华为AI战略与技术革新 - 华为通过软硬协同构建全栈AI竞争力，通信设备行业迎来技术革新[1] - AI战略从对标SOTA模型转向为昇腾硬件量身定制架构，推出Pangu Pro MoE和Pangu Ultra MoE两大创新路径[1] - Pangu Pro MoE采用分组专家混合（MoGE）架构，Pangu Ultra MoE通过系统级优化解决负载不均衡问题，提升硬件效率[1] - 新一代AI基础设施CloudMatrix采用统一总线（UB）网络，构建分布式高速内存池，降低跨节点通信差异[1] - 支持PDC分离架构和大规模专家并行（LEP），将软硬协同创新拓展至AI系统工程领域[1] - 大模型从稠密转向MoE稀疏架构，华为聚焦分布式系统效率难题[1] 通信设备行业与相关指数 - 通信ETF（515880）跟踪通信设备指数（931160），聚焦通信设备制造及相关服务领域[1] - 指数成分股涵盖通信网络基础设施、通信终端设备生产及解决方案提供的上市公司证券[1] - 指数具有较高的技术含量和成长性特征[1] - 无股票账户投资者可关注国泰中证全指通信设备ETF联接C（007818）和A（007817）[1]

华为AI技术发展策略 - 公司通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力 [1] - AI发展策略从对标业界SOTA模型转向为自研昇腾硬件量身定制模型架构 通过双向协同解决AI模型规模化应用中的系统性问题 [1] - 在大模型层面推出两种创新路径：Pangu Pro MoE通过分组专家混合（MoGE）架构解决负载不均衡问题 Pangu Ultra MoE通过系统级优化适配昇腾硬件实现训练和推理协同优化 [1] - 新一代AI基础设施CloudMatrix核心技术是统一总线（UB）网络 通过分布式高速内存池降低跨节点通信性能差异 为上层软件创新提供物理前提 [1] - 随着大语言模型转向混合专家（MoE）稀疏架构 公司将专家负载不均衡作为软硬架构创新核心方向 关注点从单纯硬件或算法问题拓展至在自研硬件上高效解决AI系统工程问题 [1] 通信设备行业指数特征 - 通信ETF（515880）跟踪通信设备指数（931160） 主要覆盖从事通信网络基础设施和通信终端设备等领域上市公司证券 [1] - 指数成分股具有较高技术含量和研发投入特征 行业配置侧重于5G和物联网等相关领域 [1]

华为AI战略与技术创新 - 公司正通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力 策略从对标业界SOTA模型转向为自研昇腾硬件量身定制模型架构 [1] - 在大模型层面推出Pangu Pro MoE和Pangu Ultra MoE两种创新路径 分别通过分组专家混合（MoGE）架构和系统级优化解决负载不均衡问题 [1] - 新一代AI基础设施CloudMatrix通过统一总线（UB）网络构建分布式高速内存池 降低跨节点通信性能差异 [1] - 随着大语言模型转向混合专家（MoE）稀疏架构 公司将解决专家负载不均衡作为软硬架构创新的核心方向 [1] - AI战略核心在于模型的每一次进化都是为了更紧密地与昇腾硬件协同 构建软硬融合技术体系 [1] 创业板人工智能ETF产品特征 - 创业板人工智能ETF国泰（159388）跟踪创业板人工智能指数（970070） 单日涨跌幅可达20% [2] - 指数从创业板市场中选取涉及人工智能技术开发、智能服务等业务的上市公司证券作为样本 [2] - 指数成分股涵盖软硬件研发、智能应用解决方案等多个细分领域 具有显著的科技创新属性 [2]

华为AI战略与技术创新 - 公司正通过从大模型设计到基础设施的软硬协同构建全栈AI竞争力[1] - AI策略从对标业界SOTA模型转向为自研昇腾硬件定制模型架构[1] - Pangu Pro MoE采用分组专家混合（MoGE）架构解决负载不均衡问题[1] - Pangu Ultra MoE通过系统级优化适配昇腾硬件[1] - 新一代AI基础设施CloudMatrix通过统一总线网络构建分布式高速内存池[1] - 降低跨节点通信差异并支持PDC分离架构等软件创新[1] - 大模型转向混合专家（MoE）稀疏架构后聚焦解决专家负载不均衡系统性瓶颈[1] - 软硬协同路径已从单纯硬件或算法问题拓展至AI系统工程领域[1] 软件ETF产品信息 - 软件ETF（515230）跟踪软件指数（H30202）[1] - 指数从市场选取涉及软件开发、系统集成及互联网服务等业务的上市公司证券[1] - 反映软件行业相关上市公司证券的整体表现[1] - 指数成分涵盖应用软件、系统软件等信息技术领域细分行业[1] - 体现软件服务企业的技术创新能力和市场成长性[1] - 无股票账户投资者可关注国泰中证全指软件ETF联接A（012636）和C类（012637）[1]

报告行业投资评级 - 强于大市 [1] 报告的核心观点 - 英伟达有望巩固全球半导体市场领导地位，但地缘政治和经济形势或影响其产品需求；DeepSeek - R1 - 0528升级收窄国产大模型与国际领先模型差距，开源策略推动教育科研普惠化、激发AI应用创新；华为盘古Pangu Ultra MoE模型发布有助于重构AI基础设施主权，吸引开发者适配昇腾生态 [6] 根据相关目录分别进行总结 本周重点关注事件 - 英伟达发布一季报，一季度营收441亿美元，环比增12%，同比增69%，净利润198.9亿美元，环比降10%，同比增31%，但受出口管制拖累，计提45亿美元费用；有望巩固全球半导体市场领导地位，但地缘政治和经济形势或影响需求 [6][11][12] - DeepSeek R1模型完成小版本升级至DeepSeek - R1 - 0528且继续开源，在多个基准测评成绩优异，接近国际顶尖模型；升级收窄国产大模型与国际领先模型差距，开源策略推动教育科研普惠化、激发AI应用创新 [6][13][14] - 华为盘古团队推出参数规模7180亿的Pangu Ultra MoE模型，发布架构与训练方法中文技术报告，完成国产算力+国产模型全流程自主可控训练实践；有助于推动人工智能发展应用，重构AI基础设施主权 [6][15][16] 新闻及公司动态 行业新闻 - 芯片及服务器：上海砺算收到G100芯片并完成测试，小米回应芯片传闻，手机重返大陆第一，印度首颗本土芯片将问世，联想中标服务器项目，英伟达洽谈融资，Steam创始人创业进展等 [17] - 云计算：立昂技术、江苏金租开展相关业务，腾讯、Salesforce获专利或收购，阿里云计算入股，Integra Optics推出光模块等 [18] - 人工智能：腾讯、必和必拓、Meta等有相关动作，日本设立“AI战略本部”，Meta人工智能助理月活达10亿等 [19] - 数字经济：华为亮相峰会，动易科技落地试验区，商务部表态，国家信用大数据中心揭牌，香港通过《稳定币条例草案》 [20] - 网络安全：格尔软件入选，国家通报AI绘图工具漏洞，北约提议纳入网络安全支出目标等 [20] - 工业互联网：华龙讯达、兴图新科亮相大会，三部门发文推动应用，2025工业互联网大会召开 [21] 公司动态 - 中科创达获7000万元专项贷款用于回购A股流通股 [3][22] - 启明星辰完成部分限制性股票回购注销，总股本变更 [22] - 光洋股份终止收购银球科技股权交易，股票复牌 [22] - 金山办公公布限制性股票激励计划部分归属结果，总股本变动 [3][23] - 捷顺科技注销部分未行权股票期权 [23] - 中科曙光与海光信息筹划重大资产重组，股票停牌 [24] 投资建议 - 关注华为产业链相关企业，如软通动力、拓维信息等；关注EDA软件相关企业，如广立微、华大九天等 [4]

华为MoE训练技术突破 - 公司通过昇腾与鲲鹏算力深度协同，实现训练算子计算效率和内存利用率大幅提升，MoE训练吞吐提升20%，内存占用降低70% [6][7] - MoE架构凭借独特设计成为突破大规模模型训练算力瓶颈的关键路径，支持千亿至万亿参数规模 [3][4] - 行业面临单节点训练效率挑战，包括算子计算效率低、专家路由机制导致下发中断、NPU内存不足三大难题 [10][13][16] 昇腾算子计算加速方案 - 针对占计算耗时75%的FlashAttention/MatMul/Vector三大核心算子，采用"瘦身术/均衡术/搬运术"优化策略，整体训练吞吐提升15% [19][20][21] - FlashAttention算子通过消除冗余计算和优化流水线，前/反向性能分别提升50%/30% [23][25] - MatMul算子通过双级数据流水优化，Cube计算单元利用率提升10% [26][28] - Vector算子融合细粒度小算子并减少数据搬运，性能提升3倍以上 [30][32] 昇腾-鲲鹏协同优化 - 通过Host-Device协同实现算子下发"零等待"(free时间占比<2%)，训练吞吐额外提升4% [34][44] - 采用重排下发序技术使单次Host-Bound时间从2.1ms降至0.6ms，降幅超70% [39] - 自定义粗粒度绑核策略(每NPU绑24核)完全消除系统型Host-Bound瓶颈 [43] 内存优化技术创新 - Selective R/S技术实现多维度内存解剖，节省70%激活值内存 [46] - 建立细粒度重计算与Swap策略库，涵盖MLA/RmsNorm/Permute等模块的定制化优化 [50][52] - 采用贪心算法和Swap带宽竞争分析实现自适应内存优化管理，平衡内存节省与额外耗时 [56] 行业影响与成果 - 该方案为Pangu Ultra MoE 718B模型训练扫清障碍，展现公司在AI算力领域的技术积累 [58] - 技术突破包括集群通信优化、算子加速、内存节省三大维度，形成完整解决方案 [17][21][46] - 成果为行业大规模MoE训练提供参考路径，推动AI模型参数规模持续扩展 [4][59]

华为昇腾与Pangu Ultra MoE技术创新 - 公司通过"昇腾+Pangu Ultra MoE"组合实现国产算力与模型全流程自主可控训练闭环，集群训练系统性能达行业领先水平[4] - 预训练阶段昇腾Atlas 800T A2万卡集群MFU提升至41%，后训练阶段单CloudMatrix 384超节点吞吐达35K Tokens/s[5] - 首次披露高效打通大稀疏比MoE强化学习后训练框架的关键技术，推动RL后训练进入超节点集群时代[6][7] MoE模型训练技术痛点与解决方案 - 当前MoE训练存在六大挑战：并行策略配置困难、All-to-All通信瓶颈、系统负载不均、算子调度开销大、训练流程管理复杂、大规模扩展受限[10][11] - 公司提出三阶段解决方案： - 提升训练集群利用率：通过智能并行优化、分层All-to-All通信去冗余、EDP全局负载均衡策略，将专家并行通信开销降至<2%[14][18][19] - 释放昇腾单节点算力：采用昇腾亲和算子加速、Host-Device协同下发优化、Selective R/S内存手术方案，实现MBS翻倍和70%激活值内存节省[22][25][27] - RL后训练创新：RL Fusion训推共卡技术支持多维并行策略动态切换，准异步机制StaleSync使训练吞吐提升50%[28][30] Pangu Ultra MoE模型性能突破 - 模型架构：7180亿参数，61层Transformer（3稠密层+58 MoE层），256路由专家+1共享专家，隐层维度7680[35] - 预训练性能：6K-10K卡昇腾800T A2集群实现8K序列长度下41% MFU，预计CloudMatrix 384超节点可支撑MFU>50%[35] - 后训练性能：CloudMatrix 384超节点实现35K Tokens/s吞吐，支持4K卡集群扩展，等效每2秒完成高数大题级推理任务[36] 技术架构创新细节 - 并行策略：采用16路流水线并行+8路张量并行+32路专家并行+2路虚拟流水线并行的混合架构[15] - 通信优化：分层专家并行通信结合虚拟流水线并行掩盖策略，实现计算通信深度融合[18] - 内存管理：构建自适应内存优化框架，支持模块级到张量级的细粒度内存调配[26] - 训推协同：支持分离部署/训推共卡/全共卡三种模式，秒级完成状态转换[28][33]