華為喺 9 月 17 至 19 日於上海舉行嘅 HUAWEI CONNECT 2026，想講嘅其實唔係單一產品，而係一個完整主張：未來嘅 AI 智能體會處理更長上下文、完成多步任務，仲要持續運行；要支撐呢類工作負載，算力、記憶體、網絡、雲端營運、能源系統同產業交付都要一齊設計。華為正藉此將自己定位成智能體 AI 時代嘅全棧供應商。 102

OceanStor M900：將「上下文記憶」變成推理基建

今次最具代表性嘅基礎設施發布，係面向超大規模數據中心 AI 推理嘅 OceanStor M900 Context Memory Storage。華為將佢定位為 SuperPod 嘅共享上下文記憶層，目標係紓緩模型處理長上下文同多步智能體任務時，晶片內記憶體同 DRAM 容量不足嘅瓶頸。 45

系統利用 UnifiedBus 互連技術，建立一個可全局共享、分層配置嘅 KV cache 池，覆蓋較快嘅記憶體層級同 SSD 儲存層。華為亦表示，設計整合咗 CPU、網絡控制器同 NAND 控制器功能，令 NPU 可以一跳直連 SSD。 24

簡單講，KV cache 係模型喺生成內容期間保留之前對話與運算脈絡嘅資料；上下文愈長、任務步驟愈多，呢部分記憶資源嘅壓力就愈大。華為嘅構想係，將單一加速器可用、以 GB 計嘅上下文記憶，擴展成共享嘅 PB 級資源。根據一篇轉述發布資料嘅第三方報道，單一 M900 叢集可提供最多 64 PB KV cache 容量。 11

華為又稱，其混合媒體設計與保留演算法可將 SSD 讀寫壽命延長 16 倍。 2 呢啲容量與效率數字屬於廠商說法，未必等同獨立驗證嘅基準測試；不過策略意思相當明確：華為唔再將 KV cache 同長上下文檢索視為儲存系統嘅附屬功能，而係 AI 推理嘅核心基建。

UnifiedBus、SuperPod：由機櫃一路擴展到大型叢集

OceanStor M900 同升級版 TaiShan 950 SuperPod 一同亮相。華為亦推出以 UnifiedBus 為基礎嘅運算架構，連接範圍包括機櫃內、機櫃之間同跨叢集；公司稱，架構可由單一機櫃彈性擴展至最多 100 萬個 NPU 嘅叢集。 27

華為嘅論點係，智能體工作負載需要算力同記憶體緊密協同，而唔係各自獨立嘅加速器池與儲存池。將 UnifiedBus 變成 SuperPod、叢集同上下文記憶共用嘅互連底座，正正係要建立一個比傳統「運算加儲存」模式更一體化嘅架構。 27

雲端、模型服務與企業智能體開發

喺雲端層面，華為雲全球發布新版 AI Cluster Service（AICS），作為智能體 AI 嘅雲端基礎。華為將 AICS 放入一個更大平台之中，結合 AI 基礎設施、模型服務同企業智能體工具。 3

模型服務方面，Agentic Model as a Service（MaaS） 匯聚多個模型，開發者毋須自行管理模型部署，便可調用模型服務。華為將佢定位為讓應用程式及智能體開發者，大規模取得模型能力嘅一層。 313

至於建立同管理智能體，華為重點展示 AgentArts。平台面向企業級智能體開發、部署及管理；活動資料亦提及其開源版 openJiuwen。 13

華為雲 Stack 提出嘅智能體就緒混合雲架構，分為四部分：

1. 靈活、彈性嘅雲端基礎設施，統一通用運算與 AI 算力；
2. 連接數據、算力同 token 嘅 AI 原生能力中樞；
3. 用作大規模開發及運行智能體嘅智能體原生使能平台；
4. 覆蓋整個智能體生命週期嘅智能營運與端到端安全能力。 31

合埋嚟睇，華為對企業市場嘅描繪係：機構可以橫跨雲端同本地環境運行 AI，同時串連自身數據、算力資源、模型選擇同智能體營運。

為高 token 工作負載而設嘅網絡

華為亦升級 Stellar AI Network Solution，涵蓋 AI Fabric、AI WAN 及 AI Campus。公司列出嘅設計重點包括安全而智能嘅連接、提升算力產出效率、無損傳輸同更快應用效能。 20

呢個網絡部署反映咗分散式 AI 系統嘅現實限制：訓練同推理嘅表現，不單取決於處理器，仲會受加速器、叢集同不同地點之間嘅通訊所限制。華為針對跨地域運算嘅 Stellar AI WAN，聲稱可喺超過 1,000 公里距離實現算力無損傳遞，提供較接近本地運算嘅遠端體驗。 23

AI 數據中心：供電、散熱都係效能一部分

華為對 AI 數據中心嘅訊息，唔止講伺服器同網絡。其 電網互動式 AI 數據中心 策略，將高密度 AI 園區視為一個應同電網、儲能、散熱及運算工作負載協調嘅系統，而唔係只會不斷增加耗電量嘅設施。 29

策略以提升「每瓦 token 數」（tokens per watt）為方向，即每消耗一單位電力，盡量產生更多有效 AI 輸出。華為提出以電網友善 UPS（不間斷電源）同構網型儲能為中心嘅多輸入多輸出供電架構，長遠再走向整合式能源路由器。 2930

公司展示嘅 AI 數據中心方案涵蓋 SuperPod、SuperCluster、通用運算與儲存、邊緣基建、數據中心網絡及設施。 18 佢嘅大方向同全場主題一致：電力、冷卻與能源管理，唔應只被當成機房後勤，而係 AI 系統整體效能嘅一環。

SCALE：由試點走向可複製嘅行業部署

技術本身未必足以令 AI 試點變成正式部署。為此，華為推出「華為 + 夥伴」支援系統 SCALE，目標係協助合作夥伴處理方案開發、整合驗證、交付、營運及維護，以及系統協同等常見障礙。 3334

華為列出嘅支援範圍包括場景化方案、共同創新、協同營銷、本地服務、一致品質及高效協作。值得一提，發布稿稱為「五類」支援，但實際列出咗六個類別。 33

呢項計劃切合華為對行業 AI 嘅整體做法：將更多基礎設施、軟件、資產同夥伴服務打包成可重複交付嘅方案，而唔係主要依賴每次都度身訂造嘅概念驗證項目。

總結：華為想賣嘅係一套「token 生產系統」

HUAWEI CONNECT 2026 嘅發布，拼湊出一個垂直整合嘅 AI 方案：底層有晶片與 SuperPod；中間有 UnifiedBus 與上下文記憶；上層有雲端叢集、模型服務與智能體工具；外圍則有網絡、能源系統與合作夥伴交付能力。

華為強調嘅差異，唔只係提供更多 AI 算力，而係建立一套面向長上下文、記憶密集、持續運行智能體嘅 token 生產系統。OceanStor M900 正正係呢個主張嘅核心之一，因為佢瞄準 AI 推理中 KV cache 成本與容量需求愈來愈高嘅問題。 24

活動上好多關於容量、效能、可用性同效率嘅數字，都來自華為自身發布，應視為廠商聲稱並審慎評估。不過方向已經好清楚：華為正嘗試掌握並整合企業將智能體 AI 由展示階段推進至長期生產運行時，可能需要嘅各層基礎設施。 2331

華為喺 9 月 17 至 19 日於上海舉行嘅 HUAWEI CONNECT 2026，想講嘅其實唔係單一產品，而係一個完整主張：未來嘅 AI 智能體會處理更長上下文、完成多步任務，仲要持續運行；要支撐呢類工作負載，算力、記憶體、網絡、雲端營運、能源系統同產業交付都要一齊設計。華為正藉此將自己定位成智能體 AI 時代嘅全棧供應商。 102

OceanStor M900：將「上下文記憶」變成推理基建

今次最具代表性嘅基礎設施發布，係面向超大規模數據中心 AI 推理嘅 OceanStor M900 Context Memory Storage。華為將佢定位為 SuperPod 嘅共享上下文記憶層，目標係紓緩模型處理長上下文同多步智能體任務時，晶片內記憶體同 DRAM 容量不足嘅瓶頸。 45

系統利用 UnifiedBus 互連技術，建立一個可全局共享、分層配置嘅 KV cache 池，覆蓋較快嘅記憶體層級同 SSD 儲存層。華為亦表示，設計整合咗 CPU、網絡控制器同 NAND 控制器功能，令 NPU 可以一跳直連 SSD。 24

簡單講，KV cache 係模型喺生成內容期間保留之前對話與運算脈絡嘅資料；上下文愈長、任務步驟愈多，呢部分記憶資源嘅壓力就愈大。華為嘅構想係，將單一加速器可用、以 GB 計嘅上下文記憶，擴展成共享嘅 PB 級資源。根據一篇轉述發布資料嘅第三方報道，單一 M900 叢集可提供最多 64 PB KV cache 容量。 11

華為又稱，其混合媒體設計與保留演算法可將 SSD 讀寫壽命延長 16 倍。 2 呢啲容量與效率數字屬於廠商說法，未必等同獨立驗證嘅基準測試；不過策略意思相當明確：華為唔再將 KV cache 同長上下文檢索視為儲存系統嘅附屬功能，而係 AI 推理嘅核心基建。

UnifiedBus、SuperPod：由機櫃一路擴展到大型叢集

OceanStor M900 同升級版 TaiShan 950 SuperPod 一同亮相。華為亦推出以 UnifiedBus 為基礎嘅運算架構，連接範圍包括機櫃內、機櫃之間同跨叢集；公司稱，架構可由單一機櫃彈性擴展至最多 100 萬個 NPU 嘅叢集。 27

華為嘅論點係，智能體工作負載需要算力同記憶體緊密協同，而唔係各自獨立嘅加速器池與儲存池。將 UnifiedBus 變成 SuperPod、叢集同上下文記憶共用嘅互連底座，正正係要建立一個比傳統「運算加儲存」模式更一體化嘅架構。 27

雲端、模型服務與企業智能體開發

喺雲端層面，華為雲全球發布新版 AI Cluster Service（AICS），作為智能體 AI 嘅雲端基礎。華為將 AICS 放入一個更大平台之中，結合 AI 基礎設施、模型服務同企業智能體工具。 3

模型服務方面，Agentic Model as a Service（MaaS） 匯聚多個模型，開發者毋須自行管理模型部署，便可調用模型服務。華為將佢定位為讓應用程式及智能體開發者，大規模取得模型能力嘅一層。 313

至於建立同管理智能體，華為重點展示 AgentArts。平台面向企業級智能體開發、部署及管理；活動資料亦提及其開源版 openJiuwen。 13

華為雲 Stack 提出嘅智能體就緒混合雲架構，分為四部分：

1. 靈活、彈性嘅雲端基礎設施，統一通用運算與 AI 算力；
2. 連接數據、算力同 token 嘅 AI 原生能力中樞；
3. 用作大規模開發及運行智能體嘅智能體原生使能平台；
4. 覆蓋整個智能體生命週期嘅智能營運與端到端安全能力。 31

合埋嚟睇，華為對企業市場嘅描繪係：機構可以橫跨雲端同本地環境運行 AI，同時串連自身數據、算力資源、模型選擇同智能體營運。

為高 token 工作負載而設嘅網絡

華為亦升級 Stellar AI Network Solution，涵蓋 AI Fabric、AI WAN 及 AI Campus。公司列出嘅設計重點包括安全而智能嘅連接、提升算力產出效率、無損傳輸同更快應用效能。 20

呢個網絡部署反映咗分散式 AI 系統嘅現實限制：訓練同推理嘅表現，不單取決於處理器，仲會受加速器、叢集同不同地點之間嘅通訊所限制。華為針對跨地域運算嘅 Stellar AI WAN，聲稱可喺超過 1,000 公里距離實現算力無損傳遞，提供較接近本地運算嘅遠端體驗。 23

AI 數據中心：供電、散熱都係效能一部分

華為對 AI 數據中心嘅訊息，唔止講伺服器同網絡。其 電網互動式 AI 數據中心 策略，將高密度 AI 園區視為一個應同電網、儲能、散熱及運算工作負載協調嘅系統，而唔係只會不斷增加耗電量嘅設施。 29

策略以提升「每瓦 token 數」（tokens per watt）為方向，即每消耗一單位電力，盡量產生更多有效 AI 輸出。華為提出以電網友善 UPS（不間斷電源）同構網型儲能為中心嘅多輸入多輸出供電架構，長遠再走向整合式能源路由器。 2930

公司展示嘅 AI 數據中心方案涵蓋 SuperPod、SuperCluster、通用運算與儲存、邊緣基建、數據中心網絡及設施。 18 佢嘅大方向同全場主題一致：電力、冷卻與能源管理，唔應只被當成機房後勤，而係 AI 系統整體效能嘅一環。

SCALE：由試點走向可複製嘅行業部署

技術本身未必足以令 AI 試點變成正式部署。為此，華為推出「華為 + 夥伴」支援系統 SCALE，目標係協助合作夥伴處理方案開發、整合驗證、交付、營運及維護，以及系統協同等常見障礙。 3334

華為列出嘅支援範圍包括場景化方案、共同創新、協同營銷、本地服務、一致品質及高效協作。值得一提，發布稿稱為「五類」支援，但實際列出咗六個類別。 33

呢項計劃切合華為對行業 AI 嘅整體做法：將更多基礎設施、軟件、資產同夥伴服務打包成可重複交付嘅方案，而唔係主要依賴每次都度身訂造嘅概念驗證項目。

總結：華為想賣嘅係一套「token 生產系統」

HUAWEI CONNECT 2026 嘅發布，拼湊出一個垂直整合嘅 AI 方案：底層有晶片與 SuperPod；中間有 UnifiedBus 與上下文記憶；上層有雲端叢集、模型服務與智能體工具；外圍則有網絡、能源系統與合作夥伴交付能力。

華為強調嘅差異，唔只係提供更多 AI 算力，而係建立一套面向長上下文、記憶密集、持續運行智能體嘅 token 生產系統。OceanStor M900 正正係呢個主張嘅核心之一，因為佢瞄準 AI 推理中 KV cache 成本與容量需求愈來愈高嘅問題。 24

活動上好多關於容量、效能、可用性同效率嘅數字，都來自華為自身發布，應視為廠商聲稱並審慎評估。不過方向已經好清楚：華為正嘗試掌握並整合企業將智能體 AI 由展示階段推進至長期生產運行時，可能需要嘅各層基礎設施。 2331