Huawei präsentierte während der HUAWEI CONNECT 2026 ihr Konzept für die Entwicklung einer Infrastruktur, die mit der schnellen Ausweitung von KI-Modellen sowie Inferenz- und Trainingslasten Schritt halten kann. In einer von David Wang, stellvertretendem Vorsitzenden und turnusmäßigen Vorsitzenden des Unternehmens, gehaltenen Grundsatzrede konzentrierte sich Huawei auf die Stärkung der Rechen- und Kommunikationsfähigkeiten als Grundlage für die Ausweitung von KI-Anwendungen.
Die Vision des Unternehmens stützt sich auf die Technologien SuperPoD und SuperCluster, die darauf abzielen, eine große Zahl von Rechenknoten in einer einheitlichen Hochgeschwindigkeitsumgebung zu verbinden. Huawei zufolge ermöglicht dieser Ansatz die effizientere Verarbeitung umfangreicher Arbeitslasten und bietet zugleich Optionen für die Datenverarbeitung in den Räumlichkeiten der Kunden sowie über die Cloud.
Warum steigt der Bedarf an einer spezialisierten Infrastruktur?
Huawei führt diese Entwicklung auf die zunehmende Größe von Modellen und die Fähigkeiten von KI-Agenten zurück. Nach den vom Unternehmen präsentierten Zahlen nähern sich die Parameter großer Modelle der Marke von 10 Billionen, wobei erwartet wird, dass sie bis 2030 100 Billionen überschreiten. Auch die Größe von Smartphone-Modellen ist von 3 Milliarden Parametern im Jahr 2024 auf derzeit 30 Milliarden gestiegen, während Modelle mit 100 Milliarden Parametern näher rücken.
Bei der Inferenz belief sich das tägliche Volumen in China auf etwa 500 Billionen Token, und Huawei erwartet, dass es bis 2030 das Quadrillionen-Niveau erreichen wird. Dieser Anstieg setzt die Leistung und Zuverlässigkeit der Systeme stärker unter Druck, insbesondere in Umgebungen, die Zehntausende neuronaler Verarbeitungseinheiten umfassen.
Simulationsergebnisse und ihre praktische Bedeutung
Huawei erklärte, dass Kommunikationsvorgänge zwischen Komponenten herkömmlicher Infrastrukturen mehr als 40 % der gesamten Trainingszeit von Modellen beanspruchen können, wodurch die effiziente Nutzung der Rechenkapazitäten eingeschränkt wird. In einer vom unternehmenseigenen Markov Lab durchgeführten Simulation erreichte eine Gruppe mit 100.000 NPU-Einheiten, die mithilfe von SuperPoDs aufgebaut wurde, von denen jedes 4.000 NPU-Einheiten enthielt, eine bis zu 2,75-mal höhere Auslastungseffizienz der Rechenkapazitäten als eine vergleichbare Gruppe, die auf Servern basierte, von denen jeder 8 NPU-Einheiten umfasste.
Dieses Ergebnis erklärt die Bedeutung der Verringerung der Kommunikationszeit zwischen den Einheiten beim Training groß angelegter Modelle. Es bleibt jedoch ein Simulationsergebnis und keine unabhängig veröffentlichte Messung einer tatsächlich betriebenen Umgebung. Daher erläutert der Artikel allein nicht die Einzelheiten der Arbeitslasten, der Software oder der Testbedingungen, die den angegebenen Unterschied hervorgebracht haben.
Verbreitung von Atlas und Unterstützung des Ökosystems
Huawei erklärte, bislang mehr als 1.000 Atlas 900 A3 SuperPoDs bereitgestellt zu haben, während der Atlas 950 SuperPoD eine breite kommerzielle Verbreitung erfahre. Zudem wies das Unternehmen auf seine Unterstützung des Trainings grundlegender Modelle auf seinen Systemen sowie auf den Betrieb einer großen Bandbreite von Modellen und Anwendungen innerhalb offener Rechenökosysteme hin.
Die Strategie des Unternehmens umfasst begrenzte, mittlere und umfangreiche Rechenkapazitäten sowie die Ausweitung des Einsatzes von KI in Geräten und Fahrzeugen parallel zur Entwicklung von Kommunikationsnetzen der nächsten Generation. Dies deutet darauf hin, dass Huawei den SuperPoD nicht nur als eigenständiges Produkt anbietet, sondern als Teil eines umfassenderen Konzepts, das Verarbeitung, Netzwerke, Cloud und Geräte miteinander verbindet.