2026 年 9 月 17 日至 19 日於上海舉行的 HUAWEI CONNECT 2026，華為端出的並非一款孤立的 AI 產品，而是一套面向「智慧體 AI（agentic AI）」的全棧論述：能長時間執行、處理大量上下文、連續完成多步任務的 AI 智慧體，瓶頸不只在加速器，而在算力、記憶體、網路、雲端維運、能源與產業交付能否協同運作。102

對企業而言，這代表 AI 專案的焦點正在從「模型能不能跑」，轉向「系統能不能長期、穩定且可控地投入生產」。華為希望在這個轉變中，成為從底層矽晶、超節點到雲端平台與合作夥伴服務的整合供應商。

OceanStor M900：把上下文記憶體拉進推論核心

本次最具辨識度的基礎設施發表，是面向超大規模資料中心 AI 推論的 OceanStor M900 Context Memory Storage。華為將其定位為 SuperPoD 的共享上下文記憶體層，目的是緩解長上下文模型與多步驟智慧體任務對晶片內記憶體及 DRAM 容量造成的壓力。45

系統透過 UnifiedBus 互連技術，建立可全域共享、分層配置的 KV 快取池，橫跨高速記憶體層與 SSD 儲存層。KV 快取可理解為模型在對話或執行任務時暫存已處理上下文的關鍵資料；上下文愈長、任務回合愈多，這塊資源就愈容易成為推論成本與速度的限制。華為表示，M900 整合 CPU、網路控制器與 NAND 控制器功能，使 NPU 可一跳直接存取 SSD。24

華為的目標，是將單一加速器原本以 GB 計的可用上下文記憶體，擴展為共享、以 PB 計的資源。第三方報導轉述華為在發表會上的說法，指出單一 M900 叢集最高可提供 64 PB 的 KV 快取容量。11 華為亦宣稱，其混合媒體設計與保留演算法可將 SSD 讀寫壽命提高 16 倍。2

上述容量與效率數字屬華為產品宣稱，尚非獨立驗證的基準測試。不過，策略訊號相當明確：華為不再把 KV 快取與長上下文檢索當作附屬儲存問題，而是視為 AI 推論的核心基礎設施。

UnifiedBus 與 SuperPoD：算力和記憶體必須一起擴展

OceanStor M900 與升級版 TaiShan 950 SuperPoD 同步亮相。華為也發布基於 UnifiedBus 的運算架構，用於機櫃內、機櫃間與叢集間互連；依其說法，架構可從單一機櫃彈性擴展至最多 100 萬顆 NPU 的叢集。27

這一搭配反映華為的判斷：智慧體型工作負載需要高度耦合的算力與記憶體，而不是彼此割裂的加速器池與儲存池。UnifiedBus 若能成為 SuperPoD、叢集與上下文記憶體之間的共同互連骨幹，華為便能提出有別於傳統「運算加儲存」拼裝模式的整合架構。27

雲端、模型服務與企業智慧體工具

在雲端層面，華為雲全球發布最新版 AI Cluster Service（AICS），定位為支撐智慧體 AI 的叢集服務基礎；整體平台結合 AI 基礎設施、模型服務與企業智慧體開發工具。3

模型服務層的 Agentic Model as a Service（MaaS） 匯集多種模型，讓開發者可直接呼叫模型服務，而不必自行管理模型部署。華為將其定位為應用與智慧體建置者取得模型能力的規模化入口。313

至於智慧體的開發、部署與管理，華為主推 AgentArts，並在活動資料中提及其開源版本 openJiuwen。華為雲對企業混合雲的描述，則包含四項與智慧體相關的能力：

1. 可敏捷演進、具彈性的雲端基礎設施，統一通用運算與 AI 算力；
2. 串接資料、算力與 token 的 AI 原生能力中樞；
3. 可大規模開發與運行 AI 智慧體的智慧體原生使能平台；
4. 涵蓋智慧體全生命週期的智慧化營運與端到端安全機制。31

換句話說，華為的企業主張並非將 AI 限於公有雲：企業應能在雲端與地端環境之間，連結自身資料、算力資源、模型選擇與智慧體營運。

網路不再只是連線，而是 token 生產的一環

華為也升級 Stellar AI Network Solution，涵蓋 AI Fabric、AI WAN 與 AI Campus。其設計訴求包括安全且智慧的連線、有效率的算力產出、無損傳輸與快速應用效能。20

這背後是分散式 AI 的實際限制：訓練與推論效能不只受處理器影響，也受加速器、叢集與地理位置之間的通訊效率制約。華為針對跨區域運算的 Stellar AI WAN 宣稱，可在超過 1,000 公里距離上無損傳遞算力，提供更接近本地運算的遠端體驗。23

AI 資料中心：以「每瓦 token」衡量效益

華為對 AI 資料中心的布局也延伸至供電與冷卻。其「電網互動式 AI 資料中心」策略，主張高密度 AI 園區不應只是持續增加的用電負載，而應讓電網、儲能、冷卻及運算工作負載彼此協調。29

華為以「tokens per watt」描述這個方向，也就是在每單位耗電下產出更多有用的 AI 運算結果。其提出的架構採多輸入、多輸出（MIMO）供電設計，以電網友善 UPS 與構網型儲能系統為核心，長期則朝整合式能源路由器發展。2930

活動中，華為展示的 AI 資料中心方案涵蓋 SuperPoD、SuperCluster、通用運算與儲存、邊緣基礎設施、資料中心網路與機房設施。18 這也呼應全場訊息：電力、冷卻與能源管理，不再只是機房後勤，而是 AI 系統整體效能的一部分。

SCALE：從概念驗證走向可複製的產業部署

技術本身不會自動把 AI 試點轉為產業級服務。因此，華為推出「Huawei + Partners」合作夥伴支援系統 SCALE，目標是協助夥伴處理方案開發、整合驗證、交付、維運與系統協同等常見難題。3334

華為列出的支援項目包括場景化方案、共同創新、協同行銷、在地服務、一致品質及高效協作。值得注意的是，原始發布將其稱為「五類」支援，但實際列出六項。33

此計畫符合華為推動產業 AI 的整體做法：將基礎設施、軟體、資產與夥伴服務打包成可重複部署的方案，而不是過度仰賴一次性、量身訂製的概念驗證專案。

整體來看：華為想賣的是 AI 生產系統

HUAWEI CONNECT 2026 的一連串發布，可視為垂直整合的 AI 提案：底層有晶片與 SuperPoD；中間有 UnifiedBus 與上下文記憶體；上層有雲端叢集、模型存取與智慧體工具；外圍則以網路、電力系統及合作夥伴交付支撐實際部署。

華為強調的差異點，不只是提供更多 AI 算力，而是建立一套面向長上下文、記憶體密集且持續運作之智慧體的 token 生產系統。OceanStor M900 正是這套論述的關鍵，因為它直指 AI 推論中 KV 快取帶來的容量與成本壓力。24

活動中多項容量、效能、可用性與能源效率數據皆來自華為自身公告，應視為供應商宣稱並等待獨立驗證；但其方向已相當清楚：華為正嘗試整合企業將智慧體 AI 從展示階段推向長期生產運行時所需的各個基礎設施層。2331

2026 年 9 月 17 日至 19 日於上海舉行的 HUAWEI CONNECT 2026，華為端出的並非一款孤立的 AI 產品，而是一套面向「智慧體 AI（agentic AI）」的全棧論述：能長時間執行、處理大量上下文、連續完成多步任務的 AI 智慧體，瓶頸不只在加速器，而在算力、記憶體、網路、雲端維運、能源與產業交付能否協同運作。102

對企業而言，這代表 AI 專案的焦點正在從「模型能不能跑」，轉向「系統能不能長期、穩定且可控地投入生產」。華為希望在這個轉變中，成為從底層矽晶、超節點到雲端平台與合作夥伴服務的整合供應商。

OceanStor M900：把上下文記憶體拉進推論核心

本次最具辨識度的基礎設施發表，是面向超大規模資料中心 AI 推論的 OceanStor M900 Context Memory Storage。華為將其定位為 SuperPoD 的共享上下文記憶體層，目的是緩解長上下文模型與多步驟智慧體任務對晶片內記憶體及 DRAM 容量造成的壓力。45

系統透過 UnifiedBus 互連技術，建立可全域共享、分層配置的 KV 快取池，橫跨高速記憶體層與 SSD 儲存層。KV 快取可理解為模型在對話或執行任務時暫存已處理上下文的關鍵資料；上下文愈長、任務回合愈多，這塊資源就愈容易成為推論成本與速度的限制。華為表示，M900 整合 CPU、網路控制器與 NAND 控制器功能，使 NPU 可一跳直接存取 SSD。24

華為的目標，是將單一加速器原本以 GB 計的可用上下文記憶體，擴展為共享、以 PB 計的資源。第三方報導轉述華為在發表會上的說法，指出單一 M900 叢集最高可提供 64 PB 的 KV 快取容量。11 華為亦宣稱，其混合媒體設計與保留演算法可將 SSD 讀寫壽命提高 16 倍。2

上述容量與效率數字屬華為產品宣稱，尚非獨立驗證的基準測試。不過，策略訊號相當明確：華為不再把 KV 快取與長上下文檢索當作附屬儲存問題，而是視為 AI 推論的核心基礎設施。

UnifiedBus 與 SuperPoD：算力和記憶體必須一起擴展

OceanStor M900 與升級版 TaiShan 950 SuperPoD 同步亮相。華為也發布基於 UnifiedBus 的運算架構，用於機櫃內、機櫃間與叢集間互連；依其說法，架構可從單一機櫃彈性擴展至最多 100 萬顆 NPU 的叢集。27

這一搭配反映華為的判斷：智慧體型工作負載需要高度耦合的算力與記憶體，而不是彼此割裂的加速器池與儲存池。UnifiedBus 若能成為 SuperPoD、叢集與上下文記憶體之間的共同互連骨幹，華為便能提出有別於傳統「運算加儲存」拼裝模式的整合架構。27

雲端、模型服務與企業智慧體工具

在雲端層面，華為雲全球發布最新版 AI Cluster Service（AICS），定位為支撐智慧體 AI 的叢集服務基礎；整體平台結合 AI 基礎設施、模型服務與企業智慧體開發工具。3

模型服務層的 Agentic Model as a Service（MaaS） 匯集多種模型，讓開發者可直接呼叫模型服務，而不必自行管理模型部署。華為將其定位為應用與智慧體建置者取得模型能力的規模化入口。313

至於智慧體的開發、部署與管理，華為主推 AgentArts，並在活動資料中提及其開源版本 openJiuwen。華為雲對企業混合雲的描述，則包含四項與智慧體相關的能力：

1. 可敏捷演進、具彈性的雲端基礎設施，統一通用運算與 AI 算力；
2. 串接資料、算力與 token 的 AI 原生能力中樞；
3. 可大規模開發與運行 AI 智慧體的智慧體原生使能平台；
4. 涵蓋智慧體全生命週期的智慧化營運與端到端安全機制。31

換句話說，華為的企業主張並非將 AI 限於公有雲：企業應能在雲端與地端環境之間，連結自身資料、算力資源、模型選擇與智慧體營運。

網路不再只是連線，而是 token 生產的一環

華為也升級 Stellar AI Network Solution，涵蓋 AI Fabric、AI WAN 與 AI Campus。其設計訴求包括安全且智慧的連線、有效率的算力產出、無損傳輸與快速應用效能。20

這背後是分散式 AI 的實際限制：訓練與推論效能不只受處理器影響，也受加速器、叢集與地理位置之間的通訊效率制約。華為針對跨區域運算的 Stellar AI WAN 宣稱，可在超過 1,000 公里距離上無損傳遞算力，提供更接近本地運算的遠端體驗。23

AI 資料中心：以「每瓦 token」衡量效益

華為對 AI 資料中心的布局也延伸至供電與冷卻。其「電網互動式 AI 資料中心」策略，主張高密度 AI 園區不應只是持續增加的用電負載，而應讓電網、儲能、冷卻及運算工作負載彼此協調。29

華為以「tokens per watt」描述這個方向，也就是在每單位耗電下產出更多有用的 AI 運算結果。其提出的架構採多輸入、多輸出（MIMO）供電設計，以電網友善 UPS 與構網型儲能系統為核心，長期則朝整合式能源路由器發展。2930

活動中，華為展示的 AI 資料中心方案涵蓋 SuperPoD、SuperCluster、通用運算與儲存、邊緣基礎設施、資料中心網路與機房設施。18 這也呼應全場訊息：電力、冷卻與能源管理，不再只是機房後勤，而是 AI 系統整體效能的一部分。

SCALE：從概念驗證走向可複製的產業部署

技術本身不會自動把 AI 試點轉為產業級服務。因此，華為推出「Huawei + Partners」合作夥伴支援系統 SCALE，目標是協助夥伴處理方案開發、整合驗證、交付、維運與系統協同等常見難題。3334

華為列出的支援項目包括場景化方案、共同創新、協同行銷、在地服務、一致品質及高效協作。值得注意的是，原始發布將其稱為「五類」支援，但實際列出六項。33

此計畫符合華為推動產業 AI 的整體做法：將基礎設施、軟體、資產與夥伴服務打包成可重複部署的方案，而不是過度仰賴一次性、量身訂製的概念驗證專案。

整體來看：華為想賣的是 AI 生產系統

HUAWEI CONNECT 2026 的一連串發布，可視為垂直整合的 AI 提案：底層有晶片與 SuperPoD；中間有 UnifiedBus 與上下文記憶體；上層有雲端叢集、模型存取與智慧體工具；外圍則以網路、電力系統及合作夥伴交付支撐實際部署。

華為強調的差異點，不只是提供更多 AI 算力，而是建立一套面向長上下文、記憶體密集且持續運作之智慧體的 token 生產系統。OceanStor M900 正是這套論述的關鍵，因為它直指 AI 推論中 KV 快取帶來的容量與成本壓力。24

活動中多項容量、效能、可用性與能源效率數據皆來自華為自身公告，應視為供應商宣稱並等待獨立驗證；但其方向已相當清楚：華為正嘗試整合企業將智慧體 AI 從展示階段推向長期生產運行時所需的各個基礎設施層。2331