2026-11-03 · 瀚钦（丹东）智能科技有限公司
结论先行：「国产卡能训大模型了」这件事，对一家辽宁企业最实际的含义不是「我们也有大模型了」，而是三年后你部署一套 AI 的钱，可能只有今天的一半。但训练和推理不是一个难度量级——这一步跨过去，值得看清它跨的到底是哪条线。
据 CNMO 科技消息，国产大模型 DeepSeek 的下一代版本 V5，计划首次以华为昇腾 950 作为核心训练算力，双方核心研发对接团队已常驻杭州推进适配，项目节奏指向明年落地。截至发稿，DeepSeek 方面尚未就此公开回应。
消息里真正值得划线的不是「用了哪家芯片」，而是分工变了：在上一代版本中，昇腾算力只承担推理任务，从未进入训练环节；V5 将是首款原生依托昇腾 950 开展训练的大模型。从「跑推理」到「训模型」，中间隔着的不是一句「支持国产」，是一整套工程能力。
这条消息目前基本处在「产业链传出来、当事方没说话」的状态，所以先把三档分清，免得看串。
| 内容 | 确认程度 |
|---|---|
| V5 计划以昇腾 950 为核心训练算力，节奏指向明年落地 | 产业链知情人士消息；DeepSeek 未公开回应 |
| 双方核心研发团队已常驻杭州；V4 阶段完成大量底层算子适配与定制开发 | 同上，未经当事方确认 |
| 上一代昇腾只承担推理，V5 为首款原生依托昇腾训练的大模型 | 同上；这是本次消息中最关键的分工变化 |
| DeepSeek-V4.1-Flash-1017 于 2026 年 10 月 17 日发布；DeepSWE v1.1 测试最高通过率 77.0%，报道称优于 GPT-6 Astra、Claude Opus 5 | 发布为已发生事实；具体成绩为公开报道口径 |
| 开源昇腾适配组件、推进国产算力路线 | 团队已发生的公开动作 |
| 约 1000 亿元融资、投前估值约 5000 亿元、腾讯与宁德时代为主要出资方、中信证券筹备科创板、最快 2026 年末递表 2027 年挂牌 | 公开报道与市场消息，相关方未官宣，金额与细节仍可能变动 |
为什么要分这么细？因为「训练算力换成国产卡」是一条可以改变行业成本结构的消息，而它现在只到「知情人士透露」这一档。趋势判断可以成立，事实表述必须留出精度——这也是本文后面只谈「该怎么应对」、不替任何一方下结论的原因。
很多人把「支持昇腾」和「用昇腾训练」当成同一件事的两种说法，其实两者的难度差着一个量级。原文有一句话说得很准：训练对算子完备度、集群互联、长周期稳定性的要求都更高，任何一处短板都会被放大成整个训练任务的不确定性。
| 维度 | 推理（企业日常用的这一侧） | 训练（训大模型那一侧） |
|---|---|---|
| 单次时长 | 秒级到分钟级，一次问答一次结束 | 数周到数月，中间不能停 |
| 出错代价 | 答错了重问一遍 | 一个节点掉线，整个任务退回上一个存档点 |
| 算子完备度 | 常用算子够用就行 | 要全算子覆盖，还要为特殊结构做定制开发 |
| 集群互联 | 单机或小集群，带宽压力小 | 数千卡全互联，任何一段通信瓶颈都会拖慢全部 |
| 稳定性要求 | 重启一下即可 | 连续跑一个月不能漂移、不能静默算错 |
一句话概括：推理是「跑得动就行」，训练是「连续跑一个月不能出一次事」。所以「昇腾能训 V5」如果最终落地，其含金量不在芯片跑分，而在于算子、互联、稳定性这几件又笨又重的事被一件件补齐了——而这几件事，恰好也是推理侧规模化部署时要用的同一批技术底座。
说实话，短期对你没有任何直接影响：你不会去训模型。但它会从三个方向慢慢渗过来，而且一层比一层近。
| 时间尺度 | 会发生什么 | 对你的实际影响 |
|---|---|---|
| 今年 | 消息仍待确认，产品尚未落地 | 基本没有。别为这条消息改明年的预算 |
| 一到两年 | 推理侧国产卡的成熟度、供货稳定性继续改善；头部模型对国产算力的适配更彻底 | 私有化部署的硬件选择变多，议价空间变大，一套同等能力的本地部署可能更便宜 |
| 三年以上 | 训练不再被单一供应链卡住，模型迭代节奏更可控 | 你能用到的模型版本更新更快、开源权重更及时，选型余地更大 |
但这里必须泼一勺冷水：「能训大模型」不等于「什么活都干得好」。同一张卡在长上下文、高并发、特定算子上的表现差异依然存在；训练集群的强项是长时间稳定与互联带宽，不等于单机低延迟的推理性价比。选型只有一条可靠路径——拿你自己的真实负载去测，而不是拿「它可以训 V5」当依据。
把这条消息和它近期的两件事放在一起看，方向就清楚了。
一是模型能力的爬坡。2026 年 10 月 17 日发布的 DeepSeek-V4.1-Flash-1017，在衡量软件工程能力的 DeepSWE v1.1 测试中最高通过率达到 77.0%，公开报道称其表现优于 GPT-6 Astra、Claude Opus 5。模型越往「长链条任务」上走，Token 消耗就越随任务拆解、工具调用和上下文积累放大——我们在那篇关于 Agent 自动化的文章里算过这笔账：单价降了 99%，消耗量放大几十倍，账单反而更贵。算力需求是被业务逼出来的，不是被宣传逼出来的。
二是资本侧的加注。据公开报道与市场消息，DeepSeek 完成约 1000 亿元融资（募资目标最初 500 亿元、后经多轮上调），投前估值锚在约 5000 亿元；腾讯两轮各出资 100 亿元，宁德时代体系本轮 100 亿元、较首轮的 50 亿元翻倍；中信证券进场筹备科创板，最快 2026 年末递表、2027 年挂牌。资金投向写得很直白：模型训练、算力建设、人才招募。
出资方的结构比金额更有信息量。腾讯连续两轮重仓，说明大厂参与 AI 竞争的方式正从「只自研」变成「自研＋入股头部系统」；宁德时代的逻辑更偏产业侧——当 AI 开始接管真实工作流，算力、能源和数据中心的约束会从成本项变成竞争壁垒。更值得注意的是运营商：据 The Information 报道，中国移动与中国电信出现在本轮近 30 家投资方名单中，单家金额达数十亿元级别。运营商手里握着的，恰好是模型公司最难靠自己补齐的东西：全国性机房与电力、骨干网带宽、智算集群、覆盖全国的政企渠道。
上海证券报引述的分析把话说得很直白：资金、算力、深度智能以及系统化布局的市场进展，是拉开差距的几个关键变量；这轮融资不是终点，通过上市继续融资是必然要走的路。换句话说，头部竞争的门槛已经从「能不能训出好模型」，抬到了「能不能同时搞定算力、系统、产业渠道和资本市场」。
上面这些离一家丹东的代记账公司、一家沈阳的装备厂，看起来很远。但有一个动作现在就该做，因为它是唯一能让你在降价那天真正受益的准备。
| 动作 | 具体做法 | 为什么现在做 |
|---|---|---|
| 用自己的负载做一次基准测试 | 挑 20-50 个真实高频问题（不是网上的评测集），在同一台机器上跑通、记下响应时间与正确率 | 有了这份数据，任何卡都能比；没有这份数据，只能听销售讲 |
| 把「卡」和「业务」隔开 | 走标准推理框架，业务逻辑不要焊死在某家卡的专用 SDK 上；模型文件、接口层、业务层三层分开 | 换硬件时不改业务，这一层抽象值几万块 |
| 别为「等降价」推迟第一步 | 先用一台服务器验证「这件事它到底答不答得对」，规模可以很小 | 降价只降低试错成本，不会替你验证效果；等到降价才动手，等于把时间也一起等掉了 |
这三件事加起来，成本大概是一台服务器加几周时间。而它带来的确定性是：无论明年国产卡降多少价、英伟达供不供货，你手里都有一份「我的场景到底要多少算力、要多快」的实测答案。议价能力从来不是谈出来的，是算出来的。
| 服务 | 对应本文的哪一段 |
|---|---|
| 咨询规划 | 帮你把「该测哪些问题、用什么指标衡量」定下来，避免拿评测榜单做决策 |
| 交付实施 | 私有化部署，模型层与硬件层解耦，换卡不动业务 |
| 运营管理 | 上线后的效果跟踪、口径维护、模型版本更新 |
| 安全治理 | 数据不出厂、权限最小化、全程留痕 |
| 配套服务 | 算力硬件选型与采购、机房与运维、应用人才培训 |
国产算力进入训练环节，是一条产业级的分水岭——它意味着国内头部模型公司不必再把自己的迭代节奏，押在一家海外供应商的发货时间上。这件事值得关注，也值得高兴。
但对一家几十人、几百人的企业，它的意义要小得多也具体得多：三年后你部署一套自己的 AI，钱可能只有今天的一半。而省下来的这部分钱，前提是你在降价之前已经知道自己要什么、测过什么、能验收什么。
硬件会越来越便宜，判断力不会。这部分只能自己练。
如果您想先弄清楚「自己的场景到底需要多少算力、跑不跑得动」，欢迎约一次免费业务诊断；也可以先看我们的私有化部署方案与人工智能应用人才培训。
注：本文关于昇腾 950 与 DeepSeek V5 的适配信息，来自产业链知情人士消息及 CNMO 科技报道，DeepSeek 方面未公开回应，最终方案与时间表以官方披露为准；融资、估值与上市时间表来自公开报道与市场消息，相关方未官宣，金额与细节仍可能变动；V4.1-Flash-1017 的测试成绩为公开报道口径。文中的企业建议为本站观点，不构成对任何硬件产品、模型或资产的推荐。
有意义，但要分清层次。我们把它当「趋势信号」而不是「既成事实」：文中所有昇腾相关信息都标注为产业链知情人士消息、当事方未回应。之所以仍值得看，是因为它指向的是一件确定会发生的事——国内头部模型公司正在把训练算力向国产底座迁移，这对推理侧的硬件价格和成熟度有直接影响。您可以据此调整明年的观察重点，但不必据此改今年的预算。
本文不给结论，只给判断方法：一是拿自己的真实负载测——挑 20-50 个高频问题跑一遍，记响应时间和正确率，这份数据比任何榜单都可靠；二是看场景类型——长上下文、高并发、特定算子需求，各家差异明显，要按你的负载去比；三是看供货与售后——能不能持续买到、坏了多久能换，对本地部署的企业比跑分重要。有一个前提动作建议先做：把模型层、接口层、业务层分开，别让业务逻辑焊死在某家卡的专用 SDK 上，这样无论选谁，将来换卡都不用重写业务。
方向是对的，节奏要想清楚。硬件成本受益于竞争与规模，一到两年内私有化部署的硬件选择会变多、议价空间会变大，这是可以期待的。但要区分两笔钱：硬件是能降价的那笔，验证和导入是不降的那笔——找场景、记基线、跑通第一个流程、让员工愿意用，这些仍然要花时间。所以更划算的做法不是等降价，而是先在便宜的时候把场景验证掉，等价格下来时直接放大规模。
