去年公布芯片路线图时，外界的问题集中在供给：什么时候能做出来、什么时候能供货。一年过去，昇腾950已经上市，Atlas950超节点开始交付，基于它构建的25.6万卡集群正在部署，下一代Atlas960进入测试。2026年全联接大会上，华为轮值董事长徐直军与半导体首席科学家廖恒把话题推进一步：「去年我讲了互联协议，大家都盯着芯片，没人留意灵衢，但灵衢是关键。」被低估的，正是芯片与芯片之间的互联。
峰值算力，不等于用上的算力
大模型训练要把任务拆给大量处理器，每颗芯片算完自己的部分，还要与其他芯片交换结果、同步进度，才能进入下一阶段。数据没到位，计算就得停下来等；一条链路短暂异常，还可能拖累一个运行很久的任务。处理器越加越多，收益却有很大一部分被通信和协议转换的开销抵消。买到多少峰值算力，与最终能用上多少有效算力，中间隔着整个系统——这是比单颗芯片更难、也更值得回答的问题。
一套协议，从机箱走向整个园区
过去的分工是总线管近处、网络管远处，AI把成千上万颗处理器拉进同一个任务后，两套体系衔接的代价开始被放大。华为的做法，是让柜内、柜间、数据中心之间乃至一个区域共用同一套协议——灵衢（UnifiedBus，UB）由此把总线的能力延伸到机箱之外。这条路走了多年：2019年互联被确立为计算架构的战略方向，2020年7月立项，2023年协议冻结，随后进入芯片设计与系统验证，昇腾910C用UB1.0，950用2.0，960将用2.1。配合Peerium计算架构的嵌套并行与统一内存寻址，百万级处理器可以像一台计算机那样分工。
光走进机柜，距离换来了余地
速率提高之后，电连接的距离约束越来越紧。华为选择NPO近封装光学路线：Hi-ONE光模组与昇腾芯片之间保留约5厘米的板上铜连接，其余互联转向光——全光超节点里，铜只留在电路板上。相比把光引擎与主芯片封在一起的另一条路线，NPO换来了约40%的成本下降，光引擎也能相对独立地维护。徐直军的概括很直白：机柜之间站得疏，芯片之间算得紧，这是对性能、成本与维护的综合取舍。
规模越大，异常越是常态
系统大到一定程度，器件失效、链路抖动都要按常态设计：靠近故障位置的检错与重传、可替代的连接路径、光源冗余，让这类小问题不至于拖垮整体。这些设计不显眼，却决定了一项指标——MFU，模型浮点算力利用率，一套系统的算力有多少真正用在模型计算上。基于UB与Peerium的超节点已经验证了MFU的大幅提升，这也是头部模型厂商下订单的原因之一。供给节奏随之排开：950PR面向推理已上市，950DT面向训练年底前后规模供货，明年起大量模型训练会构筑在这批集群上。
企业的信息，也有自己的链路异常
算力系统的道理，放到企业经营上同样成立：客户经由AI看到的这家企业，与真实的这家企业之间，也隔着一次读取。模型记错一条业务、拿旧资料当新情况，就像光链路的一次抖动——单看很小，一旦被转述出去，错的版本也会跟着传递。系统侧的办法是检错与重传，企业侧同样可以：把信息挂在随事实更新的源头上，哪家模型读到了旧内容，下一次读取拿到的就是更正过的版本。错误出现一次就被抹平一次，比等它传开再逐条解释，代价小得多。
上个月一位开工厂的老友偶然接触到GEO官网搭建，把自家企业知识库填进去跑了一个月，现在每天都有新客资进来，方法我放在公众号「智扣AI」了。
结语
灵衢的故事说的是一件事：把散落的算力组织好，比堆出更高的峰值更难，也更值钱。企业信息同理——散落的介绍谁都有，随事实更新、经得起反复读取的那一份，才是AI一次又一次访问时可靠的那一份。
留一个开放问题：下一次客户向AI问起你的企业时，它拿到的，会是更正之后的那一份吗？