Huawei Ascend AI Chips: specifiche, modelli e roadmap 2027 spiegata
I principali laboratori di intelligenza artificiale cinesi addestrano sempre più spesso modelli frontier su processori Huawei Ascend — chip AI di produzione nazionale che competono direttamente con le GPU per data center di NVIDIA. La piattaforma Z.ai e altri laboratori frontier eseguono oggi l’intero stack di addestramento su hardware Ascend, a seguito delle restrizioni all’esportazione statunitensi che hanno interrotto l’accesso ai chip A100 e H100. Questa guida copre ogni generazione Ascend dalla serie 910 al prossimo 970, i dati di performance reali e come l’Atlas SuperCluster stia ridisegnando l’infrastruttura AI globale.
La lineup Ascend va dal collaudato 910B alle generazioni pianificate 960 e 970, con prodotti di sistema come l’Atlas 950 SuperPoD che supera l’NVL144 di NVIDIA di 56,8 volte per scala e 15 volte per memoria totale.
Cosa sono i chip AI Huawei Ascend?
HiSilicon — la divisione interna di progettazione di semiconduttori di Huawei — sviluppa i processori Ascend per carichi di lavoro di addestramento e inferenza AI su larga scala. I chip sono progettati per sostituire le GPU NVIDIA nei data center cinesi, priorità urgente dopo che le restrizioni all’esportazione statunitensi hanno interrotto l’accesso all’hardware A100 e H100. La lineup Ascend di Huawei compete direttamente con il portafoglio data center di NVIDIA e consente all’industria AI cinese di operare indipendentemente dal calcolo controllato dagli Stati Uniti.
La serie Ascend non nacque come semplice reazione alle sanzioni. HiSilicon progettava acceleratori AI dal 2018, e l’Ascend 910 debuttò prima che entrassero in vigore i primi significativi controlli sulle esportazioni. Ciò che cambiò dopo il 2022 — e soprattutto dopo gennaio 2025 — fu l’urgenza: ogni grande laboratorio AI cinese formalizzò una strategia Ascend-first, e i volumi di produzione di Huawei scalarono di conseguenza.
Design e scopo
I chip Ascend sono progettati appositamente per i carichi di lavoro AI ad alta intensità di matrice: addestramento di grandi modelli linguistici, generazione di immagini e inferenza su scala data center. A differenza delle GPU per uso generale, l’architettura Ascend privilegia le operazioni tensoriali e l’efficienza nel movimento dei dati. I chip si integrano con il framework MindSpore di Huawei e la linea di server Atlas, formando uno stack verticalmente integrato dal silicio al software — un parallelo deliberato all’ecosistema CUDA/GPU di NVIDIA. Huawei gestisce il portale ufficiale per sviluppatori Ascend con SDK e documentazione hardware completa.
L’ecosistema Ascend è composto da quattro livelli integrati:
- Silicio: chip Ascend progettati da HiSilicon, fabbricati presso SMIC
- Memoria e interconnessione: HiZQ 2.0 HBM e UnifiedBus 2.0 / HiBL 1.0
- Server: rack unit Atlas 800T A2 e serie Atlas 900
- Software: framework MindSpore con livello di compatibilità CUDA tramite SIMT
Il contesto strategico
Dopo le aggiunte alla US Entity List di gennaio 2025, i laboratori AI cinesi — tra cui Zhipu AI, DeepSeek e Baidu — si sono rivolti ai chip Ascend come substrato computazionale primario. Huawei ha proiettato 12 miliardi di dollari di ricavi dai chip AI per il 2026, in aumento rispetto ai 7,5 miliardi del 2025, mentre la quota di mercato cinese di NVIDIA si avvicinava a zero. La portata di questo cambiamento è senza precedenti nella storia dei semiconduttori: un’intera industria AI nazionale che si orienta verso un unico fornitore domestico nell’arco di 18 mesi.
Generazioni di chip Huawei Ascend: lineup completa dei modelli
La famiglia di chip Ascend abbraccia tre generazioni di produzione e due generazioni in roadmap, ognuna con obiettivi di performance e caratteristiche produttive distinte.
Serie Ascend 910 (produzione attuale)
L’Ascend 910B è il chip di riferimento di Huawei. GLM-5 — il modello frontier di Zhipu AI con 744 miliardi di parametri — è stato addestrato su un cluster di 100.000 chip Ascend 910B, che rimane il deployment Ascend su larga scala più documentato fino a oggi. L’Ascend 910c migliorato utilizza un nodo SMIC da 7 nm con litografia DUV, offrendo 800 TFLOP/s a FP16 e 3,2 TB/s di larghezza di banda della memoria.
Il vincolo produttivo è significativo: i rendimenti DUV a 7 nm si attestano intorno al 30%, il che significa che circa due terzi dei die fabbricati vengono scartati. Nonostante ciò, Huawei ha spedito circa 600.000 unità Ascend 910C nel 2026, con la produzione totale di die Ascend su tutti i modelli proiettata fino a 1,6 milioni per l’anno. Il volume compensa il rendimento.
Ascend 950 e 950PR (flagship 2026)
L’Ascend 950 raggiunge 1 PFLOPS a FP8 e 2 PFLOPS a MXFP4 — un salto generazionale rispetto alla serie 910. La variante 950PR va oltre: supera l’NVIDIA H20 di 2,87x nel throughput computazionale ed è l’unico chip AI cinese a supportare l’inferenza a precisione FP4 — una capacità riservata all’NVIDIA H100 NVL e successivi nel mercato globale.
L’Ascend 950DT raddoppia la densità di memoria a 144 GB di HiZQ 2.0 HBM — la memoria ad alta larghezza di banda proprietaria di Huawei — con 4 TB/s di larghezza di banda e 2 TB/s di interconnessione chip-to-chip tramite UnifiedBus 2.0. La variante DT è destinata ai run di addestramento più grandi, dove la capacità di memoria è critica quanto il throughput computazionale.
Ascend 960 e 970 (roadmap)
L’Ascend 960 è previsto per il Q4 2027, con un obiettivo di circa il doppio del calcolo della generazione 950. Il 970 seguirà nel Q4 2028. Il presidente rotante di Huawei Eric Xu ha annunciato pubblicamente la roadmap triennale, segnalando una cadenza disciplinata verso il calcolo su scala ZFLOP — senza dipendere dalla litografia TSMC EUV. L’Atlas 960 SuperCluster derivato dal chip 960 è proiettato per fornire 2 ZFLOPS a FP8 e 4 ZFLOPS a FP4, portandolo alla pari o oltre la roadmap data center di nuova generazione di NVIDIA.
La tabella seguente riassume le specifiche delle generazioni Ascend:
| Chip | Nodo | Calcolo di picco | Memoria | Caratteristica chiave |
|---|---|---|---|---|
| Ascend 910B | 7 nm (SMIC DUV) | ~256 TFLOPS FP16 | 64 GB HBM2e | Comprovato a scala 100k chip |
| Ascend 910c | 7 nm (SMIC DUV) | 800 TFLOPS FP16 | 96 GB HBM2e | Larghezza di banda 3,2 TB/s |
| Ascend 950 | Classe 6 nm | 1.000 TFLOPS FP8 | 96 GB HBM | 2 PFLOPS MXFP4 |
| Ascend 950PR | Classe 6 nm | ~1.560 TFLOPS | 96 GB HBM | Inferenza FP4, 2,87x H20 |
| Ascend 950DT | Classe 6 nm | ~1.560 TFLOPS | 144 GB HiZQ 2.0 | Larghezza di banda 4 TB/s |
| Ascend 960 | Nodo avanzato | ~3.000 TFLOPS (stima) | TBD | Q4 2027, 2x vs 950 |
| Ascend 970 | Nodo avanzato | TBD | TBD | Q4 2028 |
Performance vs. NVIDIA: dati di benchmark
Benchmark a livello di chip
L’Ascend 950PR è il leader delle performance nel mercato hardware AI domestico cinese. Offre 2,87× il throughput computazionale dell’NVIDIA H20 — la GPU con le specifiche più elevate importabile legalmente in Cina nel 2025 secondo i controlli sulle esportazioni vigenti. Il 950PR è anche l’unico processore AI cinese a supportare nativamente l’inferenza a precisione FP4.
Il confronto cambia rispetto all’hardware NVIDIA senza restrizioni. L’H100 SXM5, disponibile a livello globale ma non in Cina, opera a circa 1.979 TFLOPS a FP8 — mantenendo un vantaggio sul 950PR a livello di chip. Tuttavia, i laboratori AI cinesi non competono con l’hardware senza restrizioni; competono con ciò che è effettivamente disponibile per loro.
| Chip | Calcolo di picco | Precisione | vs. NVIDIA H20 |
|---|---|---|---|
| NVIDIA H20 | ~296 TFLOPS | FP8 | Riferimento |
| Ascend 910c | 800 TFLOPS | FP16 | ~1,35x (equivalente FP8) |
| Ascend 950 | 1.000 TFLOPS | FP8 | ~3,38x |
| Ascend 950PR | ~1.560 TFLOPS FP4 / 1.000 TFLOPS FP8 | FP4/FP8 | 2,87x (ufficiale) |
| NVIDIA H100 SXM5 | ~1.979 TFLOPS | FP8 | 6,69x (non disponibile in Cina) |
Precisione e compatibilità software
La serie Ascend 950 introduce HiBL 1.0, l’interconnessione ad alta larghezza di banda proprietaria di Huawei — un’alternativa funzionale all’NVLink di NVIDIA per collegare più chip in un tessuto computazionale coerente. HiBL 1.0 è essenziale per i run di addestramento multi-chip, dove i colli di bottiglia nella larghezza di banda inter-chip possono annullare i guadagni di calcolo grezzo.
Per la portabilità del software, l’Ascend 950 introduce il supporto SIMT (Single Instruction Multiple Threads). Il SIMT consente ai carichi di lavoro scritti in CUDA di girare su hardware Ascend con uno sforzo di porting ridotto — una significativa riduzione della barriera per gli sviluppatori che migrano da NVIDIA. La piena compatibilità è ancora in evoluzione, ma il livello SIMT gestisce un sottoinsieme crescente di operatori comuni di deep learning utilizzati nell’addestramento e nell’inferenza di LLM.
Atlas SuperPoD e SuperCluster: architettura di sistema
Le specifiche dei singoli chip contano meno delle performance a livello di sistema su scala di addestramento frontier. La linea di prodotti Atlas di Huawei assembla i chip Ascend in sistemi su scala rack e cluster che competono direttamente con il DGX SuperPOD di NVIDIA.
Specifiche Atlas 950 SuperPoD
L’Atlas 950 SuperPoD è il sistema AI su scala rack primario di Huawei. Ospita 8.192 chip Ascend 950 su 128 rack di calcolo più 32 rack di storage e networking, occupando circa 1.000 m² di superficie nel data center. In quella configurazione, offre un calcolo AI aggregato che supera qualsiasi prodotto integrato attualmente spedito da NVIDIA.
Rispetto al sistema NVL144 di NVIDIA — la più grande unità NVIDIA integrata — l’Atlas 950 SuperPoD è 56,8 volte più grande in scala, fornisce 6,7 volte il calcolo aggregato e 15 volte la capacità di memoria totale a 1.152 TB. L’Atlas 960 SuperPoD scala ulteriormente, ospitando 15.488 chip su 176 rack di calcolo più 44 rack di supporto in circa 2.200 m².
La tabella seguente affianca i due sistemi:
| Metrica | Atlas 950 SuperPoD | NVIDIA NVL144 | Rapporto |
|---|---|---|---|
| Numero di chip | 8.192 | 144 | 56,8x |
| Calcolo aggregato | ~9,6 EFLOPS FP8 | ~1,4 EFLOPS FP8 | 6,7x |
| Memoria totale | 1.152 TB | ~72 TB | 15x |
| Superficie | ~1.000 m² | ~50 m² | ~20x |
Atlas 950 SuperCluster
Collegare più SuperPoD produce l’Atlas 950 SuperCluster: oltre 520.000 chip Ascend che forniscono 524 EFLOPS di calcolo — 2,5 volte la scala del supercomputer Colossus di xAI, che ha detenuto brevemente il titolo di cluster di addestramento AI più grande del mondo. L’Atlas 950 SuperCluster opera anche a 1,3 volte l’efficienza energetica di Colossus per EFLOP.
L’Atlas 960 SuperCluster, derivato dalla prossima generazione di chip 960, punta a una configurazione da un milione di chip che fornisce 2 ZFLOPS a FP8 e 4 ZFLOPS a FP4 — numeri che rappresenterebbero un cambiamento qualitativo nella capacità di calcolo AI disponibile.
“La roadmap Ascend di Huawei dimostra che il grande addestramento AI frontier è realizzabile indipendentemente dalla tecnologia statunitense. La capacità di calcolo dell’Atlas 950 SuperCluster supera già quella dei principali cluster di addestramento AI statunitensi disponibili ai soggetti commerciali.”Eric Xu, Presidente Rotante di Huawei, Annuncio della Roadmap Ascend
Produzione: SMIC, DUV e la sfida dei rendimenti
Come Huawei produce chip senza TSMC
HiSilicon progetta i chip Ascend; SMIC (Semiconductor Manufacturing International Corporation) li produce utilizzando la litografia DUV (Deep Ultraviolet) a 7 nm — il nodo più avanzato raggiungibile senza le macchine EUV di ASML, bloccate dall’esportazione verso la Cina. L’EUV consente rendimenti superiori all’80% sui nodi di punta; il DUV a 7 nm fornisce circa il 30%, il che significa che il 70% dei wafer fabbricati produce die non funzionali.
Questo vincolo di rendimento rende ogni die Ascend funzionante più costoso dei chip comparabili prodotti da TSMC — ma Huawei affronta questo problema attraverso il volume e l’integrazione verticale. Controllando HiSilicon (progettazione), SMIC (produzione) e Atlas (integrazione di sistema), Huawei assorbe le perdite di rendimento lungo la supply chain senza dipendere da fornitori esterni soggetti a controlli sulle esportazioni.
Come un chip Huawei Ascend arriva in un data center:
- HiSilicon completa la progettazione del chip e lo invia a SMIC per la fabbricazione
- SMIC esegue wafer DUV a 7 nm — circa il 30% di rendimento sui die funzionali
- I die funzionali vengono confezionati con HiZQ 2.0 HBM e interconnessione UnifiedBus 2.0
- I chip confezionati vengono testati e classificati per livello di performance
- I chip qualificati vengono installati nei server Atlas 800T A2 o Atlas 900
- I server vengono installati in rack nelle configurazioni Atlas SuperPoD
- I SuperPoD si interconnettono tramite fabric HiBL 1.0 in deployment SuperCluster
UnifiedBus 2.0 e HiZQ 2.0
L’Ascend 950DT introduce la memoria ad alta larghezza di banda HiZQ 2.0 — l’alternativa HBM proprietaria di Huawei. L’HBM standard di SK Hynix e Micron è soggetta a restrizioni all’esportazione statunitensi per gli acquirenti cinesi; HiZQ 2.0 è prodotta domesticamente, eliminando completamente quella dipendenza. UnifiedBus 2.0 fornisce l’interconnessione chip-to-chip ad alta velocità che lega i chip Ascend in un tessuto coerente all’interno dei sistemi Atlas, fornendo 2 TB/s di larghezza di banda chip-to-chip sull’950DT.
La combinazione di HiZQ 2.0 e UnifiedBus 2.0 significa che la generazione Ascend 950 è, per la prima volta, un acceleratore AI completamente di produzione nazionale dal silicio alla memoria all’interconnessione — una pietra miliare che conta tanto strategicamente quanto tecnicamente.
Z.ai e i modelli GLM su Ascend: deployment nel mondo reale
L’impegno di Zhipu AI verso l’hardware Ascend
Zhipu AI — il team dietro Z.ai — ha costruito l’intero stack di addestramento e inferenza su Huawei Ascend dopo che le restrizioni all’esportazione statunitensi hanno reso l’hardware NVIDIA non disponibile. GLM-5, un modello frontier con 744 miliardi di parametri, è stato addestrato su un cluster di 100.000 chip Ascend 910B. Il modello di generazione di immagini GLM-Image successivo è stato addestrato interamente su server Atlas 800T A2 tramite il framework MindSpore di Huawei, ottenendo un punteggio di benchmark CVTG-2K di 0,9116 — un risultato competitivo secondo gli standard internazionali per la qualità della generazione di immagini.
Il deployment di Zhipu AI è il caso più ampiamente documentato di addestramento su scala frontier su hardware Ascend, e stabilisce un punto di riferimento per ciò che il chipset può ottenere in produzione piuttosto che in benchmark controllati.
GLM-5 e AutoGLM: la famiglia di modelli Z.ai
La famiglia di modelli GLM-5 alimenta le capacità di ragionamento di Z.ai su scala produttiva, mentre AutoGLM gestisce i task agentici e i flussi di lavoro automatizzati — entrambi eseguendo l’inferenza su cluster basati su Ascend. L’indipendenza della piattaforma Z.ai dall’hardware NVIDIA è ora una caratteristica strutturale della sua architettura, non una soluzione temporanea. Ciò significa che Z.ai può scalare la capacità di calcolo acquistando chip Ascend domesticamente, senza esposizione al rischio di controllo sulle esportazioni.
MindSpore: lo stack software Ascend
MindSpore è il framework AI open-source di Huawei, analogo a PyTorch o TensorFlow ma ottimizzato specificamente per l’hardware Ascend. Fornisce librerie di operatori, differenziazione automatica e primitive di addestramento distribuito che consentono ai ricercatori di scrivere codice per i chip Ascend senza ottimizzazione manuale di basso livello. Il framework gestisce la mappatura tra le operazioni standard di deep learning e il set di istruzioni nativo di Ascend. La documentazione completa di MindSpore è mantenuta da Huawei e copre l’integrazione della serie Ascend dalla 910 alla 950.
Huawei ha investito molto nei livelli di compatibilità CUDA all’interno di MindSpore e nel supporto SIMT su Ascend 950 per facilitare la migrazione dagli ecosistemi NVIDIA. Gli sviluppatori che portano codice di addestramento basato su PyTorch riferiscono che le architetture transformer comuni funzionano con relativamente poche modifiche — una scelta di progettazione deliberata per ridurre i costi di switching per i laboratori che in precedenza costruivano su CUDA.
Le funzionalità principali di MindSpore rilevanti per i deployment Ascend includono:
- Fusione automatica degli operatori e ottimizzazione del layout della memoria per i tensor core Ascend
- Addestramento distribuito su migliaia di chip Ascend con gradient checkpointing
- Livello di traduzione CUDA-to-Ascend tramite SIMT, che copre gli operatori transformer comuni
- Integrazione con server Atlas 800T A2 per inferenza a nodo singolo e multi-nodo
- Model Zoo con modelli pre-addestrati GLM, BERT e visione adattati per Ascend
Restrizioni all’esportazione USA e indipendenza dei chip AI cinesi
Il punto di svolta di gennaio 2025
L’aggiornamento dei controlli sulle esportazioni del Dipartimento del Commercio USA di gennaio 2025 ha bloccato virtualmente tutti i chip AI ad alte prestazioni — incluso l’NVIDIA H20 — dalla vendita a entità cinesi. Questo ha esteso i controlli precedenti che avevano già limitato le esportazioni di A100 e H100. Il risultato è stato un taglio quasi completo dei laboratori AI cinesi dalla fornitura globale di hardware AI di classe frontier.
La risposta di Huawei fu rapida: la roadmap Ascend accelerò, i volumi di produzione si espansero e i laboratori AI cinesi formalizzarono le loro strategie Ascend-first. A metà del 2026, la quota di mercato di NVIDIA nei chip AI per data center cinesi aveva effettivamente raggiunto lo zero. I controlli sulle esportazioni pensati per rallentare le capacità AI cinesi sembrano invece aver accelerato lo sviluppo di un ecosistema hardware AI domestico indipendente.
Ricavi e posizione di mercato
Huawei ha riportato circa 7,5 miliardi di dollari di ricavi da chip AI nel 2025. L’azienda ha proiettato 12 miliardi di dollari per il 2026, rendendo Huawei il fornitore dominante di calcolo AI per data center in Cina con un margine sostanziale. Cambricon e Moore Threads svolgono ruoli secondari nell’ecosistema hardware AI domestico — in particolare per l’inferenza e il deployment edge — ma i chip Ascend dominano i carichi di lavoro di addestramento frontier dove le performance per watt e la larghezza di banda dell’interconnessione contano di più.
La seguente traiettoria di ricavi riflette la rapidità con cui si è spostato il mercato:
- 2023: Huawei inizia a spedire Ascend 910B su larga scala agli hyperscaler cinesi
- 2024: Gli ordini Ascend aumentano man mano che le licenze di esportazione NVIDIA H800 vengono revocate; ricavi di circa 4 miliardi di dollari
- 2025: Il divieto sull’H20 viene confermato; i ricavi dei chip AI Huawei raggiungono 7,5 miliardi di dollari
- 2026 (proiettato): 12 miliardi di dollari, trainati dalla rampa di produzione dell’Ascend 950
Implicazioni per l’AI globale
L’ecosistema Ascend dimostra che il grande addestramento AI frontier è realizzabile senza TSMC EUV o GPU NVIDIA. Con gli Atlas 950 SuperCluster che già superano il Colossus di xAI in scala grezza, e i cluster Atlas 960 che puntano al calcolo su scala ZFLOP, la traiettoria dell’infrastruttura AI cinese non dipende più dalla tecnologia controllata dagli Stati Uniti. La ricerca tecnica su ChatGLM pubblicata tramite il report tecnico ChatGLM documenta come Zhipu AI abbia adattato le metodologie di addestramento per l’architettura Ascend, fornendo un riferimento pubblico per le adattazioni software richieste su scala.
L’implicazione per l’industria AI globale è significativa: l’assunzione che l’AI frontier richieda hardware NVIDIA e fabbricazione TSMC non è più valida. Esistono ora due ecosistemi paralleli di calcolo AI, con Ascend e NVIDIA che si sviluppano in gran parte indipendentemente l’uno dall’altro.