深圳总投资1.55亿元的智算中心项目进入部署阶段后，昇腾 Ascend 910C 被推到台前。它不再只是国产替代清单上的型号，而要开始承接真实业务负载。
单卡参数并不难算。腾讯云开发者社区文章提到，910C 的 FP16 算力为 800 TFLOPS，约为 H100 的 40%；HBM 容量为 96 GB，高于 H100 的 80 GB；显存带宽为 1.8 TB/s，低于 H100 的 3.35 TB/s。端到端 LLM 训练和推理里，910C 实际性能约为 H100 的 60%—80%，取决于具体任务。
这些差距可以提前写进方案。真正容易拖慢迁移进度的，常常是通信、算子和集群拓扑。
NCCL 换 HCCL，改的不是一个库名
很多原本跑在 NVIDIA GPU 上的训练代码，默认用 NCCL 处理多卡通信。AllReduce、梯度同步、跨节点通信，大多被框架封装起来，业务开发者平时未必会碰底层。
迁到昇腾后，对应的是 HCCL。接口名字相近，工程工作量却不会自动消失。通信库、运行时、网络拓扑、调度策略，都要重新适配。规模一旦到千卡，抖动会被放大：某一次通信延迟，可能拖慢整个训练 step；节点间链路不均衡，也会拉低集群利用率。
腾讯云开发者社区文章给出的另一个数字是，910C 的 MFU 约为 30%。这说明在部分大模型训练场景中，计算单元并没有持续满负荷工作，通信和数据搬运会吃掉不少时间。
对迁移团队来说，这类问题比“少了多少 TFLOPS”更麻烦。单卡性能差距可以估算，通信效率要靠集群配置、HCCL、框架层并行策略和模型结构一起调。
算子问题，通常到迁移中段才暴露
昇腾迁移的另一个卡点是算子。
如果模型主要使用标准算子，迁移压力会小一些。但很多开源模型、实验模型，或者已经被业务团队改造过的模型，会带有非标准结构。到了这里，问题就不只是 PyTorch 能不能启动，而是某个 Attention 变体、某个融合算子、某段自定义逻辑，能不能在 CANN 软件栈上稳定、正确、有性能地跑起来。
腾讯云开发者社区文章把软件栈称为最大的隐性成本，这个判断很贴近迁移现场。硬件参数在采购前就能比较，软件栈成本往往要等代码真正跑起来才出现。
能编译只是第一步。后面还有精度对齐、性能回归、算子替换、日志定位，以及不同版本工具链之间的兼容问题。如果团队过去大量依赖 CUDA、cuDNN、cuBLAS 或 Triton 形成开发习惯，切到昇腾后，就要给算子开发和调试留出时间。
千卡不是单机验证的放大版
910C 的单芯片参数只是起点。腾讯云开发者社区文章提到，910C 的 HCCS 带宽为 400 GB/s。这个数字说明芯片间互联能力很重要，但它不会自动解决千卡集群里的瓶颈。
大规模训练要看很多层：服务器内部互联、跨节点网络、HCCL 通信、框架并行策略、数据加载、调度系统、故障恢复。任何一层没有调好，最后都会体现在训练吞吐不稳定上。
这也是千卡迁移和单机跑通最大的区别。单机验证只能证明模型和算子基本可用；千卡要跑稳，还要看拓扑设计和通信效率。NVIDIA 体系下积累的经验有参考价值，但不能原样搬到昇腾集群里。
华为自己的优化也花了时间
华为在 2025 年全联接大会相关演讲中提到，DeepSeek 带来快速增长的用户和流量后，华为云从春节开始投入优化，直到 2025 年 4 月 30 日，Ascend 910B/910C 的推理能力才达到客户的基本需求。
这个表述很关键。它说明 910B/910C 已经能够承接部分实际推理需求，也说明从“能跑”到“满足客户基本需求”，中间需要持续工程优化。
同一场景下，华为还强调了“超节点互联技术”。这一方向瞄准的，正是大规模 AI 基础设施里的互联和调度问题。对 910C 来说，后续能否在更多训练任务中稳定扩容，要看 HCCL、CANN、框架适配和集群方案继续补齐到什么程度。
迁移前，先把三笔账算清楚
企业评估从 NVIDIA GPU 迁到昇腾 910C，只看 H100、H20 和 910C 的参数表不够。更应该先问三个问题。
第一，模型里有多少自定义算子？如果核心链路高度依赖 CUDA 体系里的成熟库或自研算子，迁移成本会明显上升。
第二，训练任务对通信效率有多敏感？参数规模越大，并行策略越复杂，HCCL 适配和拓扑调优越关键。
第三，团队有没有足够的软件栈能力？昇腾迁移不只是买卡，还要理解 CANN、HCCL、MindSpore 或 PyTorch 适配工具链。缺少这部分能力，项目周期很容易被低估。
昇腾 910C 不是账面性能最强的 AI 芯片。腾讯云开发者社区文章也给出过类似判断：它不是最好的 AI 芯片，但在中国 AI 产业里，是一个绕不开的选择。
这句话的重点不在口号，而在现实约束。外部高端 GPU 供应存在不确定性时，国产大规模算力必须有人扛起来。910C 迁移要做的，也不是简单证明它能替代某一张 GPU，而是把工程账摊开：通信要重调，算子要补齐，千卡拓扑要重新设计。能接受这些成本的团队，才适合把它作为长期算力底座来建设。
