B200、昇腾910C与RISC-V，争的不是同一笔订单

把B200、昇腾910C和RISC-V放进同一张峰值算力表，采购会显得很简单：谁的数字高，谁排在前面。问题也从这里开始。

招银国际在2025年12月11日发布的2026科技行业展望中提到，大模型快速迭代将继续托住算力需求，AI手机、AI PC、AI眼镜等端侧新品也在加快落地。

同一年里，数据中心训练和端侧新品都在买芯片，卡住它们的却不是同一件事。训练集群怕软件链断裂，国产部署怕迁移和交付失控，端侧设备先要过内存、功耗和散热这几关。B200、昇腾910C与RISC-V会在采购名单上相遇，但它们争的并不是同一种订单。

B200卖的不只是算力

一篇面向2026—2027年的AI芯片市场文章，把NVIDIA B200列为欧美大模型训练的优先选项，理由是软件工具难以替代。这不是适用于所有团队的实测结论，却点出了B200最难绕开的部分：CUDA已经嵌进不少团队的开发流程。

FP8和NVLink 5.0容易列进规格表，CUDA编译器、算子库、调试工具和工程经验却很难折算成一个参数。一个已经在CUDA上迭代多年的模型迁出后，团队要重新完成算子、精度和性能回归。芯片报价里没有这一行，项目排期里一定有。

另一篇面向采购的市场文章用“高端缺货、中端混战、低端内卷”概括2026年，并提到B200、B300整机系统报价仍高。由于摘要没有给出统一报价口径，这类信息可以用来观察供需，不能直接当成预算单价。

如果团队已经积累了大量CUDA代码，还要持续兼容海外模型和工具，B200通常意味着少改代码、少做一轮回归。它的账面成本未必最低，但迁移风险相对容易估算。

在线推理也不只有这三个选项。前述市场文章还把AMD MI400列入成本敏感场景的候选，不过现有素材没有价格和实测数据，暂时无法判断它能拿走多少需求。

910C先过交付关

证券时报转载的相关报道显示，华为已公布昇腾AI芯片三年发展路线图。另有市场文章把昇腾910C列为中国大模型训练的合规可用选项。到了项目验收阶段，路线图只是背景，团队眼前要处理的是CANN适配和集群运行。

torch_npu可以承接一部分PyTorch API迁移，但模型能跑，只是第一关。长文本推理中的显存溢出、长尾算子掉速和多卡稳定性，仍可能要求工程人员继续下沉到Ascend C或TBE。站内此前的《从CUDA迁到昇腾，跑通模型只是调优起点》，记录的正是这类问题。

因此，昇腾910C的验收单不能只写“模型可运行”。核心算子延迟、显存占用、精度回归、集群连续运行情况，都要拆开测试。

适配人力也不存在一个通用比例。模型结构、算子覆盖和既有代码不同，投入就会不同。对国产规模部署项目，硬件采购和软件迁移必须放在同一份预算里。否则卡到了，交付仍可能卡在算子和运维上。

RISC-V先回答：设备上能不能长期跑

AI手机、AI PC和AI眼镜不是缩小版的训练集群。模型装不下，或者持续功耗压不住，再高的峰值吞吐也很难变成可用产品。

站内此前的一组RISC-V开发板测试显示，玄铁C950-AI运行一款7B级模型时，在Q4_K_M量化配置下占用3.8GB内存，MNN实测生成速度为4.4 token/s，平均功耗为10.5W。

这组数字只对应特定软硬件配置，不能拿来与B200或昇腾910C横向排名。它能说明的是，7B级量化模型已经可以在相应的端侧条件下运行。产品是否可用，还得继续看响应延迟、持续功耗、散热和模型更新成本。

RISC-V也不能直接与AI性能画等号。实际速度取决于处理器、专用加速单元、内存系统和编译器。选型时应该把目标模型放到具体开发板或设备上跑，而不是只比较指令集名称。

别再只交一张跑分表

按场景安排验收，比先给三种方案排座次更实用：

选择顺序也该倒过来：先写清部署边界，再看软件栈和迁移成本，最后才用峰值算力筛选。

已有大量CUDA代码并承担大模型训练，B200通常是阻力较小的路径；项目明确要求国产合规，应优先验证昇腾910C，同时预留软件适配和集群工程投入；模型必须常驻设备，内存和功耗又受严格限制，RISC-V才该进入实测名单。

真正容易拖慢2026年项目的，不是参数表少看一位，而是代码迁不动、集群跑不稳，或者设备压不住功耗。峰值算力当然重要，但它不该是第一道筛选题。