智東西（公眾號：zhidxcom）
作者 | 王涵
編輯 | 漠影
智東西8月27日報道，今天下午，在第四屆828 B2B企業節開幕式上，華為云宣布其Tokens服務全面接入CloudMatrix384超節點。
借助xDeepServe架構創新，該服務單芯片最高可實現2400TPS的吞吐量與50ms的TPOT（Token處理時延）。
一、中國日均Token消耗量暴增超300倍，接入超節點突破性能瓶頸
數據顯示，過去18個月中國AI算力需求呈指數級增長。2024年初中國日均Token消耗量為1000億，截至2025年6月底，這一數據已突破30萬億，1年半內增長超300倍，這對算力基礎設施提出了更高要求。
2025年3月，華為云在傳統按卡時計費模式基礎上，推出基于MaaS（模型即服務）的Tokens服務，提供在線版、進線版、離線版及尊享版等多種規格，適配不同應用場景的性能與時延需求。
此次接入CloudMatrix384超節點后，依托超節點原生的xDeepServe框架，Tokens服務吞吐量從2025年初的1920TPS提升至2400TPS。
華為云認為，大算力構建需全棧創新，涵蓋硬件、軟件、算子、存儲、推理框架及超節點等環節。
其中，CloudMatrix384超節點通過計算架構創新突破性能瓶頸；CANN昇騰硬件優化算子與通信策略；EMS彈性內存存儲打破AI內存限制；xDeepServe分布式推理框架則以架構提升算力效率。
二、xDeepServe架構拆解模型，優化算力調用
作為CloudMatrix384超節點的原生服務，xDeepServe采用Transformerless極致分離架構，將MoE大模型拆解為Attention、FFN、Expert三個可獨立伸縮的微模塊，分配至不同NPU同步處理，再通過微秒級XCCL通信庫與FlowServe自研推理引擎整合，形成Tokens處理“流水線”。
經優化后，單卡吞吐從非超節點的600tokens/s提升至2400tokens/s。
CANN作為硬件加速計算中間層，包含算子庫、XCCL高性能通信庫等組件。其中XCCL專為超節點大語言模型服務設計，可發揮CloudMatrix384擴展后UB互聯架構的潛力，為架構分離提供帶寬與時延支持。
FlowServe分布式引擎將CloudMatrix384劃分為自治的DP小組，每個小組配備Tokenizer、執行器、RTC緩存與網絡棧，可實現千卡并發無擁堵。
華為云透露，xDeepServe已實現MA分離，下一步計劃將Attention、MoE、Decode改造為數據流，并擴展至多臺超節點，以線性提升推理吞吐。
三、支持主流大模型與Agent平臺，已落地多行業場景
目前，華為云MaaS服務已支持DeepSeek、Kimi、Qwen、Pangu、SDXL、Wan等主流大模型，以及versatile、Dify、扣子等主流Agent平臺。
在模型性能優化方面，文生圖大模型通過Int8量化、旋轉位置編碼融合算子等方式，在輕微損失畫質下，出圖速度達到業界主流平臺的2倍，最大支持2K×2K尺寸。
文生視頻大模型通過量化、通算并行等手段，降低延遲與顯存占用，性能較友商提升3.5倍。
應用層面，華為云已與超100家伙伴合作，在調研分析、內容創作、智慧辦公、智能運維等領域開發AI Agent。
例如，基于MaaS平臺的今日人才數智員工解決方案，集成自然語言處理、機器學習等技術，可提升服務效率與客戶滿意度；北京方寸無憂科技開發的無憂智慧公文解決方案，能助力政企辦公智能化轉型。
結語：華為云超節點讓算力更適配AI應用需求
當前，AI技術正從模型研發向產業滲透加速邁進，而算力作為核心基礎設施，其性能、成本與適配能力將直接決定著產業智能化的推進速度。
隨著后續更多超節點擴展計劃的推進，以及更多行業場景的深度適配，這類AI基礎設施的升級，或將進一步降低企業接入AI技術的門檻，讓技術更加深度地融入生活。
