黄仁勋那句话，把华为昇腾推到了聚光灯下。
据《经济观察报》2026年5月1日报道，4月15日，黄仁勋在接受美国科技播客主持人帕特尔专访时谈到中国AI：“要是哪天像DeepSeek这样的成果先在华为平台上出现，那对我们国家会是非常糟糕的结果。”
9天后，DeepSeek V4发布。报道中提到，这一代模型分为V4-Pro和V4-Flash两个版本：V4-Pro为1.6万亿参数、490亿激活；V4-Flash为2840亿参数、130亿激活；上下文长度从上一代128K扩展到1M。
这类模型把问题重新拉回算力底座。谁能稳定支撑训练和推理，谁才有资格进入大模型基础设施的牌桌。
不过，关于“昇腾910D集群实测”“千卡训练吞吐”“MFU稳定区间”等细节，当前可引用材料里没有足够公开出处。硬写成实测账本，读者看着热闹，技术团队拿去做决策却很危险。
更稳妥的写法，是把已公开的信息和迁移中真正会遇到的问题拆开看：昇腾的确定性在哪里，CUDA迁到CANN时，团队要先准备哪些成本。
昇腾已经不只是备选项
昇腾的定位很清楚：面向人工智能计算中心等重算力场景。
知乎专栏转载的《计算机行业专题报告：华为昇腾，国产AI算力“扛旗者”》提到，华为昇腾面向人工智能计算中心等重算力场景，构筑训练集群，主要包含Atlas 900 PoD（型号：9000）、Atlas 900 A2 PoD、Atlas 900 AI集群三类。
这不是一条突然冒出来的产品线。民生证券引用《昇腾计算产业发展白皮书》的数据称，从2012年开始的6年中，AI计算需求增加了30万倍；IDC测算显示，2021年中国智能算力规模达155.2 EFLOPS。
这两个数字说明的不是某一张卡有多强，而是需求已经大到不能只靠单一供应链支撑。国产AI算力被反复讨论，根源就在这里。
华为在2025年全联接大会上也给过一个更具体的场景：DeepSeek带来的用户和流量增长，让华为云从春节开始投入适配，到4月30日，使Ascend 910B/910C的推理能力达到客户基本需求。
这段表述很重要。它没有把问题说成“马上追平”，而是承认了一个工程过程：模型来了，流量来了，硬件、框架、算子、推理服务要一起补课。
910D可以期待，但别把传闻当实测
910D是很多团队关心的下一代昇腾卡。问题在于，公开材料里能确认的信息有限。
如果一篇文章直接写“910D已量产”“某公司1024卡训练DeepSeek V4-Flash”“MFU达到某个区间”，但不给出可核验来源，这种内容看上去专业，实际风险很高。尤其是训练吞吐、通信延迟、节点故障率、恢复时间这些指标，差一点就会影响采购和排期判断。
对技术负责人来说，910D真正需要验证的不是发布口径，而是几件很具体的事：
- 目标模型在CANN上的算子覆盖是否完整；
- MoE、长上下文、推理加速这些关键路径是否能稳定跑；
- HCCL在集群通信里的表现是否满足训练要求；
- PyTorch适配层、torch_npu、调试工具能不能支撑日常迭代；
- 出问题时，团队能否定位到算子、通信、显存还是框架层。
没有这些验证，单看芯片参数意义有限。大模型训练不是跑分，最怕的是任务启动了，问题出在半路。
CUDA迁到CANN，成本主要卡在三处
很多团队问“能不能迁”。这个问题太宽了。更实际的问法是：迁过去之后，谁来改代码，谁来修算子，谁来处理线上问题。
第一处成本是算子。
CUDA用户过去依赖的是NVIDIA长期积累的工具链和社区代码。很多论文复现、开源项目、推理优化库，默认先支持CUDA。迁到昇腾后，即使模型主体能跑，也常会遇到算子不兼容、参数布局差异、第三方库缺口等问题。
CANN能覆盖一部分通用需求，但只要模型里用了自定义CUDA kernel，或者依赖较新的注意力优化实现，工程量就会上升。这里没有捷径，最后往往要落到Ascend C、TBE或框架适配上。
第二处成本是调试。
CUDA的Nsight、cuda-gdb等工具用了很多年，开发者已经形成肌肉记忆。CANN也有自己的工具链，但团队从CUDA切过来，首先要重新学习错误定位方式。训练任务报错时，能不能快速判断是图编译问题、算子问题、通信问题，决定了迁移周期会不会被拉长。
第三处成本是通信。
大模型训练越往MoE、长上下文、多机多卡走，通信越难绕开。单卡算力再好，All-to-All、参数同步、跨节点调度跟不上，实际利用率就会被吃掉。华为在2025年全联接大会上强调“超节点互联技术”，方向正是解决AI基础设施里越来越突出的互联问题。
这也是昇腾后续最值得看的地方。国产算力要进入更大规模训练，不只拼芯片，还要拼集群互联和软件栈。
谁适合先上昇腾
如果已经有稳定的英伟达集群，且核心训练链路高度依赖CUDA，短期内全量迁移并不理性。更可控的做法，是先把部分推理、数据处理、评测、低通信压力任务放到昇腾上跑，积累工具链经验。
如果团队受限于GPU供给，或者业务本身需要国产算力方案，昇腾就不只是“备胎”。这类团队应该尽早做小规模验证：选一个真实模型，拿真实数据，跑完整训练或推理链路，而不是只看样例代码。
如果是初创团队，尤其是工程人手有限的团队，更要谨慎。迁移不是买卡后自动完成的事。缺少熟悉CANN和Ascend C的人，后续每一次模型更新、库升级、性能调优，都可能变成额外负担。
一句话，昇腾适合有明确场景、有工程投入、愿意做适配的团队。不适合只想“换一套硬件，代码基本不动”的团队。
真正的账本在软件里
华为昇腾已经站到国产AI算力的核心位置，这一点从Atlas 900系列、Ascend 910B/910C适配DeepSeek推理，以及超节点互联技术的公开表述中都能看到。
但对企业来说，判断一套算力能不能用，不能只看“国产替代”四个字。要看模型能不能跑，性能掉多少，问题谁来修，后续社区代码能不能跟上。
CUDA迁到CANN，表面是框架切换，实际是研发流程切换。过去默认可用的库、算子、调试经验，都要重新确认一遍。
910D值得关注，但在缺少公开实测来源前，不宜把它写成已经被充分验证的答案。更可靠的判断方式，是拿自己的模型、自己的数据、自己的团队能力，去跑一遍迁移账本。
参考来源：
- 《华为昇腾：国产AI算力“扛旗者”》，民生证券研究院，引用《昇腾计算产业发展白皮书》及IDC测算
- 《华为算力“开链”》，经济观察报，2026年5月1日
- 华为官网：《以开创的超节点互联技术，引领AI基础设施新范式》，2025年华为全联接大会演讲
- 《计算机行业专题报告：华为昇腾，国产AI算力“扛旗者”》，知乎专栏转载
