2026 年的算力讨论，绕不开一个词：Token。
新华社客户端《算力大变局》提到，北京时间 2026 年 3 月 17 日凌晨，黄仁勋在 GTC 大会上说，他看到了“2027 年至少有 1 万亿美元的需求”。同一篇文章还写到，阿里巴巴 CEO 吴泳铭宣布成立 Alibaba Token Hub（ATH）事业群。一个在台前谈需求，一个在公司内部重组业务，指向的是同一件事：AI 的使用量正在变成一张更细的账单。
问题是，这张账单不能只按“哪张卡峰值更高”来算。
Blackwell Ultra 的优势很清楚，但别把参数看错
麻省理工科技评论中文版报道，英伟达在当地时间 3 月 18 日的 GTC 上发布了 Blackwell 架构升级版 Blackwell Ultra，并强调它更擅长处理 AI 推理需求。报道还提到，Blackwell 芯片近期已实现大规模生产，并在第一季度带来数十亿美元销售额；四大云计算公司部署的 Blackwell 芯片数量，是 Hopper 芯片的三倍。
这说明两件事：第一，Blackwell Ultra 不是停留在 PPT 上的产品；第二，大客户已经在把推理工作负载往新平台迁移。
公开算力表里，B300（Blackwell Ultra）被列为 2025 年产品，标注 600T、36P/72P，以及 2.3TB HBM。作为参照，同一张表里 H100 属于 Hopper 架构，标注 51、3958、9000、80GB HBM3，发布时间为 2022 年；H800 也在 Hopper 一代，发布时间为 2023 年。
这些数字足以说明 B300 的代际位置。但要注意，公开表格里的“72P”和“2.3TB HBM”不能直接写成“72TB 显存”。这类单位混用会把读者带偏，也会让后面的成本判断失去基础。
昇腾910D还缺少可公开核验的同场数据
原稿把 B300 和昇腾910D写成“实测对比”，问题很大：现有可引用材料里，并没有给出一组公开、完整、同环境的 910D 实测数据，也没有足够信息支持“单卡成本为 B300 的 60%”“训练完成时间为 NVIDIA 集群的 110%-120%”这类结论。
能稳妥写的，是另一个判断：昇腾路线在国内智算建设里越来越重要，但它和 NVIDIA 的差距不能只用一张参数表解释。
国内外 AI 芯片调研材料提到，Blackwell Ultra B300 是 Blackwell 架构的增强版本，并把华为昇腾 910C 等产品放在国内 AI 芯片序列中讨论。也就是说，昇腾系列的比较价值存在，但 910D 若要和 B300放在同一张选型表里，仍需要更清楚的公开指标：算力口径、显存配置、互联方式、软件栈版本、模型类型、精度设置、批量大小、推理延迟和稳定性。
少了这些条件，所谓“性价比”很容易变成一句空话。
CTO真正要算的，不是单卡价格
算力采购最容易犯的错，是把“买卡”当成“买能力”。
B300 的确定性在于 NVIDIA 已经形成了很强的软件惯性。CUDA、NCCL、主流框架适配、模型社区经验，这些东西不会出现在单卡参数里，却会影响模型能不能按时跑起来。对需要快速迭代的团队来说，少改一批算子、少踩一次通信坑，可能比便宜几张卡更值钱。
昇腾的价值也不是一句“国产替代”就能概括。对国内企业来说，它可能同时对应几类需求：供应链可控、合规要求、本地智算中心协同，以及长期运维成本的可预期。尤其在不追求最激进模型结构、业务链路相对固定的场景里，国产平台只要把吞吐和稳定性跑稳，就有现实吸引力。
但这里有个前提：团队要有软件适配能力。昇腾相关开发常常绕不开 CANN、MindSpore、PyTorch 接口适配、算子迁移等工作。不是所有公司都有足够的人力去处理这些工程细节。卡能买到，不等于模型能顺利上线。
推理账单会把差异放大
训练阶段看的是大规模并行和长周期稳定性，推理阶段更残酷：用户每问一次，系统都在花钱。
新华社那篇文章把 Token 称为 AI 的“算力粮食”，这个说法很直观。聊天、代码助手、多模态生成、Agent 调用，都会把 Token 消耗摊到每一次请求上。推理延迟、吞吐、显存容量、并发能力，最后都会落到成本表里。
Blackwell Ultra 面向推理做升级，这一点已经由英伟达 GTC 发布信息确认。对于高并发、长上下文、多模态任务，NVIDIA 新平台的优势大概率会先体现在头部云厂商和大模型公司的业务里，因为它们有足够大的流量去摊薄昂贵硬件的投入。
昇腾平台更适合从确定场景切入。比如模型结构稳定、业务流量可预测、数据本地化要求高的项目，先把推理链路跑稳，再逐步扩大集群规模。它未必需要在每个指标上压过 B300，关键是能否在特定负载下给出更好的综合账：采购、部署、适配、运维、合规，合在一起看。
混合部署可能比二选一更现实
把 B300 和昇腾910D写成一场“谁替代谁”的比赛，容易误判。
更现实的做法，是按任务分层：前沿模型训练、复杂多模态推理、需要快速跟进开源工具链的业务，优先放在 NVIDIA 平台；已经固化的推理任务、对数据边界要求高的业务、成本敏感且有适配团队的场景，可以评估昇腾方案。
这不是折中，而是算账。
英伟达财报也解释了为什么它仍然强势。新浪科技转引的英伟达 2025 财年第四财季及全年财报显示，第四财季营收为 393.31 亿美元，同比增长 78%，环比增长 12%；净利润为 220.91 亿美元，同比增长 80%，环比增长 14%。这背后是全球客户持续买单。
但国内算力建设也在加速。新华社文章提到，2026 年中国已明确提出实施超大规模智算集群、算电协同等新基建工程。政策、能源、网络、数据合规、芯片供给，会一起影响企业的最终选择。
所以，2026 年夏天这张算力账单，不该写成“B300 碾压昇腾”或“国产全面替代”。更靠谱的问法是：你的模型是什么，推理量有多大，能接受多少适配成本，数据能不能上云，团队有没有能力维护异构平台。
答案不在宣传页上，在机房、工单和每个月的账单里。
