Lingqu UnifiedBus: Sådan vil Huawei forbinde AI-systemer på tværs af servere

Når et AI-system vokser, er flere processorer ikke nødvendigvis nok. De skal også kunne udveksle data hurtigt, og under brug af en model skal der være plads til den kontekst, systemet arbejder med. På Huawei Connect 2026 præsenterede Huawei Lingqu UnifiedBus som forbindelsen mellem regnekraft, hukommelse og lager i sine SuperPoD-systemer og større SuperClusters. Målet er, at ressourcer fordelt på fysiske servere i højere grad kan arbejde som ét system. 81921

Én forbindelse på tværs af servere

Ifølge Huawei samler UnifiedBus mere end ti forbindelsesprotokoller under én protokol med hukommelsessemantik. Det skal give processorer direkte forbindelser til hinanden og adgang til hukommelse på tværs af fysiske servere. Dermed er både CPU’er til generelle opgaver og NPU’er – specialiserede processorer til AI – tænkt ind i samme arkitektur. 271923

Huawei oplyser, at forbindelsens båndbredde bevæger sig fra omkring 100 GB/s-klassen til TB/s-klassen, mens tur-retur-forsinkelsen falder fra cirka 7 til 2 mikrosekunder. Det er tal for forbindelsen, ikke målinger af, hvor meget hurtigere en færdig AI-tjeneste bliver. 719

Den hurtige dataudveksling er også vigtig for Huaweis idé om at adskille Attention-arbejde fra arbejdet i et Transformer-systems feed-forward-netværk og placere opgaverne på egnede ressourcer. Hvis det tager for lang tid at flytte mellemresultaterne, kan fordelen gå tabt. Det tilgængelige materiale sætter ikke tal på den samlede gevinst ved denne opdeling. 78

Hukommelse til længere AI-kontekst

I den bredere produktstak står Kunpeng 950 for generel regnekraft, Ascend 960 for AI-beregninger og OceanStor M900 for lagring af kontekstdata under brug af AI-modeller. M900 bruger ifølge Huawei UnifiedBus til at samle og dele en KV-cache – data fra tidligere trin, som modellen kan genbruge – på tværs af niveauer fra hukommelse på chippen og DRAM til SSD’er. Formålet er at give SuperPoD-systemer adgang til mere arbejdskontekst, end hukommelsen tæt på AI-processorerne alene kan rumme. 421

Her er der tale om to forskellige flaskehalse: Forbindelsen skal flytte data hurtigt, mens den fælles KV-cache skal give mere plads. Hvor hurtigt kontekst på SSD’er kan bruges i praksis, afhænger af hele vejen gennem systemet – ikke kun af forbindelsens oplyste forsinkelse. 721

Fra serverskab til stor AI-klynge

Huawei beskriver UnifiedBus-udstyr til forbindelser både i det enkelte serverskab, mellem skabe og på tværs af klynger. Et omtalt forbindelsesapparat har 176 porte på hver 1,6 Tbit/s, svarende til cirka 280 Tbit/s i samlet portkapacitet. Det tal må ikke forveksles med den båndbredde, én processor eller én AI-opgave får til rådighed. 719

Til større systemer kombinerer Huawei forbindelsen med optisk netværk. Atlas 960E SuperPoD bruger optik placeret tæt på chip-pakken, mens en fuldt optisk UnifiedBus-konfiguration af TaiShan 950 SuperPoD ifølge Huawei understøtter op til 4.096 NPU’er. Virksomheden beskriver desuden en vej mod klynger med en million NPU’er. Det sidste er et skaleringsmål, ikke et offentliggjort resultat fra en klynge af den størrelse. 2519

Hvad ved vi endnu ikke?

Huawei placerer forbindelsesudstyr, herunder det omtalte UBG-lag, i arkitekturen fra serverskab til klynge. Kildematerialet fastslår derimod ikke Atlas 650E’s præcise rolle eller udrulningsstatus og underbygger heller ikke et konkret tal for kobberbesparelser. Der foreligger heller ingen uafhængig test af en fuld klynge, som viser, at de oplyste tal for forsinkelse, båndbredde og skala giver vedvarende gevinster ved træning eller brug af AI-modeller. UnifiedBus bør derfor læses som Huaweis arkitektur og leverandøroplyste specifikationer – ikke som et verificeret resultat for hele systemet. 7819