文 | 影子备忘录

国庆假期前一天，DeepSeek放出了一条一则消息：正式开源面向华为昇腾算力平台的基础设施组件，涵盖TileLang高级语言编译工具、高性能计算库与分布式通信库，所有组件与此前面向英伟达平台的开源组件一一对应。

如果你只把这当作一次普通的“国产适配”，那可能会错过这件事真正的分量。

过去几年，国产芯片适配大模型的新闻并不少见，但大多是“能在上面跑起来”的层面，比如验证兼容性，刷个适配公告，然后就没有然后了。

不过这次不一样，因为DeepSeek把自己在英伟达平台上打磨成熟的那套工具链，几乎完整地、成体系地搬到了昇腾上，而且关键测试中的计算与通信性能已经接近硬件上限。

这不是一次适配，这是一次搬家。

算力焦虑的尽头，是别无选择

要理解DeepSeek为什么在此时选择华为，得先理解这家公司正面临什么。

梁文锋在今年7月的一场闭门投资者会议上，说了一句非常坦率的话：中美AI能力之间的差距，包括人才、模型性能和应用等都可以归结为一个变量，算力资源。

他透露DeepSeek目前运营着约2万块英伟达H系列同等算力的芯片，但无法采购到足够的硬件来训练最大规模的前沿模型。

他估算，训练顶级大模型可能需要约5万颗英伟达GB300芯片，若采用华为昇腾950，则可能需要约20万颗。

“今年能花出去200亿人民币，就说明我们的采购团队表现出色了。要花到这个数实在太难了。芯片买不到，价格还高。”

这段话里有两层意思。第一层是外部供应的不确定性，主要是出口管制持续收紧，英伟达对华特供芯片的供应既不充足也不稳定。

第二层是即便买到了，成本也高得令人窒息。DeepSeek V4-Pro的API输入价格低至0.25元/百万词元，而GPT-5.5 Pro加权平均输入价格为30美元/百万词元，两者相差超过700倍。

这种极致性价比的定价策略，要求基础设施成本必须被压到极限。而英伟达芯片的采购价格摆在那里，再怎么优化，成本曲线也降不下来。

相比之下，华为昇腾新款推理芯片的采购价格仅为英伟达的四分之一，单卡算力却比英伟达对华特供版提升了2.87倍。

梁文锋对华为昇腾950超节点的评价是：“在性能和价格上完全可以平替英伟达的GB200和GB300。”

这就不难理解为什么DeepSeek把使用华为等国产芯片训练大模型列为重要战略方向。

据彭博社报道，DeepSeek已向华为订购了16万颗昇腾950DT芯片，用于其位于内蒙古的1GW数据中心。梁文锋甚至说，这项工作“必须成功”。

 TileLang这步棋，走在了所有人前面

但仅仅因为“买不到英伟达芯片”就去拥抱华为，这个叙事太单薄了。真正值得拆解的，是DeepSeek选择合作的技术路径。

答案藏在TileLang里。

这家公司从训练V3模型开始，就在做一件很多同行没有做的事情，他们正在用自研的TileLang高级语言来写算子，而不是直接调用CUDA。

TileLang的设计思路是：让开发者用更简洁的高级语言编程，同时通过编译器优化达到接近硬件性能上限的执行效率。

目前，DeepSeek V4系列模型训练中大部分算子已经基于TileLang实现。

这也意味着DeepSeek在英伟达平台上构建模型时，并没有把自己和CUDA生态绑死。TileLang扮演了一层抽象，往上承接模型训练的逻辑，往下对接芯片的底层指令。

当这层抽象被移植到昇腾平台时，对昇腾Ascend C底层指令进行封装，开发者的代码逻辑几乎不需要重写。

从目前的情况来看，梁文锋确实把这条路走通了。华为950超节点“四颗芯片的算力相当于一颗英伟达芯片”，双方在芯片本身仍存在“四倍加两年”的差距，但生态适配的障碍已经被跨过去了。

对比一下OpenAI和Anthropic的做法，这条路径的独特性就更清楚了。

OpenAI选择的是自研芯片，他们与博通合作开发了Jalapeño推理加速器，同时与Cerebras签署了超过200亿美元的算力服务协议，走的是“定制硬件+多元供应商”的路子。

Anthropic则在模型性能上持续加码，Sonnet 5.5在编码基准上已经超越了自家旗舰Opus 5.5，同时成本只有GPT-6 Sol的五分之一。

两家美国头部公司，一家向左往硬件深处走，一家向右往模型效率走，但都没有走“把一个成熟的软件工具链跨平台移植”这条路。

DeepSeek走的是第三条路。它的赌注在于：软件工具链的可移植性，可能比芯片本身的性能差距更重要。

当TileLang在昇腾上跑通，所有使用TileLang的开发者，理论上都可以在昇腾上构建模型，而不需要重新学习一套编程范式。

华为也将本次联合创新的成果在CANN社区开源，覆盖大EP低延时推理部署、单卡/单机部署、大规模训练、超长文本KVcache池化与Agentic RL，开发者拿到的是可以直接用的实践方案。

不只是DeepSeek一家的选择

如果把视角拉远一些，会发现DeepSeek的决策并非孤立事件。

智谱AI在今年1月联合华为开源了GLM-Image，这是首个完全基于国产芯片（昇腾Atlas 800T A2）和昇思MindSpore框架完成全流程训练的SOTA多模态模型。

到了2月，智谱完全使用华为昇腾910C芯片训练的7440亿参数GLM-5模型，在“人类最后的考试”基准测试中登上了榜首，全程没有使用任何英伟达GPU。

阿里通义千问、字节豆包、百川智能等头部玩家，都在同步推进国产算力适配。

彭博行业研究的一项调查显示，中国企业计划在未来12个月内将46%的AI加速芯片预算用于采购国内芯片，远高于目前的30%。

深圳已经投运了基于昇腾910C的1万卡AI算力集群，预约率达到92%。

这不是一两家公司的孤勇，而是一个行业在供应链约束下的集体战略调整。

区别在于，DeepSeek这次做的是“从根上”解决问题，而不是简单地让模型能在国产芯片上跑，这是在国产芯片上构建一套完整的、从编译工具到通信库的基础设施。

华为向DeepSeek提供的昇腾超节点SuperPoD Flex和UBL128组网方案，可实现128卡3.2Tbps单层交换的Scale-up网络和256K卡两层交换的Scale-out网络，兼顾超低时延推理与前沿基座模型的大规模训练需求。

DeepSeek团队开发的DeepEP通信库，实测互联带宽达到Dispatch 375 GB/s、Combine 347 GB/s，已经接近硬件上限。

这些数字说明，至少在超节点这种大规模并行计算的场景下，昇腾平台的通信效率已经达到了可用的水平。

软件生态才是真正的护城河

回过头来看，DeepSeek选择在这个时间点与华为深度合作，还有一个容易被忽略的考量。

英伟达的CUDA生态之所以牢固，核心不在于芯片本身，而在于十余年积累的数百万开发者、成熟的工具链和丰富的代码库。

换成硬件容易，换成生态极难。梁文锋对此的判断是：CUDA的护城河正在“迅速瓦解”，中国AI芯片产业正面临取代外国硬件的“历史性机遇”。

他预测，在一年之内，实际部署情况将颠覆市场上认为国产芯片生态“不可用或难以使用”的看法。

这话听起来像是乐观主义者的宣言。但从技术角度看，他手里确实有几张牌。

TileLang本身就是一张牌。它的定位是比CUDA更简单的高级语言，能显著提高开发效率、简化代码逻辑，同时不损失硬件性能。

如果TileLang的昇腾版本能够吸引足够多的开发者使用，那它就构成了一条绕过CUDA的通道，最终的结果是开发者不需要学CUDA，只需要学TileLang，就能在两种芯片平台上部署模型。

DeepSeek把TileLang昇腾版本开源，并明确表示希望“对更多AI芯片建立高可用软件生态起到示范作用”，这背后的意图再清晰不过了。

另一张牌是DeepSeek自身开源模型的号召力。DeepSeek V4系列是目前全球开源大模型中最受关注的之一，开发者基数庞大。

当这些开发者习惯了用DeepSeek的模型和工具链，迁移成本就自然降低了。

而如果昇腾平台能够提供与英伟达平台“一一对应”的组件，迁移就变成了换一个`pip install`的事。

当然，乐观归乐观，现实中的挑战也不容回避。

梁文锋坦承，华为的产能是当前最主要的瓶颈。华为昇腾950DT的年产量仅有几十万颗，DeepSeek那笔16万颗的订单可能需要长达一年才能交付。

华为自身也承认，由于产能受限、国内需求旺盛，下一代昇腾900系列将主要面向中国市场供应，暂不会全面推向海外。

产能问题不解决，生态的雪球就滚不起来。

写在最后

站在2026年秋天回看，DeepSeek与华为昇腾的合作，与其说是一个“去英伟达化”的故事，不如说是一个关于“选择权”的故事。

过去几年，中国AI公司在大模型训练上几乎只有一条路：买英伟达芯片，用CUDA生态，在既定的游戏规则里竞争。

出口管制收紧之后，这条路越来越窄，成本越来越高。

DeepSeek的选择是与其在一条越来越窄的路上挣扎，不如和芯片厂商一起，把第二条路修出来。

至于这条路修得怎么样，现在还不好下定论。

TileLang能否成为真正的“中国版CUDA”的雏形，昇腾的产能能否跟上需求，超节点方案在实际训练中的稳定性如何，这些都需要时间检验。

但至少有一点是确定的：当一个行业最顶尖的模型公司愿意把自己最核心的工具链，成体系地移植到一个新的硬件平台上，并且公开宣称“性能接近硬件上限”的时候，这条路就不再只是一个备选方案了。