据新浪科技援引“深圳发布”的6月5日通报，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和华为有关团队，协同深智城AI算力平台，依托昇腾910C集群完成了1.6万亿参数DeepSeek-V4-Pro全参数后训练。
这条消息先回答了最受关注的问题：在昇腾910C上，特定的大模型后训练任务能不能做完。现在已经有了公开案例。
通报没有同步给出集群卡数、持续运行时长、PUE、故障记录、备件消耗和运保投入。用这次训练结果直接估算万卡集群的总拥有成本，证据还不够。
在此之前，昇腾910C已经出现供货和服务方面的公开进展。控制网的一则资讯称，昇腾910C于2025年5月开启大规模供货；据证券时报网转引21世纪经济报道，6月20日的华为开发者大会上，华为云计算CEO张平安宣布新一代昇腾AI云服务全面上线。采购方接触到的对象，已经从芯片扩展到云服务和交付支持。接下来要核对的，是每个月究竟能交付多少有效算力。
训练完成，只回答了第一道题
一次训练任务有明确的模型、并行策略、软件版本和运行窗口。生产集群则会不断换模型、换负载、升级版本，还要处理节点退出、通信异常和任务重启。单次任务完成与长期可用之间，缺的是可重复的运行记录。
来源页未标明发布机构的一份《探索昇腾910C十万卡集群》将讨论范围推到了十万卡。其摘要回顾了2019年首代昇腾910的“1+1+4”结构，包括计算带、I/O带和4个HBM2模块。这类资料可以帮助理解加速器的组成，却不能据此推断910C的现场故障率，更不能直接算出备件比例。
规模扩大后，验收需要按故障域来做。单卡、节点、机柜、网络和机房分别出现异常时，任务能否隔离、重新调度并从检查点恢复，都要留下记录。峰值算力仍然重要，但它只是验收表中的一项。
电费要和有效训练时长放在一起
PUE是数据中心总能耗与IT设备能耗的比值。它能描述机房整体效率，一个平均值却看不出具体训练任务花了多少电，也看不出功率和制冷约束是否拖慢了任务。
训练负载并非一条平线。数据准备、矩阵计算、集合通信和检查点保存，对计算、网络和存储的压力并不相同。模型和并行策略一换，负载曲线也会跟着变。
现有公开资料没有提供昇腾910C万卡集群可核实的PUE阈值、实测值或能源违约金额。违约金是否存在，取决于具体合同。没有合同条款和现场曲线，不宜把它写成已经发生的损失。
采购和验收时，更值得索取以下记录：
- 空载、典型训练任务和通信高负载场景下的用电曲线；
- IT设备用电与制冷、配电等机房用电的分项数据；
- 因供电或散热限制发生的降频、暂停及其任务影响；
- 如果合同涉及PUE考核、最大需量或峰谷结算，相应的统计周期与责任边界。
电费总额还要对应有效训练时长。低电费若来自限频或任务停摆，就很难算作成本优化。
备件库里，最怕“N+1”含糊
采购合同中写一句N+1并不够。需要先说清楚，备用对象究竟是整机、节点、加速板卡、电源，还是网络与液冷部件。
整机备份容易执行，资金占用也高；按模块储备更灵活，但依赖准确诊断和版本匹配。对于板卡、HCCS互联、网卡或光模块等不同故障点，定位责任和更换边界也可能不同。
一份能执行的备件方案，至少要回答几件事：
- 厂商认可的现场可更换单元有哪些；
- 备件放在本地机房，还是厂商区域仓库；
- 更换后的硬件是否兼容现有固件、驱动和CANN版本；
- 备件领用后如何补库，故障件如何返修；
- 无法现场修复时，由谁承担调货、迁移和任务恢复工作。
现有材料没有可核实的备件交期和预算增幅，也不足以给出统一囤货比例。更稳妥的办法，是根据可更换单元清单和恢复目标倒推库存，而不是照搬传统服务器的整机备份方式。
运保成本，往往写在版本矩阵里
昇腾集群的运行涉及CANN、训练框架、通信组件、固件、驱动和集群管理工具。任意一层升级，都可能带来兼容性验证和回退工作。运保服务如果只承诺“快速响应”，采购方很难据此核算人力投入和停机损失。
华为在2025年全联接大会的公开演讲中提到，为承接DeepSeek快速增长的用户和流量，华为云及AI研发团队从春节开始协同工作，到4月30日才使Ascend 910B/910C的推理能力达到客户的基本需求。
这段经历针对推理服务，不能拿来估算训练集群的工单量。不过它说明，从芯片交付到客户可用，中间还有版本适配和跨团队协作。
运保合同至少应写清：
- 支持的CANN、框架、模型和算子版本范围；
- 升级前的验证流程，以及升级失败后的回退方式；
- 不同级别故障的响应、恢复和升级通道；
- 重复故障是否需要根因分析和知识库沉淀；
- 驻场、远程支持与非工作时间服务的边界。
只统计工单数量没有太大意义。更值得跟踪的是故障影响了哪些任务、多久恢复、是否重复发生，以及最后由哪一方完成闭环。
验收时，留四张能持续更新的表
| 台账 | 至少记录什么 | 合同里要问清什么 |
|---|---|---|
| 有效算力 | 任务完成情况、有效训练时长、中断原因、恢复时长 | 验收以峰值性能、任务完成还是持续可用为准 |
| 能耗 | IT用电、机房用电、负载峰值、限频与停机记录 | PUE、需量和能源约束由谁承担 |
| 备件 | 可更换单元、库存位置、版本、补货与返修状态 | 更换时限、兼容性和故障件归属 |
| 运保 | 软件版本、工单原因、恢复过程、根因分析 | 响应与恢复承诺、升级回退、驻场边界 |
1.6万亿参数后训练证明了特定任务可以完成，总拥有成本仍需要另一套证据。准备扩到万卡之前，建设方应先用代表性负载做试运行，再把能耗、备件、版本和服务责任写进合同。
芯片采购价只是总账中的一行。这四张表不够热闹，却决定集群上线后有多少时间真正在训练，又有多少时间花在等电、等件和等人上。
