"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。"
今年4月，英伟达CEO黄仁勋在播客中的这句担忧，在两个月后被现实回应。
6月5日，深圳发布官方账号通报了一项关键进展：深圳河套学院AI训练平台项目团队，联合哈尔滨工业大学(深圳)、深圳市大数据研究院及华为有关团队，依托昇腾910C国产AI算力集群，完成了1.6万亿参数大模型DeepSeek-V4-Pro的全参数后训练。训练过程稳定运行超过1500步，算子效率提升14%。
这并非一次简单的演示。DeepSeek V4系列于2026年4月24日发布，其V4-Pro版本拥有1.6万亿参数，激活参数490亿，上下文处理长度从上一代的128K扩展至1M。万亿参数模型在逻辑推理、数理计算和代码编写方面表现突出，这类模型的全参数训练，对硬件算力、集群稳定性、算法适配优化均有严苛要求。长期以来，国内国产算力主要应用于模型推理阶段，而此次攻关标志着国产芯片已具备支撑顶级大模型底层训练的能力。
技术可行不等于商业经济。
对于企业而言，能在实验室跑通万亿参数，与在生产环境中以可控成本稳定产出，是两个维度的难题。
迁移国产算力往往伴随着隐性的"学费"。回顾此前的行业案例，如深圳星图智能在90天内完成从A100到昇腾910D的迁移，虽硬件成本节省40%，但初期自定义算子性能骤降30%。团队不得不通过Ascend C重写算子，并针对HCCL拓扑进行精细调整，耗时三个月才将损耗控制在5%以内，最终使集群稳定率达到99.5%，综合TCO下降近35%。对于缺乏深厚底层适配能力的中小企业，这笔隐性成本可能远超硬件差价。
2026年，AI行业正从"参数竞赛"转向"算账时代"。年初博通财报显示AI芯片销量暴涨但股价下跌，暴露了算力投入与产出失衡的现实。鹏城实验室高文院士指出，AGI发展必须从单一参数规模转向算力、数据、算法的三角平衡。
一线教训同样深刻。2026年6月底，深圳一家跨境电商因AI Agent陷入定价死循环，4小时内消耗了52万元Token费，直接推动了企业向端侧私有化和国产算力迁移。当云端API账单失控时，本地化部署成为切断现金流失血的物理刹车。
蚂蚁集团早在2025年4月就成立AGI部门，由CTO何征宇挂帅，放弃参数竞赛，转而深耕风控、合规等高频场景，践行"扫码级"AI的工程化目标。
在这一背景下，运维效率成为决定胜负的关键变量。昇腾910C的成功，不仅在于芯片本身，更在于CANN 7.0等软件栈对显存碎片处理的优化能力。面对分布式通信延迟、负载均衡等棘手问题，缺乏深度理解的运维团队极易让先进芯片沦为低效资产。
相比之下，英伟达生态的优势在于成熟度，但高昂的授权费和供应链不确定性，促使中国企业寻求替代方案。寒武纪MLU370等在推理端的普及，正是基于对特定场景（如视频分析、推荐系统）的高效适配，而非盲目追求通用训练性能。
深圳河套学院的这一里程碑，宣告了国产算力"可用"时代的终结。接下来的挑战，是如何在迁移成本、运维效率和业务价值之间找到平衡点。未来的赢家，不会是那些拥有最多参数的人，而是那些最能算清每一块芯片、每一个Token成本的人。
