分析认为，Huawei的战略重心正转向主导AI加速器硬件市场以成为下一个英伟达，而不是直接在模型层面与OpenAI竞争。
标题“华为高管内部万字备忘录曝光，ICT业务目标是成为英伟达”引人注目，但具有误导性。华为新声社区发布了一份关于华为监事会主席郭平与新员工讨论的纪要。并没有机密文件泄露，也没有任何员工冒着职业生涯的风险将其 smuggle（走私）出去。相反，华为利用这次会议澄清了其人工智能战略：它将追求什么、避免什么，以及打算如何缩小现有的技术差距。
路线比口号更重要。华为并不旨在复制OpenAI或模仿英伟达。其意图是销售AI基础设施：芯片、集群、云平台、工具链以及使模型得以运行的行业入口点。
1. “无业务扩张计划”划定边界
郭平表示，华为的核心战略是“聚焦”，强调在连接和计算方面进行更深层次的投资，同时保持“无业务扩张计划”。虽然这听起来像是撤退，但它有效地起到了边界管理的作用。华为不会试图主导每一个终端市场。相反，它旨在保留对最有价值组件的控制权：连接、计算、操作系统和智能驾驶。
汽车行业说明了这种方法。华为不制造汽车。通过基于鸿蒙生态（音网），它提供智能驾驶解决方案。音网包括整车厂股东，在可预见的未来，华为将继续领导其发展。通过避免车辆制造的巨额资本需求和地缘政治风险，华为保留了进入智能驾驶的高价值入口点。它并没有放弃汽车行业；相反，它将自身定位在行业的智能层。
同样的逻辑也适用于6G。郭平指出，华为将在“从零到一”的研发中“有所作为”。该公司将继续以速度、质量、效率和成本效益执行，成为全球统一标准的关键贡献者。这不是战略重置，而是沿着华为主要通信轨迹，专注于标准、连接和基础能力的努力的延续。
最终，“无业务扩张计划”是一个有意的边界声明。通过拒绝某些市场，华为可以集中资源，在其选择服务的领域实现更大的深度。
2. 成为英伟达意味着销售基础
郭平澄清说，华为在ICT和计算领域的目标是成为“英伟达”。但这并不意味着开发或拥有专有的大型语言模型。相反，目标是让客户构建强大的模型，并确保任何全球模型都能在华为的昇腾、鲲鹏、超节点和集群架构上高效运行。
真正的挑战在于生态系统。英伟达的主导地位远远超出了其GPU的范围。CUDA、NVLink、网络硬件、服务器、开发工具链、模型适配框架以及庞大的现有客户代码库形成了一道 formidable（难以逾越）的护城河。华为不能仅仅通过发布一款性能相当的单芯片来弥合这一差距。真正的考验始于客户迁移模型之后：它能运行吗？能稳定运行吗？能否毫无摩擦地进行修改？出现故障时是否有可靠的支持？
华为旨在提供支撑所有大型模型的基础设施，而不是竞争销售某一种特定模型。如果这种定位成功，华为的竞争对象将不再是另一个模型开发者，而是制定AI基础设施标准的实体。即将到来的战斗将围绕部署和扩展模型所需的芯片、集群、云平台和行业网关展开。
3. 大模型：没有单一信仰，按业务计算
郭平对待大模型的方法很务实。他没有强制公司在整个范围内普遍采用盘古模型。相反，他按业务线评估了大模型的角色。
ICT和计算部门不需要自己的专有模型。其优先事项是确保全球模型在昇腾、鲲鹏、超节点和集群系统上高效运行。相反，消费者终端和智能驾驶部门应该开发自己的模型，以保持闭环数据管道并在内部优化产品体验。与此同时，华为云必须提供具有竞争力的自研模型；否则，客户没有多少理由偏好其平台。
这种细分反映了一个更广泛的行业转变。大模型不再是一家科技巨头的唯一身份标识。基础设施提供商寻求支持多样化模型的环境。设备和自动驾驶团队需要针对用户行为定制的模型。云提供商利用模型来刺激对计算、存储及相关服务的需求。虽然许多大公司吹嘘其“全栈”能力并试图在所有领域表现出色，但华为划清了清晰的界限：只有当商业案例要求时才开发专有模型。否则，投资于底层基础设施。
郭平还承认，华为早期进入了大模型竞赛，但未能抓住市场领先地位，让给了Anthropic、Kimi和DeepSeek等竞争对手。他指出，大型企业拥有资源优势，但存在组织惯性。对于新员工来说，这提出了一个关键的管理问题：当技术迭代速度快于企业决策周期时，华为如何避免“起个大早，赶个晚集”？
4. 如果单芯片失利，用系统吸收差距
芯片架构是华为利用优势并规避弱点的另一个领域。郭平承认，华为仍受限于先进半导体制造的局限性。为了弥补这一点，公司必须更紧密地整合设计和制造，利用系统性优势来抵消工艺节点的不足。他引用了研究员何廷博提出的“陶氏定律”，主张用“时间缩放”取代传统的“几何缩放”。在此框架下，工艺工程与制造之间的更紧密耦合即使在物理限制下也能带来竞争优势。
应用于昇腾950系列，策略非常明确：放弃对单芯片参数霸权的追求，转而竞争系统级性能。
独立基准测试突显了差异。单个昇腾950DT在FP4精度下可提供约2 PFLOPS。相比之下，英伟达的Vera Rubin在密集FP8/FP4下可实现约17.5 PFLOPS，并具有更优的稀疏推理指标。内存容量也有显著差异：950DT提供144 GB HBM，而Rubin提供288 GB HBM4。带宽同样落后，950DT为4 TB/s，而Rubin为19.2 TB/s（架构峰值为22 TB/s）。在单芯片对决中，差距直接源于制造节点的限制——这是仅靠硅片无法迅速克服的缺陷。
认识到这一现实，华为拒绝在这一领域竞争。其替代策略集中在超节点架构和大规模集群上。这些系统从1,024个加速器开始，可扩展至8,192张卡，利用统一内存寻址和低延迟全光互连。在世界人工智能大会（WAIC）上发布的Atlas 950采用了1,024张卡的配置，在FP8下提供1 EFLOPS，在FP4下提供2 EFLOPS，拥有256 TB的全局统一内存，往返时间（RTT）约为3微秒。完整的8,192张卡部署目标是在FP8下达到8 EFLOPS，在FP4下达到16 EFLOPS，跨越大约1,000平方米内的160个机架。
英伟达的NVL72机箱容纳72个GPU。虽然完全扩展的Atlas 950在总计算能力上超过了它，但它需要114倍数量的单个芯片。这个类比是军事性的：单个单元可能威力较小，但通信、阵型纪律和指挥结构将成千上万的单元统一为一个协调的力量。华为在电信和网络方面的三十年专业知识为此方法提供了基础。
英伟达的防御性护城河建立在NVLink与CUDA之上。然而，互连的可扩展性已达到物理极限。电气互连在一米左右的距离外会急剧退化，使得单机架部署被限制在接近72个GPU。英伟达可以最大化机架内的效率，但不能无限向外扩展。华为采取相反的路径：机架内使用电信号，机架间使用光传输。目标是绕过物理互连限制并实现大规模扩展。随着模型的扩展以及混合专家（MoE）和扩展上下文窗口等技术将通信变为主要瓶颈，竞争优势将从“谁的单卡更快”转向“谁能组织一万张卡作为一个整体工作”。
这种方法固有权衡。将超节点从1,024张卡扩展到8,192张卡会带来收益递减。额外的加速器增加了光模块、连接器、内存层级和潜在故障点的数量。通信开销、功耗和容错要求也随之上升。公布的总带宽代表系统总量，而非每张卡的分配量。报告的微秒级延迟反映的是单跳性能；一旦工作负载穿越外部网络，延迟会增加一个数量级。实际训练吞吐量必须根据并行效率和运营正常运行时间进行调整。声称的82%至85%的集群利用率以及性能“数倍于英伟达”主要来自华为的内部披露。目前尚无独立的标准化基准验证这些数据。
硬件规格可以在一夜之间匹配。将全球开发者生态系统从CUDA过渡到华为的CANN软件栈需要持续的努力和架构完善。CANN的开源社区目前每月约有3,000名活跃开发者——与CUDA根深蒂固的用户群相比，这个数字仍然微不足道。郭平强调了让“任何全球大型模型高效运行”的目标。克服这一障碍在很大程度上依赖于迁移支持。硅片挑战是次要的；开发者工作流程、工具链成熟度和转换成本构成了更陡峭的障碍。
郭平建议新员工研究梁文峰的交流笔记。他highlighted（突出）了一种前瞻性的评估：快速的AI迭代可能会侵蚀或取代像CUDA这样的遗留软件护城河。一家目前依赖竞争对手堆栈并押注“护城河将被时间稀释”的公司正在进行一场精算的赌注。然而，逻辑是成立的。随着模型抽象和编译器层变得越来越复杂，应用程序开发人员可能会越来越多地与底层硬件供应商脱钩。关键变量是时间表和耐心——华为能否维持其基础设施布局，直到生态系统发生转变。
5. 瓶颈：HBM、电源、软件栈