代号：

200I模组、300I标准卡、500边缘站、800整机、900集群，装的是同一批310P或910

• 910主要以Atlas 800整机交付，不单卡零售。

好处是环境配好了，代价是配置和议价自由度低

• 产品结构清晰，真正的评估重点在生态：

CANN能不能跑起你的模型，比记住型号重要得多

下期预告

昇腾910系列深度测评：910/910A/910B/910C

910B对标A100：384 TFLOPS FP16、64GB HBM2e。但纸面算力更高，实测推理反而可能更慢——差距出在哪。四个版本的真实差异、MIG类功能对比，以及国产替代的实际落点。

看完有启发的话，点个"在看"再走

本文包含AI辅助创作内容，作者已审核并对全文负责

本文转载自微信公众号「IT孙磊」，仅供学习交流使用。