DeepSeekV5计划采用昇腾芯片训练，国产AI软硬件协同进入新阶段

DeepSeek下一代大模型V5的训练架构正发生关键转向：，该模型计划全面采用华为昇腾芯片进行训练，而非延续此前依赖英伟达GPU的路径。这一变化不仅涉及硬件替换，更反映出国内大模型厂商在算力底层生态构建上的战略升级。

此前，昇腾芯片在DeepSeek体系中主要承担推理任务。2026年9月30日，DeepSeek面向昇腾平台开源了完整的基础设施组件，涵盖TileLang高级语言编译工具、专用计算库及分布式通信库，其功能与适配英伟达CUDA生态的开源组件一一对应。这意味着，模型侧技术能力已向下延伸至芯片指令集与调度层，不再仅停留在应用层调用。

开源组件的落地进展迅速。截至2026年11月1日，相关代码已开放测试与持续改进。其中，DeepGEMM昇腾版在昇腾950DT芯片与指定CANN环境下，针对BF16稠密矩阵乘法的硬件利用率实测达99.8%，表明软件栈已能高效激发硬件潜力。更进一步，DeepSeek与华为共同推进基于昇腾950的128卡超节点方案——将128张计算卡整合为高协同度系统，同步优化计算吞吐与数据搬运效率。

数据搬运效率之所以关键，在于大模型训练中“等待数据”常成为性能瓶颈。当一项任务被拆分至多卡并行执行时，计算完成后的结果汇总若受通信延迟拖累，整体吞吐将显著下降。TileLang工具的引入正是为缓解此类问题：开发者以高层语义描述计算任务后，系统自动将其转化为适配不同芯片的低层调度指令，大幅降低跨平台开发成本。例如，同一段逻辑在适配昇腾与英伟达设备时，可复用主体结构，仅需微调底层实现。

这一系列动作直指CUDA长期构筑的“软件护城河”。CUDA并非单一编程语言，而是一套包含编译器、数学库、调试与性能分析工具的完整工作环境。企业迁移平台时面临的挑战，远不止硬件采购——既有算子能否复用、模型输出是否一致、工程师学习周期长短，均需重新评估。DeepSeek此次开源，实质是在补全国产算力生态中缺失的“工程层”能力：让芯片更快计算、让数据更顺畅流动、让多卡分工更合理。

值得注意的是，DeepSeek近期完成1055亿元融资，估值达6155亿元，投资方阵容覆盖中芯国际、长鑫存储、中国移动、vivo、美的等近30家企业。这轮融资不仅是资金补充，更是生态共建信号。中芯国际支撑国产AI芯片制造，长鑫存储缓解HBM内存供应压力，运营商提供骨干网络与IDC资源，终端厂商则加速模型落地闭环。

例如，vivo早在2025年2月即与DeepSeek达成合作，将DeepSeek-R1深度集成至OriginOS系统，赋能其蓝心小V助手的复杂推理能力；美的则探索AI在智能家电中的场景化应用。这些合作印证了一个趋势：大模型厂商正从纯算法输出者，转向软硬协同的系统级参与者。

行业层面，国产替代并非追求“一夜换掉CUDA”，而是通过新增项目逐步积累经验与工具链成熟度。当企业发现昇腾+DeepSeek开源组件组合已能满足新模型训练需求时，采购决策自然会多一个选项。开源机制本身也加速了生态演进：其他团队可查看、测试、反馈甚至贡献代码，在Apache 2.0等宽松许可下持续迭代。

需要澄清的是，当前进展尚属“能力补齐”阶段，距离全面替代仍有距离。CUDA覆盖场景广、历史代码库庞大、工程师习惯根深蒂固，短期难以撼动。但竞争已在增量市场展开——新项目、新团队、新场景构成的“第二曲线”，正为国产路线提供真实落地窗口。

此外，大模型向具身智能延伸的趋势亦与此相关。OpenAI、特斯拉、字节跳动等均加大机器人投入;银河通用实测显示，接入GPT-6 Astra策略层后，任务成功率从26%提升至48%。通用大模型作为“策略大脑”，需稳定、低延迟、高算力的本地或边缘推理支持，而国产芯片+定制化软件栈恰是满足该需求的关键基础设施。

回看DeepSeek V5的训练路径选择，其意义不仅在于单个模型的算力来源变更，更在于验证了一条可行的技术路径：模型厂商主导软件栈开发，芯片厂商提供硬件特性支持，双方共同定义高效协同标准128卡超节点方案的落地，即是该路径的首个规模化实践案例。

未来，随着更多模型适配昇腾、寒武纪、海光等国产芯片，以及中芯国际、长鑫存储等上游环节产能释放，国内AI算力供应链的韧性将持续增强。而DeepSeek此番动作，无疑为行业提供了可复用的方法论样本：生态建设不能仅靠政策推动，更需头部玩家主动下沉至编译器、通信库等“脏活累活”领域，才能真正打通国产替代的最后一公里。