从硅片到 API：华为云为什么非要把整条栈都自己造一遍

从硅片到 API：华为云为什么非要把整条栈都自己造一遍

公有云看起来越来越像：都能开虚拟机、都能买对象存储、都能调大模型的 API。价格表翻一翻，差异也就那么几个点。

但把镜头拉近到每一层"这东西是谁做的"，画面立刻不一样。

多数云厂商的自研起点在虚拟化层——下面的服务器是买的，GPU 是英伟达的，往上才是自研的调度、网络、数据库。华为云的起点不在这儿，它从芯片那一层就开始写了。

这件事经常被当成一句宣传语，其实它是一个非常具体的工程选择，有明确的红利，也有明确的代价。

一、先看两条栈的区别

云厂商技术栈自研深度对比

同样是五层，从下往上看，两边的颜色完全不同。

左边的厂商，芯片和服务器这一层是灰的——x86 加英伟达，这是行业公用的地基。它在上面做得很好：自研虚拟化、自研数据库，AI 那一层则老实做适配，CUDA 是什么样就跟着什么样。

华为云把最下面两层涂满了。鲲鹏负责通用计算，昇腾负责 AI——910 做训练，310 做推理。再往上，操作系统是 openEuler，数据库是 openGauss / GaussDB，AI 那一层不是"适配 CUDA"，而是自己造了一个和 CUDA 同位置的东西：CANN，以及框架 MindSpore。

这不是"什么都想自己做"的执念。它背后是一条很朴素的工程逻辑：越往下，越难被别人替代，也越难替代别人。

二、自己定义芯片，究竟换来了什么

2019 年前后，华为同时把鲲鹏 920 和昇腾 910 推出来。鲲鹏 920 是 ARM 架构、最高 64 核的服务器 CPU；昇腾 910 是面向训练的 AI 处理器。

单看跑分意义不大。真正的意义在于：当你同时定义 CPU 和加速器，你就有资格定义它们之间的连接方式。

华为云六层栈

从上图能看到，这种"自己定义"是逐层咬合的。举三个具体的地方：

第一，互联。 2025 年华为云发布的 CloudMatrix 384 超节点，用 384 张昇腾卡通过自研的 UB 统一总线做全互联，而不是拿通用以太网或 InfiniBand 把一堆机器"捆"起来。区别在哪？在通用方案里，通信库是第三方写的，拓扑是标准化的，你能调的参数有限；在全自研方案里，通信原语、集合通信算法、任务调度、内存布局可以一起改。大模型训练的性能瓶颈有很大一块就在通信上，这一层的自由度直接换算成吞吐。

第二，编译链。 CANN 的位置相当于昇腾的 CUDA——驱动、算子库、图编译器一整套。MindSpore 作为自研框架，可以绕过中间抽象层直接对接。这意味着一个算子从"框架里长什么样"到"硬件上怎么跑"，中间不需要经过别人的接口约定。代价是生态要自己养，红利是极端场景下能把性能榨到别人榨不到的地方。

第三，也是最容易被忽略的——操作系统和数据库。 openEuler 和 openGauss 看起来跟 AI 无关，但它们决定了"从 x86 迁到 ARM"这件事对客户来说是一步还是十步。如果 OS、数据库、中间件都是自己写的，那"换架构"就是内部对齐问题；如果都是别人的，那每一步都要等对方支持。

这三件事合起来，是经济学里说的"专用性资产"：为了特定用途做的投资，在别处不值钱，但在自己这里效率极高。

三、代价：生态的引力比想象中重

讲完红利，得讲代价，不然就是软文。

CUDA 从 2007 年做到今天，积累了十几年。不是"几万个库"的问题，是几百万开发者手指头记住了 torch.cuda 这一串字符。一个团队要迁移到昇腾，面对的不是"改个编译参数"：

• SIMD 指令不同，手写的向量化代码要重来；

• 依赖的二进制 wheel 要重新找；

• 某些第三方库根本没有 ARM 版本；

• 调优经验——"这个参数调到 32 会快 15%"——全部作废。

这些成本是立刻发生的，而收益要等很久才摊销回来。这就是生态的引力：它不阻止你走，它只是让你每一步都更贵。

华为云的应对是两条腿：

一条是降低迁移摩擦——算子自动迁移工具、PyTorch 兼容层，目标是让"把代码搬过来"从几个月缩到几天。

另一条更值得说：把底层全部开源。 openEuler、openGauss、MindSpore 都是开源的。这不只是技术姿态，更是心理定价——客户最怕的不是性能差一点，是被一家厂商锁死。开源意味着"就算你明天不做了，我也能自己维护"。

但开源也是双刃剑：开源的东西收不上许可费，只能靠规模和服务挣钱。这反过来又逼着它必须做大客户——因为只有大客户才付得起服务费。

四、最容易被忽略的变现口：一套栈，两种交付

垂直整合这件事，在公有云的价格表上其实看不出来。它真正兑现价值的地方，是混合云。

华为云 Stack（HCS）做的事情说白了就一句：把公有云那一整套软件，装进客户自己的机房。

这句话听起来平淡，但它的前提极其苛刻——这五层每一层都得能被装箱。

芯片是自己造的，才能保证客户机房里的鲲鹏/昇腾和公有云上是同一批东西，性能曲线、指令行为、驱动版本都对得上；操作系统和数据库是自己造的，才能保证私有云不用等第三方发版，能跟着公有云一起往前跑；框架是自己造的，才能保证同一个模型在两边训练出来的结果一致。

反过来看：如果芯片是买的、OS 是别人的、数据库是别人的，"公有云与私有云同一套栈"最多只能做到中间几层一致，最底下那层永远对不齐。对不齐的后果是什么？是客户要在自己机房里维护一套独立的技术栈、养一支独立的团队、走一条独立的升级节奏。这在政企场景里是致命的——他们最怕的不是功能少，是"两套东西"。

所以政务云、金融云、运营商这类项目里，华为云的竞争力常常不在报价单上，而在"我在机房里跑的和我云上跑的是同一套代码"这一句话上。这句话，只有把最底下两层也自己写了的厂商说得出来。

五、所以战场被选在了"确定性负载"

到这里就能解释一个现象：华为云在政企、运营商、制造、能源这些市场很强，但在互联网创业公司里的存在感明显弱一些。

这不是能力问题，是成本结构的必然结果。

垂直整合的临界点

这张图画的是一个判断：垂直整合不是"更便宜"，而是在某条线之后才更便宜。

横轴是负载的确定性。左边是长尾创新负载——SaaS、互联网业务、中小开发者，需求随时变，今天要 GPU 明天要 CPU，迁移成本立刻发生，收益遥遥无期。在这一段，通用生态那条灰线更低，因为标准化带来的便宜是现成的。

右边是确定性负载——政企核心系统、运营商计费、大规模训练集群。这些负载的边界是清楚的：你知道你要跑三年，你知道你要一千张卡跑三个月。在这种前提下，迁移成本是一次性投入，可以摊很多年；而系统级优化省下来的 20% 就是实打实的钱。

大规模 AI 训练是这个谱系里最右端的东西。它不是"某种业务"，它是"一段可以被完全预先描述的计算"。对这种负载，从芯片到通信库全自研带来的收益是最大的，因为每一个环节的损耗都能被算出来、也能被消除。

盘古大模型的分层也是同一个逻辑的产物：L0 是基础大模型，L1 是行业模型（政务、制造、气象、医药……），L2 是具体场景模型。这种"一层基础、N 层行业"的结构，只有在底层算力和框架都是自己的时候才转得动——因为行业模型的微调要贴着硬件做，换个平台，调优经验就得重来一遍。

所以华为云不是不知道长尾开发者重要，而是它的成本结构决定了它必须先在右边赢，才有资格往左边打。

六、它真正在赌什么

把上面几条串起来，会发现华为云押的是一个关于 AI 时代算力形态的判断：

未来主流的算力消费，不是"无数小团队各自调 API"，而是"少数几个超大规模集群 + 大量行业专用模型"。

如果这个判断成立，垂直整合的溢价会越来越大——因为集群越大，系统级优化的绝对值越大；行业模型越专用，越值得为它定制底层。

如果这个判断不成立，如果 AI 算力最终变成像水电一样标准化的商品，那垂直整合就会变成一个很重的包袱：你养了一条别人不需要的栈，而客户只关心每度电多少钱。

这是个战略赌注，不是技术优劣题。技术上说，两条路都对。

结语

看华为云，别只看它发了什么新模型、开了什么发布会。看两个更硬的指标：芯片的迭代节奏，和互联带宽的增长曲线。

云的竞争早就不是"谁的虚拟机便宜一个点"。真正的战场在损耗上——从硅片到 API 之间，每一层都要脱一层皮。谁的损耗最小，谁就能在同样的电费和机位费下多卖出一分算力。

华为云选了一条把损耗压到最低、但也把生态门槛抬到最高的路。它能不能走通，取决于"确定性负载"这个池子会不会继续变大。

我的判断是会——至少在接下来几年，企业侧的 AI 落地仍然以"专用、可预测、要合规"为主。而这条路的最大风险，从来不是技术，是时间：生态需要的时间，比芯片迭代长得多。