🔥36氪•較早收集於 14m
國產算力趨勢不可逆
💡DeepSeek V4國產訓練里程碑，提升中國AI基礎設施自主。（26字元）
⚡ 30-Second TL;DR
有什麼變化
DeepSeek V4首次使用國產算力訓練，進入AI信創戰略機遇期
為什麼重要
加速中國AI自主化，降低對外國技術依賴，創造國產晶片與基礎設施投資機會。預示政策與資本聚焦核心技術自主。
下一步行動
評估華為昇騰生態，用於國產AI訓練基礎設施試點。
誰應關注：Enterprise & Security Teams
關鍵要點
- •DeepSeek V4首次使用國產算力訓練，進入AI信創戰略機遇期
- •五大核心主線：GPU/CPU晶片、昇騰產業鏈、算力租賃、信創大模型
- •國產算力替代特徵：推理先行、訓練突破、生態協同
- •算力基礎設施超「十四五」目標，「十五五」續推自主可控
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •DeepSeek V4 的訓練成功驗證了國產異構計算集群在處理大規模參數模型時的互聯效率與穩定性，打破了長期以來國產算力僅能用於推理場景的技術刻板印象。
- •「十五五」規劃預期將算力自主可控提升至國家安全戰略層級，政策導向已從單純的硬體補貼轉向軟硬體協同的生態建設，特別是針對 CUDA 生態的遷移工具鏈開發。
- •國產算力產業鏈正經歷從「單點突破」向「集群化部署」的轉型，透過高速互聯技術（如 NPU 專用互聯協議）解決了國產 GPU 在大規模並行計算中的頻寬瓶頸問題。
📊 競品分析▸ Show
| 特性 | DeepSeek V4 (國產算力) | NVIDIA H100/H200 | 備註 |
|---|---|---|---|
| 互聯架構 | 國產自研互聯協議 | NVLink / NVSwitch | 國產互聯在超大規模集群的擴展性仍有優化空間 |
| 軟體生態 | 深度適配昇騰/國產框架 | CUDA (成熟) | 國產算力目前依賴遷移工具鏈 |
| 訓練成本 | 具備政策補貼與國產化優勢 | 高昂 (受限於出口管制) | 國產算力在長期運營成本上具備潛在優勢 |
🛠️ 技術深入
- 訓練架構：採用了針對國產 NPU 架構優化的分佈式並行策略，特別是針對國產晶片記憶體頻寬特性進行了算子融合與重寫。
- 互聯技術：利用國產高速互聯技術替代傳統 InfiniBand，實現了在異構集群下的高效梯度同步。
- 軟體棧：深度整合了國產 AI 框架（如 MindSpore 或對應的國產適配層），實現了對底層硬體算子的直接調用，減少了虛擬化帶來的性能損耗。
🔮 前景展望AI analysis grounded in cited sources
國產算力將在 2027 年前實現主流大模型訓練的「去 CUDA 化」。
隨著遷移工具鏈的成熟與國產算力集群規模的擴大，開發者對 CUDA 的依賴度將顯著降低。
算力租賃市場將出現明顯的「國產算力專區」溢價。
由於國產算力在合規性與供應穩定性上的優勢，企業級客戶將更傾向於選擇國產算力以規避國際地緣政治風險。
⏳ 時間線
2024-01
DeepSeek 發布開源模型，開始探索國產算力適配路徑。
2025-06
DeepSeek 宣布在部分推理任務中成功調用國產 GPU 集群。
2026-03
DeepSeek V4 正式完成基於國產算力集群的訓練，標誌著國產算力進入訓練階段。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 36氪 ↗