（本文作者为 影子备忘录，钛媒体经授权发布）
文 | 影子备忘录
国庆假期前一天，DeepSeek 放出了一条一则消息：正式开源面向华为昇腾算力平台的基础设施组件，涵盖 TileLang 高级语言编译工具、高性能计算库与分布式通信库，所有组件与此前面向英伟达平台的开源组件一一对应。
如果你只把这当作一次普通的“ 国产适配”，那可能会错过这件事真正的分量。
过去几年，国产芯片适配大模型的新闻并不少见，但大多是“ 能在上面跑起来” 的层面，比如验证兼容性，刷个适配公告，然后就没有然后了。
不过这次不一样，因为 DeepSeek 把自己在英伟达平台上打磨成熟的那套工具链，几乎完整地、成体系地搬到了昇腾上，而且关键测试中的计算与通信性能已经接近硬件上限。
这不是一次适配，这是一次搬家。
算力焦虑的尽头，是别无选择
要理解 DeepSeek 为什么在此时选择华为，得先理解这家公司正面临什么。
梁文锋在今年 7 月的一场闭门投资者会议上，说了一句非常坦率的话：中美 AI 能力之间的差距，包括人才、模型性能和应用等都可以归结为一个变量，算力资源。
他透露 DeepSeek 目前运营着约 2 万块英伟达 H 系列同等算力的芯片，但无法采购到足够的硬件来训练最大规模的前沿模型。
他估算，训练顶级大模型可能需要约 5 万颗英伟达 GB300 芯片，若采用华为昇腾 950，则可能需要约 20 万颗。
“ 今年能花出去 200 亿人民币，就说明我们的采购团队表现出色了。要花到这个数实在太难了。芯片买不到，价格还高。”
这段话里有两层意思。第一层是外部供应的不确定性，主要是出口管制持续收紧，英伟达对华特供芯片的供应既不充足也不稳定。
第二层是即便买到了，成本也高得令人窒息。DeepSeek V4-Pro 的 API 输入价格低至 0.25 元/百万词元，而 GPT-5.5 Pro 加权平均输入价格为 30 美元/百万词元，两者相差超过 700 倍。
这种极致性价比的定价策略，要求基础设施成本必须被压到极限。而英伟达芯片的采购价格摆在那里，再怎么优化，成本曲线也降不下来。
相比之下，华为昇腾新款推理芯片的采购价格仅为英伟达的四分之一，单卡算力却比英伟达对华特供版提升了 2.87 倍。
梁文锋对华为昇腾 950 超节点的评价是：“ 在性能和价格上完全可以平替英伟达的 GB200 和 GB300。”
这就不难理解为什么 DeepSeek 把使用华为等国产芯片训练大模型列为重要战略方向。
据彭博社报道，DeepSeek 已向华为订购了 16 万颗昇腾 950DT 芯片，用于其位于内蒙古的 1GW 数据中心。梁文锋甚至说，这项工作“ 必须成功”。
TileLang 这步棋，走在了所有人前面
但仅仅因为“ 买不到英伟达芯片” 就去拥抱华为，这个叙事太单薄了。真正值得拆解的，是 DeepSeek 选择合作的技术路径。
答案藏在 TileLang 里。
这家公司从训练 V3 模型开始，就在做一件很多同行没有做的事情，他们正在用自研的 TileLang 高级语言来写算子，而不是直接调用 CUDA。
TileLang 的设计思路是：让开发者用更简洁的高级语言编程，同时通过编译器优化达到接近硬件性能上限的执行效率。
目前，DeepSeek V4 系列模型训练中大部分算子已经基于 TileLang 实现。
这也意味着 DeepSeek 在英伟达平台上构建模型时，并没有把自己和 CUDA 生态绑死。TileLang 扮演了一层抽象，往上承接模型训练的逻辑，往下对接芯片的底层指令。
当这层抽象被移植到昇腾平台时，对昇腾 Ascend C 底层指令进行封装，开发者的代码逻辑几乎不需要重写。
从目前的情况来看，梁文锋确实把这条路走通了。华为 950 超节点“ 四颗芯片的算力相当于一颗英伟达芯片”，双方在芯片本身仍存在“ 四倍加两年” 的差距，但生态适配的障碍已经被跨过去了。
对比一下 OpenAI 和 Anthropic 的做法，这条路径的独特性就更清楚了。
OpenAI 选择的是自研芯片，他们与博通合作开发了 Jalapeño 推理加速器，同时与 Cerebras 签署了超过 200 亿美元的算力服务协议，走的是“ 定制硬件+多元供应商” 的路子。
Anthropic 则在模型性能上持续加码，Sonnet 5.5 在编码基准上已经超越了自家旗舰 Opus 5.5，同时成本只有 GPT-6 Sol 的五分之一。
两家美国头部公司，一家向左往硬件深处走，一家向右往模型效率走，但都没有走“ 把一个成熟的软件工具链跨平台移植” 这条路。
DeepSeek 走的是第三条路。它的赌注在于：软件工具链的可移植性，可能比芯片本身的性能差距更重要。
当 TileLang 在昇腾上跑通，所有使用 TileLang 的开发者，理论上都可以在昇腾上构建模型，而不需要重新学习一套编程范式。
华为也将本次联合创新的成果在 CANN 社区开源，覆盖大 EP 低延时推理部署、单卡/单机部署、大规模训练、超长文本 KVcache 池化与 Agentic RL，开发者拿到的是可以直接用的实践方案。
不只是 DeepSeek 一家的选择
如果把视角拉远一些，会发现 DeepSeek 的决策并非孤立事件。
智谱 AI 在今年 1 月联合华为开源了 GLM-Image，这是首个完全基于国产芯片 （昇腾 Atlas 800T A2） 和昇思 MindSpore 框架完成全流程训练的 SOTA 多模态模型。
到了 2 月，智谱完全使用华为昇腾 910C 芯片训练的 7440 亿参数 GLM-5 模型，在“ 人类最后的考试” 基准测试中登上了榜首，全程没有使用任何英伟达 GPU。
阿里通义千问、字节豆包、百川智能等头部玩家，都在同步推进国产算力适配。
彭博行业研究的一项调查显示，中国企业计划在未来 12 个月内将 46% 的 AI 加速芯片预算用于采购国内芯片，远高于目前的 30%。
深圳已经投运了基于昇腾 910C 的 1 万卡 AI 算力集群，预约率达到 92%。
这不是一两家公司的孤勇，而是一个行业在供应链约束下的集体战略调整。
区别在于，DeepSeek 这次做的是“ 从根上” 解决问题，而不是简单地让模型能在国产芯片上跑，这是在国产芯片上构建一套完整的、从编译工具到通信库的基础设施。
华为向 DeepSeek 提供的昇腾超节点 SuperPoD Flex 和 UBL128 组网方案，可实现 128 卡 3.2Tbps 单层交换的 Scale-up 网络和 256K 卡两层交换的 Scale-out 网络，兼顾超低时延推理与前沿基座模型的大规模训练需求。
DeepSeek 团队开发的 DeepEP 通信库，实测互联带宽达到 Dispatch 375 GB/s、Combine 347 GB/s，已经接近硬件上限。
这些数字说明，至少在超节点这种大规模并行计算的场景下，昇腾平台的通信效率已经达到了可用的水平。
软件生态才是真正的护城河
回过头来看，DeepSeek 选择在这个时间点与华为深度合作，还有一个容易被忽略的考量。
英伟达的 CUDA 生态之所以牢固，核心不在于芯片本身，而在于十余年积累的数百万开发者、成熟的工具链和丰富的代码库。
换成硬件容易，换成生态极难。梁文锋对此的判断是：CUDA 的护城河正在“ 迅速瓦解”，中国 AI 芯片产业正面临取代外国硬件的“ 历史性机遇”。
他预测，在一年之内，实际部署情况将颠覆市场上认为国产芯片生态“ 不可用或难以使用” 的看法。
这话听起来像是乐观主义者的宣言。但从技术角度看，他手里确实有几张牌。
TileLang 本身就是一张牌。它的定位是比 CUDA 更简单的高级语言，能显著提高开发效率、简化代码逻辑，同时不损失硬件性能。
如果 TileLang 的昇腾版本能够吸引足够多的开发者使用，那它就构成了一条绕过 CUDA 的通道，最终的结果是开发者不需要学 CUDA，只需要学 TileLang，就能在两种芯片平台上部署模型。
DeepSeek 把 TileLang 昇腾版本开源，并明确表示希望“ 对更多 AI 芯片建立高可用软件生态起到示范作用”，这背后的意图再清晰不过了。
另一张牌是 DeepSeek 自身开源模型的号召力。DeepSeek V4 系列是目前全球开源大模型中最受关注的之一，开发者基数庞大。
当这些开发者习惯了用 DeepSeek 的模型和工具链，迁移成本就自然降低了。
而如果昇腾平台能够提供与英伟达平台“ 一一对应” 的组件，迁移就变成了换一个`pip install`的事。
当然，乐观归乐观，现实中的挑战也不容回避。
梁文锋坦承，华为的产能是当前最主要的瓶颈。华为昇腾 950DT 的年产量仅有几十万颗，DeepSeek 那笔 16 万颗的订单可能需要长达一年才能交付。
华为自身也承认，由于产能受限、国内需求旺盛，下一代昇腾 900 系列将主要面向中国市场供应，暂不会全面推向海外。
产能问题不解决，生态的雪球就滚不起来。
写在最后
站在 2026 年秋天回看，DeepSeek 与华为昇腾的合作，与其说是一个“ 去英伟达化” 的故事，不如说是一个关于“ 选择权” 的故事。
过去几年，中国 AI 公司在大模型训练上几乎只有一条路：买英伟达芯片，用 CUDA 生态，在既定的游戏规则里竞争。
出口管制收紧之后，这条路越来越窄，成本越来越高。
DeepSeek 的选择是与其在一条越来越窄的路上挣扎，不如和芯片厂商一起，把第二条路修出来。
至于这条路修得怎么样，现在还不好下定论。
TileLang 能否成为真正的“ 中国版 CUDA” 的雏形，昇腾的产能能否跟上需求，超节点方案在实际训练中的稳定性如何，这些都需要时间检验。
但至少有一点是确定的：当一个行业最顶尖的模型公司愿意把自己最核心的工具链，成体系地移植到一个新的硬件平台上，并且公开宣称“ 性能接近硬件上限” 的时候，这条路就不再只是一个备选方案了。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
