10月14日，人民网报道了一个标志性节点：全球首个昇腾950DT万卡智算集群落地内蒙古和林格尔新区中国电信信息园，具备三万卡集群部署条件，直指万亿参数大模型训练。 几乎同一时间，媒体在10月20日披露DeepSeek计划于年底在昇腾950上开展下一代模型的预训练，双方均未证实。 若后一条成真，这将是从未有过的一幕：一个前沿级大模型在国产算力上从零开始"学习"。对照现有证据，昇腾在训练上离替代英伟达差的已不是"能不能训"，而是三件尚未被证明的事：前沿级从零预训练的完整案例、数万卡规模的有效算力与稳定性、不依赖模型厂商陪跑的软件生态。测试在即，正是这三件事的第一场实战检验。人民网微博
已经跨过的部分：训得动，也卖得出去了
华为的公开记录可以追溯到2025年5月：当时华为首次公布完全用昇腾算力训练的两个大模型——720亿参数的盘古Pro和7180亿参数的盘古Ultra MoE，后者在万卡集群训练中把算力利用率从30%提升到41%（华为口径）。 同年1月，智谱开源的图像生成模型GLM-Image从数据预处理到训练完成全程跑在昇腾芯片上。 5月，据报道，深圳一个联合团队基于昇腾910C集群完成了DeepSeek-V4-Pro的全参数续训练和SFT微调，1500多步长稳训练零异常。时代周报微博
硬件交付侧同样在提速。2026年9月17日开幕的华为全联接大会上，官方宣布昇腾910C超节点累计部署已超过1000套、昇腾950超节点进入规模商用阶段。 月底，昇腾950DT千卡超节点落地中国移动云北京节点，单节点1024卡算力达1EFLOPS（FP8）。 此前"华为计算"公众号披露昇腾超节点组网已达5万卡规模；7月，采用昇腾910C的中国电信粤港澳大湾区万卡集群上线，部署30个超节点、总计11520卡。知乎界面新闻微博
市场层面也完成了反超：据媒体转引的IDC统计，2026年上半年昇腾在中国数据中心AI芯片市场的出货量几乎与英伟达并驾齐驱。 徐直军在全联接期间的媒体交流中更直接表示，按华为可统计口径，昇腾中国市场份额已超过英伟达。 但他同时坦承，甚至没有足够的产能满足中国国内的需求，华为暂无计划全面拓展海外市场。这些事实支撑"能用"的结论，但注意它们的共同点：盘古是华为自家模型，GLM-Image是视觉模型，910C案例是"续训练"，DeepSeek的组件只证明了算子栈可承载。在公开记录里，还找不到一个前沿级文本大模型在国产算力上从零训出来的案例。微博观察者网
差的第一件事：从零预训练，训退过
DeepSeek历代前沿模型（V3/R1到V4）都在英伟达硬件上训练、昇腾只承担推理；据媒体曝料，DeepSeek此前尝试用昇腾训练R系列模型时遭遇稳定性、卡间互联速度和工具链问题，最终把训练退回英伟达，该说法双方均未证实。另据媒体报道，梁文锋在7月表示，DeepSeek已拿到1.6万张昇腾950算力卡，这批算力折算约相当于4000张英伟达B系列，暂时无法支撑下一代超大模型的预训练。微博
变化发生在今年。DeepSeek新一轮融资规模据彭博社10月9日报道达800亿至1000亿元人民币，36氪10月23日报道其已完成1000亿元融资。 这笔钱最明确的去向，是内蒙古大型数据中心至少16万颗昇腾950DT加速器的部署，并首次基于国产算力进行前沿模型的预训练。 刚落地的万卡集群，正是这个计划的第一步——这场"测试"的含义不是"训得好不好"，而是"从来没训过"：国产算力有没有能力支撑前沿预训练，此前连一次完整的答案都没有。36氪微博
差的第二件事：卡多，不等于有效算力多
前沿预训练是连续数周甚至数月、数万卡同步的长任务，故障是常态而非例外，昇腾的差距藏在"有效算力"的账本里。单卡上，昇腾950DT的FP8算力在1 PFLOPS量级（按华为路线图披露），叠加"四张昇腾约等于一张B系列"的媒体转述折算，同等有效算力必须靠数倍的卡数去换，故障域随之放大。华为的解法是超节点：Atlas 950超节点以单柜64卡为基本单元，最大可支持8192张卡高速互联。 内蒙部落地的万卡项目则采用1024卡规模超节点。 华为在全联接大会上给出一组行业痛点数据：在训练10万亿参数级前沿模型的10万卡集群中，传统服务器架构的通信时间已占训练时间的40%以上——超节点要啃的正是这块。微博人民网知乎
需要冷静的是，目前这类数字大多来自厂商口径或设计值：99.8%可用度、跨节点建链耗时降低91%、“1500多步零异常”，均出自华为或合作方的自述，业界还没有第三方见证的国产万卡集群在前沿负载下的长稳数据。所以这场测试真正的看点不是"跑没跑通"，而是三个可复核的数字：万卡规模下实际达到的算力利用率、故障平均间隔、故障后的恢复时间。它们达到什么水平，"替代"才有定量依据。
差的第三件事：生态还离不开"一单一解"
CUDA的护城河不是某个库，而是长期形成的开发习惯和现成资产。华为在本届全联接大会上披露：CANN已进入常态化开源运营，外部开发者占比61%，月活开发者超过5200名，基于昇腾和CANN原生训练的模型超过40个，并已覆盖PyTorch、Triton、vLLM、veRL等90多个主流第三方社区，开发者可以从PyTorch官网直接安装昇腾相关组件。 进展真实，但对照CUDA的生态规模，仍处于建设中途。知乎
最能说明现状的是DeepSeek在9月30日的开源：其面向昇腾的TileLang编译工具、计算库和通信库与此前面向英伟达平台的组件一一对应，公告中还写明"华为团队给予了毫无保留的大力支持"，双方共同推进了基于昇腾950的128卡超节点方案、对计算与通信做了深度优化。 这意味着目前仍是头部模型厂商与华为"一单一解"的陪跑模式，每一家的新架构、每一个新的低精度训练配方都要重新优化。年底测试若成功，比模型本身更值钱的产出是沉淀下来的工具链与稳定性方案：它们若能被智谱、MiniMax等更多厂商复用，生态才算从"陪跑"走向"自持"。苗头已经出现，36氪报道显示，MiniMax 10月发布的开源新模型已宣布将接入昇腾。界面新闻36氪
测试之后，"替代"的真实含义
把这场测试的意义和边界都摆清楚。如果年底的预训练稳定跑完，市场得到的是中国前沿模型训练从"唯一选项是英伟达"变成"存在国产第二选项"；但要真正谈替代，供给和成本两关仍在：16万卡的部署计划对应着"产能满足国内需求还远远不足"的现实，整机方案在电力、故障损耗和工程师适配上的总成本也还没有公开可比的账。测试即便受挫，也不意味着路线出局——从盘古到GLM-Image再到续训练案例，昇腾的训练能力是一步步做实过来的——只是前沿训练对英伟达的依赖会再多延续一代。
现状的全貌是：推理市场基本完成了替代，份额与出货量都已越过山脊；训练是最后一座、也是最重的堡垒，因为它同时考验算力、互联、软件和稳定性四样东西，缺一不可。万卡集群测试之所以值得关注，是因为战事终于打到了堡垒之下。
