大家好我是市井杂谈,每天给大家带来最新动态 ,内容随缘更,每篇都掏干货;如果你觉得这些信息对生活有用,就点个关注~

最近 AI 圈子里有一件事,很多做模型、做算力的人都在讨论,就是深度求索的梁文锋,主动调整了算力路线,减少对英伟达芯片的依赖,把重心放到华为昇腾这条线上。这个决定,在行业里算是一次很有分量的站队。但是落地之后,一个很现实的难题摆在眼前:华为昇腾芯片的产能跟不上,拿不到足够的卡,算力资源只能做限额分配,训练、推理的规模都被卡住了。
很多人可能不清楚梁文锋和深度求索的分量。深度求索是国内做大模型第一梯队的企业,之前很长一段时间,和绝大多数国内 AI 公司一样,主力算力都靠英伟达的 GPU。不管是基础大模型训练,还是后续的推理服务,英伟达芯片生态成熟、工具链完善,上手快、稳定性强,是行业的主流选择。梁文锋团队也是踩着这条路跑出来的。
但最近外部环境持续变化,芯片出口管制的标准不断收紧,英伟达高端芯片的供货变数越来越大。就算能拿到货,价格、交付周期、后续能不能稳定续上,全都是未知数。对于一家要持续迭代大模型的公司来说,算力供应链不稳,等于整个业务的根基悬在空中。大模型烧算力,不是跑一次训练就结束,版本迭代、微调、上线服务,长年累月都要持续消耗芯片。一旦供货断档,研发节奏直接停摆。
也是出于这个风险考量,梁文锋决定主动调整路线,减少对英伟达的依赖,把一部分算力预算、研发重心转移到华为昇腾体系上。这个选择,不是一时冲动。昇腾是国内自主的算力路线,不受海外管制规则约束,从长期安全的角度看,是更稳妥的备选方案。很多行业内的人也认可这个方向,国内 AI 厂商不能一直把全部算力需求押在单一海外芯片上,多元化布局是必然趋势。
只是理想归理想,落地的时候,产能短板一下子就凸显出来了。
华为昇腾芯片现在最大的痛点,就是产能。市场需求爆发之后,订单远远大于可以交付的芯片数量。不管是自建算力集群,还是找算力服务商租卡,都不是想要多少就能拿到多少。芯片供给有限,算力资源自然只能限额。简单说,就是给每家客户划定算力配额,不能无限制调用。
这个限额,对大模型公司来说,影响非常直接。做大模型训练,最忌讳算力时断时续,或者算力池不够大。大模型预训练,需要大量芯片同时并行运算,如果卡的数量不够,训练速度会大幅放慢;到了推理阶段,如果线上用户量涨起来,算力限额卡住,就会出现响应变慢、限流、排队的情况。深度求索团队现在就面临这个矛盾:路线选好了自主算力,但是硬件供给跟不上,很多计划里的实验、迭代项目,只能排期等待。
这里我们要客观区分一个概念,不是华为不想多产,而是芯片制造本身有很多环节约束。高端芯片的生产链条很长,从设计、流片、封装测试,每一步都有瓶颈。扩产不是简单加几条生产线,设备、工艺、良率都要慢慢打磨,产能释放是一个循序渐进的过程,没办法一夜之间把产量拉到英伟达的水平。英伟达积累了很多年,供应链成熟,全球代工厂配合,产能规模短期很难被追上。
同时,生态差距也是绕不开的一关。很多工程师习惯了 CUDA,迁移到昇腾的开发环境,代码要改写、算子要适配,很多现成的工具不能直接拿来用。适配本身就要投入人力、时间。一边要改代码适配新平台,一边还要面对算力限额,等于双重压力。梁文锋团队其实已经投入不少人力做适配,但是硬件供给跟不上,就算软件适配完成,也没有足够的卡去跑模型。
这时候很多人会有疑问,既然产能这么紧张,为什么还要主动放弃英伟达,转向昇腾?其实这是短期痛点和长期安全之间的取舍。
短期看,英伟达芯片供给充足、生态好用,做研发省心;但长期风险是随时可能被卡脖子。管制政策一变,供货渠道、芯片型号随时会调整。对于立志长期做基础大模型的企业来说,供应链安全是底线。梁文锋的思路,是提前布局,不能等到哪天拿不到芯片了,再临时找替代方案,到那时候损失会更大。
这种取舍,现在国内不少头部 AI 企业都在做,只是节奏不一样。有的是两条腿走路,英伟达和昇腾并行;有的是逐步降低海外芯片占比,慢慢往自主算力倾斜。深度求索属于步子迈得比较大的那一批,所以产能带来的痛感也更明显。
当然,限额也不全是坏事。在芯片不够的情况下,团队会逼着自己优化模型,减少算力浪费。很多大模型团队,在算力充足的时候,容易粗放式堆卡、堆参数;算力配额有限之后,会下功夫做模型压缩、稀疏化、推理优化,把每一张卡的算力利用率拉满。从技术角度来说,这种倒逼,反而会催生出更高效的模型方案。只是这个过程会拉长研发周期,迭代速度变慢。
市场上也有不同的声音。一部分从业者觉得,现在昇腾产能还没起来,这个时间点大幅度转向,时机有点早,容易耽误模型迭代进度;还有一部分人认为,早布局早适配,生态磨合需要时间,等到后续产能释放,提前布局的团队就能抢占先机,现在的阵痛是必经阶段。两种看法,站在不同的时间维度,都有道理。
我们也要看到,华为这边也一直在推进扩产。不管是优化工艺提升良率,还是协调上下游供应链,都在持续发力。只是芯片产能爬坡周期很长,不是几个月就能彻底解决供给缺口。未来一段时间,昇腾算力 " 供不应求、限额分配 " 的状态,大概率还会持续一段时间。算力服务商、大模型企业,都要学会在有限配额里面做规划。
放到整个国内 AI 产业来看,梁文锋这次的选择,其实是一个很有代表性的缩影。国内 AI 产业正在经历一个转折点:从 " 优先追求好用、优先堆算力 ",慢慢转向 " 兼顾性能和供应链安全 "。英伟达路线短期体验最好,但外部不确定性太高;自主算力路线安全可控,但是要扛住产能、生态、成本的短期短板。所有头部模型公司,早晚都要面对这个选择题。
这里也可以给普通读者说清楚一个误区:不是昇腾芯片性能不行,而是供给总量跟不上市场爆发的算力需求。芯片本身的性能,已经可以支撑主流大模型训练和推理,瓶颈卡在出货量。只要产能持续释放,限额的压力自然会逐步缓解。
对于深度求索来说,接下来的节奏,大概率是一边继续完成模型适配,一边等待产能释放,同时保留一部分英伟达算力作为补充,不至于完全断供。两条路线并行缓冲,降低单一平台的风险。这也是很多公司比较务实的做法,不会一刀切直接全部切换。
总结来说,梁文锋押注华为昇腾,是基于供应链安全的长远布局,方向符合国内 AI 产业自主化的大趋势。但现实难题摆在眼前,产能不足带来算力限额,直接拖累模型迭代速度。这是国内自主算力发展路上,必须跨过的一道坎。阵痛是真实的,长期价值也同样值得期待。整个产业,就是在这种取舍、磨合、爬坡的过程里慢慢往前走。
话题讨论:你觉得国内大模型厂商,应该趁着现在优先布局自主算力扛短期阵痛,还是继续以英伟达为主、等昇腾产能充足了再迁移?欢迎在评论区说说你的看法,点赞关注,持续分享 AI 行业一线动态。
免责声明:本文基于行业公开信息分析,企业算力布局、芯片产能情况以官方披露为准,不构成投资或者行业决策建议。

