6月5日上午，深圳发布官方账号披露了一条消息：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、华为有关团队，协同深智城AI算力平台，依托昇腾910C国产AI算力集群，完成1.6万亿参数大模型DeepSeek-V4-Pro全参数后训练。
这几个词放在一起，分量不轻：昇腾910C、1.6万亿参数、全参数后训练。过去谈国产AI芯片，行业更常见的落点是推理、适配、小规模训练，真正到大模型训练，问题会从“单卡性能”迅速变成“集群工程”。
南华早报等海外媒体也跟进了这条进展，把它放在美国持续收紧芯片出口管控的背景下观察。九方智投整理的信息显示，2025年5月13日，美国商务部宣布撤销拜登政府2025年初发布的《人工智能扩散规则》，同时BIS发布三份指导文件，继续加强对海外AI芯片出口管控。外部压力没有消失，国内算力体系只能更快补课。
所以，8000P算力园区落地后，最值得问的不是“有没有新闻价值”。它已经有了。更关键的是：这样的国产芯片集群，离稳定、可复制、能被开发者长期使用，还有多远？
单卡跑通之后，集群通信才是硬仗
大模型训练不是把卡堆起来就行。卡越多，通信越难。
在英伟达体系里，CUDA和NCCL已经被大量框架、工具和工程经验反复验证。开发者遇到问题，往往能找到成熟路径。昇腾体系对应的是CANN软件栈和HCCL通信库，训练任务能不能持续跑、加速比能不能看得过去，很大程度取决于这些底层组件。
21世纪经济报道在2025年6月24日提到，华为昇腾CloudMatrix 384超节点由384个昇腾NPU、192个鲲鹏CPU联接而成，面向大模型训练场景，并被拿来对标英伟达GB200 NVL72。报道还提到，Pangu Ultra的后训练基于这一超节点。
这个信息说明一件事：国产算力已经不只是在讨论芯片本身，而是在做“超节点”和集群级系统。训练1.6万亿参数模型时，计算、通信、存储、调度都绑在一起，任何一环不稳，任务都会被拖慢，甚至中断。
对园区运营者来说，HCCL这类通信库的表现并不只是技术细节。它会直接影响客户看到的训练效率，也会影响同样一批卡能卖出多少有效算力。单卡峰值再漂亮，如果跨节点通信吃掉太多时间，用户最终感受到的仍然是“贵”和“慢”。
昇腾集群跑通，不等于混部问题消失
这次DeepSeek-V4-Pro全参数后训练，核心依托的是昇腾910C国产AI算力集群。相对统一的硬件和软件环境，有利于压低适配复杂度。
但很多算力园区的真实情况更杂。一个园区里可能同时存在昇腾、海光、寒武纪，甚至还有不同代际的英伟达卡。客户也不会只带一种框架、一种模型、一套算子需求进来。
问题就出在这里。Kubernetes可以识别设备，也可以做资源调度，但它天然并不理解每一种芯片背后的计算特性。昇腾依赖CANN，海光DCU对应ROCm路线，不同芯片的算子覆盖、内存管理、通信方式都不一样。把它们放进同一个资源池，并不等于任务就能自动获得最优组合。
这也是国产算力园区最容易被低估的地方：硬件采购只是第一步，真正消耗时间的是软件抽象、任务画像、监控口径和故障处理。一个客户的模型在A类卡上能跑，不代表迁到B类卡上只需要改几个配置。
如果园区只把“异构”理解成设备清单丰富，很快会遇到麻烦。客户关心的是模型能否按预期训练，失败后能否定位，迁移成本能否接受，而不是机房里摆了多少种芯片。
开发者迁移，卡在工具链和算子
国产算力要进入更大规模使用，开发者体验绕不开。
对已经习惯CUDA体系的团队来说，迁移到昇腾910C并不是换一张卡那么简单。模型脚本、算子支持、分布式策略、性能分析工具，都可能需要重新检查。CANN能把昇腾硬件能力释放到什么程度，会直接影响迁移意愿。
民生证券《华为昇腾：国产AI算力“扛旗者”》引用《昇腾计算产业发展白皮书》提到，从2012年开始的6年中，AI计算需求增加了30万倍。算力需求上升是大背景，但需求增长不会自动转化为国产芯片份额。开发者愿不愿意迁移，取决于两件很现实的事：能不能跑，跑得值不值。
“能跑”对应兼容性，“值不值”对应效率和成本。模型训练一旦进入万卡级别，调一次参数、排一次故障、重启一次任务，成本都会被放大。国产算力要被更多客户接受，不能只靠政策和供应安全，还要在工具链上减少摩擦。
园区的难点在持续运行
一次训练成功很重要，但算力园区要面对的是长期运行。
8000P规模意味着更复杂的供电、散热、网络和运维。训练任务通常持续时间长，集群稳定性就不再是“最好有”，而是基本门槛。温控、链路、节点故障、驱动版本、通信库版本，都会影响任务连续性。
这类问题没有新闻标题那么醒目，却决定园区能不能商业化。客户购买算力时，最终看的不是某一次演示，而是排队时间、可用率、故障响应、任务完成效率，以及迁移过程中要投入多少工程人力。
昇腾910C完成1.6万亿参数DeepSeek-V4-Pro全参数后训练，说明国产AI算力已经跨过一个重要台阶。它证明了大模型训练可以建立在国产芯片集群上，不再只停留在推理或小规模适配层面。
但这并不等于国产算力园区已经进入轻松复制阶段。接下来的竞争会落在更细的地方：HCCL和CANN的成熟度，异构资源池的调度能力，开发者迁移成本，机房持续运行能力，以及最终的总拥有成本。
8000P集群的意义，恰恰在于把问题暴露得更清楚。国产芯片集群已经能跑大任务了，下一步要证明的是：能不能稳定地跑、便宜地跑，并让更多团队少踩坑地跑。
