文 | AI唱反调

最近，河套深港科技创新合作区内的联合团队，依托昇腾910C国产AI算力集群，完成1.6万亿参数DeepSeek-V4-Pro全参数后训练。华为提供算力，训练执行方是高校和研究院。

国产算力已经具备了支撑世界级模型的能力，中国AI的成本迭代飞轮由此可以转起来了。

算力自主、成本下降、调用量上升、模型迭代，四个环节开始咬合。

黄仁勋最担心的事情，已经开始了。

三方验证，拒绝自说自话

先看看团队的构成，深圳河套学院Al训练平台项目团队牵头，除了华为以外，还包括哈尔滨工业大学（深圳）、深圳市大数据研究院，等于多方联合，一定是经过多方验证的环节跑通。华为提供算力，训练执行方是高校和研究院。外部团队跑通全流程，昇腾910C的工业级可用性得到验证，厂商自说自话的嫌疑被排除。

根据实测数据，模型算力利用率超过30%，关键底层计算单元效率提升14%。这两个数字并不简单：30%的利用率是工业级门槛，计算单元效率提升14%说明优化已经深入硬件底层。

不过，这次测试的结果需要客观界定边界：本次仅为监督微调，不涉及从零起步的基础预训练；DeepSeek-V4-Pro采用混合专家架构，1.6万亿为总参数，实际激活参数远小于该数值。"支撑世界级模型"的判断成立，"全面替代H100"则属于过度解读。

这项合作在当下落地，是昇腾生态成熟、外部管制倒逼、企业算力自主需求三重因素叠加的结果。

所以为什么在这个时间点，昇腾会不断放出实验数据？

过去布局大模型，企业只能被动接受英伟达的定价规则，算力成本毫无主动权。如今算力供给拥有多元选择，布局本土算力生态还能摊薄长期运营成本，行业资本叙事彻底改写：从前是"研发团队+英伟达芯片"，现在转向"研发团队+国产算力生态"。核心是商业层面的成本与安全考量，而非情绪层面的国产偏好。

DeepSeek敢于全面押注国产算力，原因在于英伟达在中国高端芯片市场的份额持续萎缩，长期依赖海外算力的风险不断攀升。

黄仁勋在CNBC采访中表态："We have largely conceded the China AI chip market to Huawei"。conceded意为承认现实、主动让出市场，并非大众理解的"认输投降"。

英伟达CFO科莱特·克雷斯也在财报电话会上确认：本季度及下一季度，中国区数据中心计算收入指引均为0，而去年同期这一收入达到46亿美元。

两大信号指向同一商业逻辑：中国市场的投入产出比持续走弱。监管政策收紧、本土竞争加剧、经营风险上升，继续深耕的边际收益不断递减。与其持续消耗资源，英伟达选择主动止损，将技术、资金与团队投向全球其他增量赛道。

DeepSeek的算力押注与黄仁勋的战略取舍

几乎在同一时间，DeepSeek正推进首轮外部融资，并将资金重点投向国产算力芯片采购。行业发展逻辑发生明显转变：从过往坚持不融资，到如今借助资本定向布局国产算力，核心诉求是实现算力自主可控。

摩根士丹利预测，2026年华为将占据中国AI加速器市场62%的份额。这套判断有扎实数据背书，绝非场面化的客套表态。

所以在DS完成融资后，需要有可用的昇腾集群为DS提供算力，否则下一代模型的发展就会受到影响。

如果单纯看DS今年放出的V4，其实并不能让市场满意：原有的性价比下降一大截，能力也称不上第一梯队，核心问题就是显卡的适配度：众所周知，训练到一半，换卡了。

而这种不确定性会导致AI战略的落后，哪怕是一个月的时间，也足以分出AI公司的生死。·

英伟达的布局也印证了这一思路：与SK海力士达成长期合作，研发下一代高带宽存储芯片，服务Vera Rubin等多个平台；联手斗山集团深耕物理AI领域；推出RTX Spark产品，发力消费级PC处理器市场。中国市场的不确定性，加速了英伟达全球新赛道的落地。领先者仍在全力冲刺，追逐者更不能轻视。

黄仁勋让出市场，DeepSeek加码昇腾。两大动作形成共振，让中国算力的成本迭代飞轮正式具备启动条件。只要昇腾的路线跑通，后面的一些列问题将迎刃而解。

飞轮启动的迹象与未咬合的齿轮

算力自主落地，最直接的改变是消除了不确定性。以前依赖英伟达，断供风险导致囤货溢价、战略被动，成本里有一大块是"焦虑税"。现在国产算力可用，企业可以稳定规划算力投入，长期成本可控。

成本下降的真正驱动力，是人力、电力、模型效率、定价策略四重叠加。中国AI工程师成本低于硅谷，电价有优势，MoE架构和稀疏注意力等技术降低了单次推理成本，国产厂商主动降价抢市场。

这些因素合起来，国产模型的调用成本普遍低于海外闭源模型，行业整体降本趋势明显。部分产品在特定场景下调价幅度显著，不同赛道的价格变化，仍需结合场景客观区分。

但飞轮可以启动，不代表能够长久稳定运转。

国产算力虽然已经可以承接大规模模型训练，但生态短板依旧突出。英伟达并行计算平台经过十余年积淀，生态高度成熟，而昇腾的计算架构仍处在追赶阶段。

最直观的差距体现在工程落地层面：主流深度学习框架原生适配英伟达平台，多卡协同训练简单高效；昇腾则需要额外做适配开发，多卡并行的调试成本大幅增加。短板集中在软件生态与工程工具链，不止是硬件算力本身。

调用热度的领先，无法等同于综合模型能力的领先。海外开发者占比偏高，证明国产模型拥有全球化受众基础，但调用体量领先，不代表技术实力达到顶尖水平。在代码能力评测中，国产头部模型已经逼近Claude Opus，但在多模态推理、长上下文稳定性等维度，差距依然明显。

当前行业普遍呈现"规模优先、盈利滞后"的特征，这一模式能延续多久，最终还要看资本市场与商业化落地表现。

智谱、MiniMax等头部企业先后启动资本化进程，持续募资投入基座大模型研发，但如何跑通健康的盈利模型，仍是全行业共同的考验。

结尾

昇腾910C支撑DeepSeek-V4-Pro完成训练，真正的价值，是证明中国大模型的迭代发展，可以完全运行在国产算力闭环之内。产业链实现解耦，成本稳步下降，调用体量持续增长，飞轮的四大齿轮初步咬合。

齿轮虽已咬合，但整体运转仍不够顺滑高效。生态厚度、迭代速度、成本效率、盈利能力，四大维度同步补齐，飞轮才能持续加速。

黄仁勋选择让出市场，是跨国企业的战略取舍；DeepSeek加码昇腾，是本土企业的主动布局。二者结合，勾勒出当下行业的真实图景。

飞轮已然启动，真正的竞赛才刚刚开始。算力底座的格局重构，是决定行业长期走向的核心变量。重构不是终点，而是全新起点。