文 | AI 唱反調
最近，河套深港科技創新合作區內的聯合團隊，依托昇騰 910C 國產 AI 算力集群，完成 1.6 萬億參數 DeepSeek-V4-Pro 全參數后訓練。華為提供算力，訓練執行方是高校和研究院。
國產算力已經具備了支撐世界級模型的能力，中國 AI 的成本迭代飛輪由此可以轉起來了。
算力自主、成本下降、調用量上升、模型迭代，四個環節開始咬合。
黃仁勛最擔心的事情，已經開始了。
三方驗證，拒絕自說自話
先看看團隊的構成，深圳河套學院 Al 訓練平臺項目團隊牽頭，除了華為以外，還包括哈爾濱工業大學（深圳）、深圳市大數據研究院，等于多方聯合，一定是經過多方驗證的環節跑通。華為提供算力，訓練執行方是高校和研究院。外部團隊跑通全流程，昇騰 910C 的工業級可用性得到驗證，廠商自說自話的嫌疑被排除。
根據實測數據，模型算力利用率超過 30%，關鍵底層計算單元效率提升 14%。這兩個數字并不簡單：30% 的利用率是工業級門檻，計算單元效率提升 14% 說明優化已經深入硬件底層。
不過，這次測試的結果需要客觀界定邊界：本次僅為監督微調，不涉及從零起步的基礎預訓練；DeepSeek-V4-Pro 采用混合專家架構，1.6 萬億為總參數，實際激活參數遠小于該數值。" 支撐世界級模型 " 的判斷成立，" 全面替代 H100" 則屬于過度解讀。
這項合作在當下落地，是昇騰生態成熟、外部管制倒逼、企業算力自主需求三重因素疊加的結果。
所以為什么在這個時間點，昇騰會不斷放出實驗數據？
過去布局大模型，企業只能被動接受英偉達的定價規則，算力成本毫無主動權。如今算力供給擁有多元選擇，布局本土算力生態還能攤薄長期運營成本，行業資本敘事徹底改寫：從前是 " 研發團隊 + 英偉達芯片 "，現在轉向 " 研發團隊 + 國產算力生態 "。核心是商業層面的成本與安全考量，而非情緒層面的國產偏好。
DeepSeek 敢于全面押注國產算力，原因在于英偉達在中國高端芯片市場的份額持續萎縮，長期依賴海外算力的風險不斷攀升。
黃仁勛在 CNBC 采訪中表態："We have largely conceded the China AI chip market to Huawei"。conceded 意為承認現實、主動讓出市場，并非大眾理解的 " 認輸投降 "。
英偉達 CFO 科萊特 · 克雷斯也在財報電話會上確認：本季度及下一季度，中國區數據中心計算收入指引均為 0，而去年同期這一收入達到 46 億美元。
兩大信號指向同一商業邏輯：中國市場的投入產出比持續走弱。監管政策收緊、本土競爭加劇、經營風險上升，繼續深耕的邊際收益不斷遞減。與其持續消耗資源，英偉達選擇主動止損，將技術、資金與團隊投向全球其他增量賽道。
DeepSeek 的算力押注與黃仁勛的戰略取舍
幾乎在同一時間，DeepSeek 正推進首輪外部融資，并將資金重點投向國產算力芯片采購。行業發展邏輯發生明顯轉變：從過往堅持不融資，到如今借助資本定向布局國產算力，核心訴求是實現算力自主可控。
摩根士丹利預測，2026 年華為將占據中國 AI 加速器市場 62% 的份額。這套判斷有扎實數據背書，絕非場面化的客套表態。
所以在 DS 完成融資后，需要有可用的昇騰集群為 DS 提供算力，否則下一代模型的發展就會受到影響。
如果單純看 DS 今年放出的 V4，其實并不能讓市場滿意：原有的性價比下降一大截，能力也稱不上第一梯隊，核心問題就是顯卡的適配度：眾所周知，訓練到一半，換卡了。
而這種不確定性會導致 AI 戰略的落后，哪怕是一個月的時間，也足以分出 AI 公司的生死。·
英偉達的布局也印證了這一思路：與 SK 海力士達成長期合作，研發下一代高帶寬存儲芯片，服務 Vera Rubin 等多個平臺；聯手斗山集團深耕物理 AI 領域；推出 RTX Spark 產品，發力消費級 PC 處理器市場。中國市場的不確定性，加速了英偉達全球新賽道的落地。領先者仍在全力沖刺，追逐者更不能輕視。
黃仁勛讓出市場，DeepSeek 加碼昇騰。兩大動作形成共振，讓中國算力的成本迭代飛輪正式具備啟動條件。只要昇騰的路線跑通，后面的一些列問題將迎刃而解。
飛輪啟動的跡象與未咬合的齒輪
算力自主落地，最直接的改變是消除了不確定性。以前依賴英偉達，斷供風險導致囤貨溢價、戰略被動，成本里有一大塊是 " 焦慮稅 "?，F在國產算力可用，企業可以穩定規劃算力投入，長期成本可控。
成本下降的真正驅動力，是人力、電力、模型效率、定價策略四重疊加。中國 AI 工程師成本低于硅谷，電價有優勢，MoE 架構和稀疏注意力等技術降低了單次推理成本，國產廠商主動降價搶市場。
這些因素合起來，國產模型的調用成本普遍低于海外閉源模型，行業整體降本趨勢明顯。部分產品在特定場景下調價幅度顯著，不同賽道的價格變化，仍需結合場景客觀區分。
但飛輪可以啟動，不代表能夠長久穩定運轉。
國產算力雖然已經可以承接大規模模型訓練，但生態短板依舊突出。英偉達并行計算平臺經過十余年積淀，生態高度成熟，而昇騰的計算架構仍處在追趕階段。
最直觀的差距體現在工程落地層面：主流深度學習框架原生適配英偉達平臺，多卡協同訓練簡單高效；昇騰則需要額外做適配開發，多卡并行的調試成本大幅增加。短板集中在軟件生態與工程工具鏈，不止是硬件算力本身。
調用熱度的領先，無法等同于綜合模型能力的領先。海外開發者占比偏高，證明國產模型擁有全球化受眾基礎，但調用體量領先，不代表技術實力達到頂尖水平。在代碼能力評測中，國產頭部模型已經逼近 Claude Opus，但在多模態推理、長上下文穩定性等維度，差距依然明顯。
當前行業普遍呈現 " 規模優先、盈利滯后 " 的特征，這一模式能延續多久，最終還要看資本市場與商業化落地表現。
智譜、MiniMax 等頭部企業先后啟動資本化進程，持續募資投入基座大模型研發，但如何跑通健康的盈利模型，仍是全行業共同的考驗。
結尾
昇騰 910C 支撐 DeepSeek-V4-Pro 完成訓練，真正的價值，是證明中國大模型的迭代發展，可以完全運行在國產算力閉環之內。產業鏈實現解耦，成本穩步下降，調用體量持續增長，飛輪的四大齒輪初步咬合。
齒輪雖已咬合，但整體運轉仍不夠順滑高效。生態厚度、迭代速度、成本效率、盈利能力，四大維度同步補齊，飛輪才能持續加速。
黃仁勛選擇讓出市場，是跨國企業的戰略取舍；DeepSeek 加碼昇騰，是本土企業的主動布局。二者結合，勾勒出當下行業的真實圖景。
飛輪已然啟動，真正的競賽才剛剛開始。算力底座的格局重構，是決定行業長期走向的核心變量。重構不是終點，而是全新起點。
