Raksasa teknologi Tiongkok Huawei telah mengakhiri keheningannya mengenai rencana silicon AI masa depan, mengungkap roadmap ambisius tiga tahun yang memposisikan perusahaan sebagai alternatif domestik serius terhadap dominasi NVIDIA dalam komputasi kecerdasan buatan. Pengumuman yang dibuat di Huawei Connect 2025 oleh ketua bergilir Xu Zhijun ini menandai strategi jangka panjang resmi pertama untuk keluarga chip Ascend perusahaan.
Teknologi HBM Buatan Sendiri Pertama Debut di 2026
Pusat perhatian roadmap Huawei adalah Ascend 950PR yang dijadwalkan rilis pada kuartal pertama 2026. Chip ini merupakan pencapaian penting sebagai prosesor pertama Huawei yang menampilkan teknologi High Bandwidth Memory (HBM) yang dikembangkan sepenuhnya sendiri. 950PR akan menggabungkan HBM HiBL 1.0 milik Huawei, menghadirkan kapasitas 128GB dengan bandwidth 1,6TB/s. Chip yang berfokus pada inferensi ini menargetkan performa prefill dan rekomendasi, menawarkan kekuatan komputasi 1 PFLOPS FP8 dan kemampuan pemrosesan 2 PFLOPS FP4.
Generasi Teknologi HBM In-House Huawei
HiBL 1.0 (Generasi Pertama)
- Kapasitas: 128GB
- Bandwidth: 1.6TB/s
- Target: Ascend 950PR
HiZQ 2.0 (Generasi Kedua)
- Kapasitas: 144GB
- Bandwidth: 4TB/s
- Target: Ascend 950DT dan model-model selanjutnya
Varian Fokus Pelatihan Menyusul di Akhir 2026
Melengkapi 950PR, Huawei berencana meluncurkan Ascend 950DT pada kuartal keempat 2026. Prosesor berorientasi pelatihan ini akan menampilkan teknologi HBM HiZQ 2.0 generasi kedua perusahaan, membanggakan spesifikasi yang ditingkatkan dengan kapasitas 144GB dan bandwidth 4TB/s. Subsistem memori yang ditingkatkan memposisikan 950DT sebagai jawaban Huawei untuk kebutuhan pelatihan model AI berperforma tinggi.
Roadmap Diperpanjang Hingga 2028 dengan Peningkatan Performa Masif
Melihat lebih jauh ke depan, Ascend 960 milik Huawei dijadwalkan untuk kuartal keempat 2027, menampilkan peningkatan substansial termasuk bandwidth interkoneksi 2,2TB/s, kapasitas memori 288GB, dan bandwidth memori 9,6TB/s. Chip ini akan menghadirkan performa komputasi 2 PFLOPS FP8 dan 4 PFLOPS FP4. Roadmap mencapai puncaknya dengan Ascend 970 di 2028, menjanjikan peningkatan yang lebih signifikan dalam kemampuan memori dan komputasi.
Spesifikasi Roadmap Chip Huawei Ascend
| Model | Tanggal Rilis | Jenis Memori | Kapasitas Memori | Bandwidth Memori | Performa Komputasi | Fokus |
|---|---|---|---|---|---|---|
| Ascend 950PR | Q1 2026 | HiBL 1.0 HBM | 128GB | 1.6TB/s | 1 PFLOPS FP8, 2 PFLOPS FP4 | Inference |
| Ascend 950DT | Q4 2026 | HiZQ 2.0 HBM | 144GB | 4TB/s | Tidak disebutkan | Training |
| Ascend 960 | Q4 2027 | HiZQ 2.0 HBM | 288GB | 9.6TB/s | 2 PFLOPS FP8, 4 PFLOPS FP4 | AI Umum |
| Ascend 970 | 2028 | Tidak disebutkan | Tidak disebutkan | Tidak disebutkan | Tidak disebutkan | AI Umum |
Tantangan Manufaktur dan Realitas Pasar
Meskipun spesifikasinya ambisius, Huawei menghadapi rintangan manufaktur yang substansial. Di bawah sanksi Amerika Serikat, perusahaan tidak dapat mengakses node canggih TSMC atau teknologi packaging CoWoS yang diandalkan NVIDIA untuk GPU Hopper dan Blackwell-nya. Bekerja dengan foundry domestik seperti SMIC mungkin menghasilkan keterbatasan yield dan bandwidth yang dapat berdampak pada performa dunia nyata.
Ambisi Skala Bertemu Realitas Software
Bersamaan dengan roadmap chip, Huawei mengungkap rencana untuk supernode masif yang menampung ribuan prosesor Ascend. Sistem Atlas 950 dan 960 bertujuan menyaingi konfigurasi GB200 NVL72 milik NVIDIA, mendukung hingga 15.488 akselerator Ascend dalam satu deployment. Namun, menyamai performa NVIDIA memerlukan lebih dari sekadar jumlah chip mentah – ini menuntut stack software yang dioptimalkan dan teknologi interkoneksi yang menjaga cluster besar tetap dimanfaatkan secara efisien di seluruh beban kerja AI yang kompleks.
Roadmap ini tiba saat pemerintah Tiongkok mendorong produksi silicon domestik dan melarang pengadaan komponen NVIDIA. Meskipun rencana Huawei menunjukkan ambisi teknis, kesuksesan pada akhirnya akan bergantung pada penyampaian platform end-to-end yang terbukti dapat menyamai ekosistem NVIDIA dalam efisiensi pelatihan dan throughput model.