DeepSeek拟采购16万颗昇腾950DT：推理基础设施为何成为新竞争焦点

据彭博社9月4日报道，DeepSeek拟在内蒙古乌兰察布建设的数据中心部署至少16万颗华为下一代昇腾950DT加速芯片，主要用于运行模型、承担推理任务。若这一计划最终按设想推进，相关集群将成为目前已知规模较大的华为AI芯片集群之一。不过，现阶段公开信息仍显示这是一项采购与部署计划，芯片交付、安装节奏以及数据中心的实际投运情况，尚未得到完整确认，不能将其表述为已经完成部署。

16万颗芯片计划，核心用途指向模型推理

从目前披露的消息看，这项计划最值得关注的并不是单纯的芯片采购数量，而是芯片被规划用于何种工作负载。相关人士称，DeepSeek拟将昇腾950DT用于运行旗下模型，也就是为用户请求、智能应用和其他调用场景提供推理服务，而不是把这批芯片作为主要训练资源。

训练与推理虽然都依赖加速芯片，但对基础设施的要求并不完全相同。训练通常需要长时间维持大规模集群运行，强调芯片之间的高速协同、任务稳定性和软件适配能力；推理则更直接地面对用户请求，除了模型计算效率，还要考虑并发处理、响应延迟、资源调度、服务稳定性以及不同模型规模下的部署灵活性。

这意味着，DeepSeek的相关规划可能反映出一个正在发生变化的产业判断：当模型能力逐步进入应用阶段后，推理基础设施不再只是训练完成后的配套环节，而可能成为决定模型能否大规模服务用户的核心资产。对于需要持续处理请求的模型公司而言，拥有更大规模、更加可控的推理集群，有助于降低对外部算力供给的依赖，也有利于围绕自身模型特点优化部署方式。

但“用于推理”并不意味着推理环节简单，也不能据此判断芯片采购完成后即可直接形成服务能力。芯片需要经过交付、上架、网络互联、软件适配、模型迁移、调度系统配置和稳定性测试等环节。尤其是大规模集群，单颗芯片能够运行模型，与数万乃至十万级芯片能否形成高效、稳定的整体系统，是两个不同问题。

训练端仍主要依赖英伟达加速卡

此次消息还有一个重要背景：DeepSeek的训练端目前仍主要依赖英伟达加速卡。换句话说，训练和推理可能采取不同的硬件路线，形成相对清晰的分工。

这种分工并不难理解。训练阶段涉及模型参数更新、数据处理和长时间的大规模计算，模型公司往往会优先使用已经完成验证、软件生态较为成熟、能够满足既有研发流程的计算平台。推理阶段则更关注单位成本、供给稳定性、部署规模和长期运营控制。对于模型公司来说，训练平台与推理平台并不一定必须完全相同，只要模型能够在目标硬件和软件环境中稳定运行，就存在采用异构基础设施的空间。

从产业角度看，这种模式也说明，国产AI芯片与主流训练平台之间的竞争，未必只表现为“能否全面替代”。在实际业务中，芯片可能先从某个更适合切入的工作负载进入规模化部署，再通过软件、工具链和服务经验逐步扩展应用边界。推理正是其中一个关键场景，因为它与模型上线、应用调用和商业服务直接相连，部署需求具有持续性。

不过，训练端继续主要依赖英伟达加速卡，也意味着DeepSeek短期内可能并未对训练基础设施进行完全替换。此次昇腾950DT计划更像是对推理资源的一次重点布局，而不是对现有训练体系的整体迁移。如何看待这一点，关键不在于简单判断哪一方“胜出”，而在于区分训练、推理和应用交付这几个不同层次。

截至目前，华为和DeepSeek相关方面未对此项计划作出公开确认或详细回应。由于信息来自知情人士披露，采购规模、交付时间、具体部署方式和最终用途仍应以双方后续公告或可靠信息为准。

为什么推理基础设施正在成为新焦点

过去一段时间，AI基础设施讨论往往集中在训练集群。原因很直接：训练决定模型能否形成能力，大规模训练项目也更容易成为技术竞争和资本市场关注的对象。但随着模型被更多用户调用，推理侧的压力开始显现。

模型训练完成后，真正面向用户提供服务的是推理系统。每一次问答、代码生成、内容处理、智能体调用，都需要经过推理服务完成。用户规模扩大后，模型公司面对的就不再是一次性的训练任务，而是持续不断的请求流量。模型参数规模、上下文长度、调用频率和服务类型的变化，都会影响推理资源的配置。

推理成本也不是只由芯片价格决定。数据中心建设、供电、散热、网络、存储、运维和软件适配，都会影响最终的服务成本。某种芯片如果在单个测试任务中表现良好，但在实际集群中出现利用率不足、调度复杂或模型适配周期过长，整体经济性仍然可能受到影响。因此，推理基础设施的竞争更像是一场系统工程竞争，而不是单颗芯片性能的比较。

对模型公司而言，推理集群还关系到服务自主性。当模型调用依赖外部云资源时，公司可以快速获得算力，但也需要面对资源供给、服务价格、区域部署和调度权限等问题。自建或深度参与建设推理数据中心，则意味着公司需要承担更多前期投入和运营责任，同时换取更强的资源控制能力。

乌兰察布被相关报道提及，也使这项计划带有数据中心基础设施建设的意味。但仅凭公开资料，尚不能进一步确认项目的具体供电方案、服务器配置、网络拓扑或上线时间。对于这类超大规模计划，芯片数量只是一个显眼指标，真正决定项目价值的，还包括交付能力、机房建设进度、集群运行效率以及模型服务能否持续承载实际需求。

昇腾950DT计划面临哪些现实考验

第一项考验是供应与交付。报道提到，安装时间将取决于华为的生产能力。对于至少16万颗芯片的计划而言，交付并非一次普通采购能够解决的问题。芯片、服务器、板卡、网络设备和配套系统需要形成整体供给，任何一个环节出现延迟，都可能影响集群建设节奏。因此，“拟采购”与“已到货”之间存在明显差距，“已到货”与“已形成可用推理能力”之间又存在另一段距离。

第二项考验是软件适配。模型要在不同芯片平台上运行，不仅需要完成基础迁移，还要处理算子支持、并行方式、内存管理、推理框架兼容和服务调度等问题。对于大模型而言，软件栈的稳定性往往决定硬件资源能否真正发挥作用。若适配工作需要反复调整，芯片规模越大，系统级验证的复杂度也可能越高。

第三项考验是集群协同。单节点性能不等于大规模集群效率。模型推理可能涉及多个计算节点之间的任务分配和数据交换，服务系统还要根据请求特点动态调度资源。集群规模扩大后，故障隔离、任务迁移、资源利用率和维护方式都会变得更加重要。大规模采购能否转化为稳定服务，需要经过持续运行验证。

第四项考验是需求是否足以支撑如此大的推理资源。模型公司需要根据用户调用量、产品上线计划、企业客户需求以及未来模型服务方向进行规划。如果资源建设速度明显快于实际请求增长，可能出现利用率不足；如果建设速度落后于业务增长，则会影响服务质量。大规模算力投资需要在供给能力和需求增长之间找到平衡。

第五项考验是训练与推理之间的协同。即使推理端采用昇腾950DT，训练端仍主要依赖英伟达加速卡，模型版本管理、权重转换、评测流程和上线发布也需要保持顺畅。训练平台与推理平台之间如果存在较大适配成本，模型迭代速度可能受到影响。对于快速更新的模型产品来说，这种工程效率同样是竞争力的一部分。

国产AI芯片竞争将从参数比较转向系统能力

这项计划如果推进，可能进一步推动市场从单纯比较芯片参数，转向评估完整基础设施能力。芯片本身当然重要，但企业真正购买的不是孤立的计算单元，而是一套能够长期运行模型服务的系统。

硬件层面，市场会关注供货能力、服务器适配和集群稳定性；软件层面，则会关注开发工具、模型迁移、推理优化和运维支持；应用层面，还要看芯片是否能承载真实业务，以及服务成本是否具有可持续性。只有这些环节结合起来，国产芯片集群才可能从项目规划转变为可持续运行的生产系统。

对于云服务商和算力运营商而言，模型公司对推理资源的需求可能带来新的合作方式。过去，算力采购更多围绕训练项目展开；未来，推理算力可能按区域、按业务、按模型服务类型进行更细致的配置。算力运营商需要提升的不只是设备数量，还包括资源调度、故障处理和模型部署服务能力。

对于开发者而言，硬件路线变化也会影响应用开发。开发者可能需要更早考虑模型部署环境、推理框架兼容性、资源调用方式和性能调优策略。特别是在企业级应用中，模型能否稳定运行、更新是否方便、服务是否能够持续，通常比单次测试中的最高性能更重要。

对于模型公司，未来的基础设施决策可能更加多元。训练、微调、推理、评测和数据处理可以采用不同的算力平台，但前提是整个研发与交付流程能够连贯衔接。谁能在多种硬件之间建立更低成本、更高效率的工程体系，谁就更有机会把芯片选择转化为业务优势。

这条消息应该如何审慎理解

目前最稳妥的理解是：DeepSeek被报道拟采购至少16万颗昇腾950DT，用于乌兰察布数据中心的模型推理部署；训练端仍主要依赖英伟达加速卡；华为与DeepSeek相关方面尚未公开确认这一计划。至于采购合同是否已经签署、芯片是否已经开始交付、数据中心何时投运，以及最终会有多少芯片投入实际服务，都不能仅根据现有披露下结论。

市场也不应把“拟部署”直接等同于“完成替代”。这项计划的意义，首先在于它将推理基础设施的重要性推到了更显眼的位置，也展示了国产AI芯片可能通过推理场景获得规模化应用机会。它是否会进一步改变训练端的硬件格局，还需要观察后续的产品适配、集群运行和实际业务表现。

对产业参与者来说，关注点可以从单一订单数字转向几个更具体的问题：芯片能否按计划供给，数据中心建设能否同步推进，模型迁移是否顺畅，推理服务能否稳定运行，以及整体成本是否能够匹配真实需求。只有这些问题逐步得到答案，这项计划的产业影响才会变得更加清晰。

【软盟观察】

DeepSeek拟采购至少16万颗昇腾950DT的消息，真正值得关注的不是数字本身，而是AI竞争重心正在从“谁能训练出更强模型”延伸到“谁能稳定、持续、低成本地运行模型”。训练端仍主要依赖英伟达加速卡，推理端则计划引入国产芯片，说明模型公司可能会根据不同工作负载采取分层、异构的基础设施策略。与此同时，拟采购、拟部署与完成交付之间仍有很大距离，外界不宜提前把计划性消息解读为既成事实。未来判断这项计划是否成功，应重点看芯片交付、软件适配、集群效率和真实业务承载能力。对国产AI芯片而言，取得大订单是起点，能否进入稳定运行的生产体系，才是更具决定性的考验。