DeepSeek和華為的雙向奔赴

上周，DeepSeek V4發布，朋友圈立刻刷屏。

這次DeepSeek，依舊奔著把國產AI水平推一大截來的。據報道，它的推理性能，比肩Chatgpt和Gemini。編程任務，表現接近Opus 4.6。雖然有1.6萬億參數，但只動用了同行1/4GPU。

厲害。但我覺得，這次DeepSeek發布，最值得注意的，或許不是上邊這些讓人眼花繚亂的模型能力，而是官宣文章配圖下的，一行小字：

受限于高端算力，目前Pro的服務吞吐十分有限，預計下半年昇騰950超節點批量上市后，Pro的價格會大幅下調。

（位置大概在這里）

意思就是：API貴，是因為芯片不夠。等下半年華為的芯片出貨，價格就能降下去了。

這有什么？不就是沒辦法了嗎？拿不到高端芯片，只能等國產頂上唄。

其實，不是的。早在兩個月前，路透社就有報道：

DeepSeek，未向美國芯片廠商提供模型用于性能優化，而是優先向華為等本土廠商開放早期訪問權限。

明明可以選擇現成的方案，但DeepSeek沒有。

所以，這不是很多人以為的“不得不”，這更像是一次“主動押注”。

這中間，發生了什么？

01

DeepSeek，是一個倒逼芯片互聯的模型

這要從DeepSeek的技術路線說起。

它的技術路線，是MoE（Mixture of Experts），專家混合。

什么意思？我打個比方。

你突發頭痛，去醫院看病。你當然希望看病的醫生，懂得越多越好。內科、外科、心血管、腦神經，全都精通。但問題是，要培養這樣的全科醫生，成本太高。每個醫生，可能要花30年才能畢業。

問傳統大模型問題，就像向全能醫生問診。無論什么專業問題，它都調動全部參數回答。雖然省心強大，但也很貴。

怎么辦？DeepSeek換了個思路。

它沒有訓練一個什么都懂的全科醫生，而是訓練了多個?？漆t生。外科只管外科，內科只管內科。然后，設一個導診臺。你問問題，導診臺把問題分配給負責的醫生，其他醫生待命。

這就是：混合專家系統（MoE）。它雖然擁有巨大參數作為知識儲備，卻可以針對不同問題，激活部分參數干活。

所以，DeepSeek官方介紹才會這么說：

DeepSeek-V4-Pro總參數1.6T、激活參數49B，DeepSeek-V4-Flash總參數284B、激活參數13B。

拿V4-Pro舉例，就是：參數總量1.6萬億，但每次問答激活490億。

不過，MoE架構雖然神奇，但也有限制。比如：All-to-All通信。

幾百個專科醫生，如果想要順利協作，就需要導診臺把病人快速分發到不同科室，再把結果匯總回來。用專業術語來說，就是All-to-All通信。每顆芯片，都要隨時跟其他芯片說話，稍有延遲，效率就會大幅降低。

Moe的核心，是用通信換算力。通信跟不上，延遲就會成為瓶頸。

那么，如何把芯片間的通信做好？

02

英偉達的NVL72，碰到了銅纜的物理極限

英偉達說，芯片通信？我拿手啊。我還有套專門的技術：

NVLink。

NVLink，是英偉達的GPU連接協議。它能讓GPU和GPU之間的傳輸速度達TB級，半秒就能搬空你主力電腦里的所有資料。英偉達的主力產品NVL72，就是靠這種技術，才把72顆芯片連成一個計算單元的。

那DeepSeek要不要用它提供算力呢？

理論上或許行，但實際上并不容易。這種頂級算力設備，會受美國出口管制。而且，作為MoE架構模型，同時參與的芯片越多，DeepSeek跑得越好。面對海量用戶請求，72塊芯片，可能還不夠。

但依靠之前的方案，英偉達很難增加并行芯片數量。因為：銅纜。

如果你打開NVL72后蓋，你會看到一個由幾千根銅纜，編織而成的密網?？傞L度數公里，是機柜重量超過一噸的重要來源。

為什么這么麻煩？

在每秒上TB的數據傳輸下，銅纜信號的有效傳輸距離，可能還不到1米。再加芯片，要么機柜塞不下，要么銅纜夠不著。靠普通網線，帶寬延遲又成了問題。換句話說，目前密密麻麻的銅纜，已經逼近了物理上限。

怎么辦？華為想到一個辦法：光。

03

華為用光，把384顆芯片變成了一顆“超級芯片”

比起銅纜，光纖至少有2個核心優勢。

1、傳得遠。

銅纜傳不遠，因為電信號傳輸越高速，損耗和干擾也會同步增加。但光子相對不受電阻電磁干擾，哪怕幾百米傳輸依然穩定，讓GPU跨機柜分布成為可能。

2、帶寬高。

但光纖，可以同時傳輸多個波長的光信號，相當于一條路上開多個車道，互不干擾。所以，光纖的帶寬，理論上能輕松達到幾Tb每秒，甚至更高。

確實優勢很大?？墒?，全世界的機房不都在用光纖嗎？我家的寬帶都是光纖的，華為用光有什么厲害的？

區別就在于：用在哪。

你家寬帶的光纖，是從小區到樓棟，偶爾斷幾秒你感覺不到。數據中心的光纖，是從一個機柜到另一個機柜，斷一下業務自動切換，你也沒感覺。

但華為把光用在了芯片與芯片間的通信。這就要求，幾百顆芯片要在納秒級的時間內同步數據，任何芯片掉線、延遲，就會拖慢整體效率。這種場景叫：Scale-Up（縱向擴展），把多顆芯片變成一顆“超級芯片”。

2025年7月，華為首次展出了CloudMatrix 384超節點。

這個計算單元，通過6000多個光模塊，3000多根光纖，把384顆昇騰芯片連在了一起，就像一顆“超級芯片”。任何兩顆芯片之間通信，延遲極低，帶寬極高。

本質上，它是一個兩層結構：

機柜內，GPU之間依然用銅互連，先把一組GPU變成一個小單元。機柜間用光纖連接，擴展成384卡規模。

這也是2025年9月，華為輪值董事長徐直軍在大會上，所強調的：

超節點在物理上是多機柜、多個卡聯接成一個超節點，但是它們能夠像一臺計算機一樣工作、學習、思考、推理。

這只是開始。預計今年年底，華為將推出支持8192張昇騰卡互聯的計算單元。未來，還會實現萬卡互聯。

你相信光嗎？不管你信不信，華為先信為敬。

04

DeepSeek的反向適配，從去年就可以看到了

講到這，你可能會問：

那DeepSeek又做了什么呢？只是挑了個供應商嗎？

不是的。早在2025年8月，DeepSeek發布V3.1，就有這樣一句話：

DeepSeek-V3.1 使用了 UE8M0 FP8 Scale 的參數精度。

UE8M0 FP8。啥意思？

模型的參數，是它的肌肉記憶。用什么格式的存儲參數，幾乎決定了它在芯片上跑得多快。英偉達的芯片，習慣用E4M3等格式，而華為昇騰的芯片，原生支持UE8M0格式。

這就像一個人本來的設備，都用Apple的Lightning接口。但現在，他把家里所有設備的充電口、數據線、轉接頭，全換成了Type-C。

看著是個小動作，但卻意味著，對生態的徹底押注。

所以，才有了DeepSeek官方，在文章下邊放出的一句話：

今年4月，多家外媒同時報道：

DeepSeek團隊拒絕了像英偉達等芯片公司，提前介入做優化的請求，只和華為等國產公司合作，進行底層架構的優化。

這進一步說明，DeepSeek已經決意，把整個底層架構，從英偉達的CUDA，遷移到華為的昇騰芯片上。

但繞開英偉達，確實不是一個輕松的選擇。

要知道，英偉達不只提供算力，還提供一整套“把算力榨干”的方法。

大多數AI模型，都運行在英偉達的芯片上。CUDA，則是英偉達配套的開發環境。他們倆，就像電腦主機和Windows操作系統。

過去十幾年，全世界的AI科學家、開發者，都習慣在CUDA上，寫代碼、開發應用。一旦繞開CUDA，就意味著數百萬行代碼從頭開始，意味著大量過往的經驗不適配。甚至，工程能否進行下去，都是兩說。

據透露，2025年年中，DeepSeek在用華為芯片訓練V4的過程中，遇到了大量中途崩潰、芯片間通信速度未達預期等問題。但他們沒有放棄。最終，DeepSeek-V4在昇騰上的推理速度，比遷移初期提升35倍。

據傳言，梁文鋒還曾說：

V4從英偉達生態搬到華為，相當于“在飛行中的飛機上更換引擎”。

05

這行小字，意味著中國的AI產業，正在邁過3道坎

現在，我們終于能知道，為什么那行小字，那么重要了。

因為它可能意味著，中國AI產業，正在邁過至少3道坎。

比如，算力坎。

過去幾年，AI算力的默認邏輯，可能是：單卡更強，更有優勢。

但今天，打法換了。既然AI要解決并行計算問題，那當單卡性能足夠，我們能不能用系統把算力堆出來？超節點、光互連的本質，就是讓很多張卡，像一張卡一樣協同工作。

1個燈泡不夠亮，10個燈泡放到一個燈盞里，亮度總是夠的。

比如，生態坎。

英偉達最可怕的，不只是GPU強，而是用CUDA，把開發者二十多年的習慣、訓練框架、調優經驗，綁在了一起。換國產芯片最難的一關，是原來那套工具和經驗，不能直接平移。

但DeepSeek全面支持華為芯片，意味著從今往后，你部署DeepSeek，不必依賴CUDA。國產芯片，國產工具，也能跑頂級模型。

甚至，是默認路徑的坎。

未來，AI一定會逐漸走向東南亞、中東、非洲。這些地方的開發者，不會從零開始。哪個生態里的模型最多、最好用，他們就用哪個。

一旦我們的模型+芯片生態，在海外生根發芽，全球的開發者，就會基于昇騰+DeepSeek寫教程、搭框架、做應用。生態，就會像滾雪球一樣越滾越大，默認的標準和路徑，就成了中國。

當你定義接口和標準，你就定義了競爭的方式。

今天，AI世界的權力游戲，正式進入下半場。

上半場，是拼誰先把模型做大，拼誰先把GPU堆滿。下半場，是拼誰能用最低的成本、最自主的生態，把AI能力像水電煤一樣輸送出去。

在這條路上，DeepSeek走出了最關鍵的一步。

這一步，價值連城。

參考資料：

觀點/ 劉潤主筆/ 景九編輯/ 歌平版面/ 黃 靜

這是劉潤公眾號第2925篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途

PS：

大家對這個話題的討論，是這次AI革命的集中縮影。

在見證了這些年 大模型 能力的瘋狂內卷后，2026，正式來到了AI技術的落地之年。許多舊職業正在消失（）。許多新行業正在興起（）。而這幾

所以，5月16日，我將在上海影城1000人的大劇場。與你分享【劉潤·年中大課】。今年的主題就是：

不做現場直播。也不做事后回放。這樣，我可以更加放開地分享一些此前從未說過的內容。點擊下方購票鏈接，就可以了解到更加詳細的票務信息。

現在搶先購買，或是帶著團隊一起來，還可以享受到“早鳥價”。

5月16日，我們不見不散！