作者聲明：該圖片由ai生成
文丨彭傑克
編輯丨程述白
「如果頂尖的ai模型被優化在華為晶元上運行，對美國而言將是『可怕的後果』。」
這是英偉達ceo黃仁勛近期在一檔播客節目中發出的警告。讓他發出警告的對象，是即將發布新模型的中國ai公司deepseek。
讓黃仁勛警惕的，並不是某個具體的模型能力，而是另一件事——綜合多家權威媒體報道：deepseek-v4模型在設計之初便優先圍繞華為昇騰ai體系進行適配。
一旦成功繞過英偉達的cuda體系，deepseek將不再只是英偉達生態里的一個「租戶」，被迫接受高昂的「算力租金」和隨時可能斷供的供應鏈風險，而是成為能自主定義算力效率、掌握技術棧主導權的「規則制定者」。
黃仁勛的這種擔憂在今天（4月24日）成為了半個現實。
沉寂近五個月後，deepseek帶著v4重新回到市場中心，在其定價說明中，有一行幾乎被忽略的灰色小字：受限於高端算力，目前pro的服務吞吐十分有限，預計下半年昇騰950超節點批量上市後，pro的價格會大幅下調。
這一細節至少說明，國產算力已經在deepseek的整體體系中佔據了重要位置，甚至在關鍵路徑上開始影響其成本結構與定價邏輯。
這並不意味著既有格局被打破。從技術報告來看，deepseek當前最成熟、最穩定的實現仍然建立在cuda體系之上，核心運算元與工程優化依舊集中在英偉達生態內。這也意味著，在短期內，cuda仍然是行業默認的「最優路徑」。
只是，deepseek-v4也證明了，cuda構建的城牆，已經不再堅不可摧。
deepseek-v4都做了什麼
deepseek-v4實際上就幹了一件事：用極致的工程效率，把「頂級大模型」的門檻打了下來。它沒有單純堆砌參數，而是通過一套組合拳，讓高性能ai變得既好用又便宜。
具體來看，首先是參數規模：旗艦版本deepseek-v4-pro總參數達1.6萬億，但每次推理僅激活490億參數；輕量版本deepseek-v4-flash則控制在2840億參數、130億激活規模。
● 同一時期國內主流大模型參數對比。製圖：鏡相工作室
兩個版本背後的邏輯一致：通過moe（混合專家）架構，在不顯著增加實際算力負擔的前提下擴展模型容量。通過工程優化，讓模型在推理時只調用最相關的部分，從而實現低成本下的頂級性能。這種結構換算力的思路在v2時期已初見成效，在v4中被進一步放大。
在上下文能力上，deepseek直接將100萬tokens作為「所有官方服務的標配」。相當於你用它的app、網站或api，默認就能一次性上傳一整本《紅樓夢》、整個項目的代碼庫或一份完整的年度報告，讓ai從頭到尾讀完並處理。
在行業中，長期存在上下文越長，成本越高的矛盾。傳統的ai模型為了理解長文本，它需要記住每個字，並且計算每個字和全文中其他所有字的關聯。相當於為了一句話，就需要翻閱並重讀整本字典，效率極低，成本也高。
而v4沒有硬扛這個數學難題，而是用dsa稀疏注意力（deepseek sparse attention）的新機制，通過「打包摘要」和「只抓重點」，大幅降低了處理和記憶長文的計算量與成本。百萬字的長文在ai的「工作內存」（顯存）里，就變成了幾百個高度濃縮的要點，體積和負擔驟減。
如果這一機制能夠在真實場景中穩定運行，那麼長上下文能力將從高端模型的附加項，逐漸轉嚮應用層的基礎配置。
再來看能力層面的變化：
agent能力方面，v4-pro已進入開源模型的第一梯隊。在agentic coding評測中，其表現達到當前開源最優水平，並在內部直接作為工程團隊的編碼工具使用。評測反饋中一個頗具參考價值的細節是，其輸出質量已經接近美國ai企業anthropic高端模型的常規非思考模式，但在更複雜的思考模式上仍有差距。
推理能力方面，在數學、stem以及競賽級代碼任務中，v4-pro的表現超過現有公開評測中的開源模型，並逐步逼近頂級閉源產品。
世界知識方面，v4-pro大幅領先其他開源模型，和谷歌的頂尖閉源模型gemini-pro-3.1存在差距。
這些能力並非孤立存在，而是圍繞具體應用場景展開。v4針對claude code、openclaw、codebuddy等主流agent工具進行了適配，在代碼生成與文檔處理等任務中優化表現。可以看出，它的目標並不是成為最全面的模型，而是更直接地嵌入開發流程，承擔實際生產任務。
系統層面則藏著deepseek能夠便宜下來的「秘密」。
技術報告顯示，deepseek在系統底層做了一套「細粒度專家並行（ep）」方案，簡單理解，就是優化了ai模型在晶元上的「調度演算法」，讓計算和通信能像流水線一樣重疊進行。
這套方案已在英偉達gpu與華為昇騰npu兩套體系上完成驗證，推理速度提升了約1.5到2倍。這意味著同樣的晶元，能處理更多的用戶請求，單位成本自然就降了。
不過，從開源實現來看，當前最成熟的版本仍基於cuda。也就是說，核心優化具備跨平台能力，但工程上的最優路徑依然集中在既有的英偉達體系之中，這種狀態為後續的遷移與擴展保留了空間。
定價依舊是deepseek最讓同行牙痒痒的地方。在緩存命中條件下，pro版本輸入價格為1元/百萬token，flash版本低至0.2元；pro版本輸出價格24元/百萬tokens，flash版本輸出價格2元/百萬tokens，都顯著低於其他模型水平。
在deepseek-v4定價表格下方，一行小字值得關註：受限於高端算力，目前pro的服務吞吐十分有限，預計下半年昇騰950超節點批量上市後，pro的價格會大幅下調。
當價格調整開始「錨定」某一類算力集群的部署進度時，背後往往意味著該類算力已經在整體體系中佔據了相當權重，至少在關鍵路徑上具備決定性影響。
對於deepseek而言，這更像是一種間接披露——其推理或服務體系，正在越來越多地建立在國產算力之上，而算力供給的變化，已經能夠直接傳導到定價層。
同時，這一邏輯還隱含著另一層變化——模型價格不再只是取決於演算法效率，而是開始由算力結構決定。隨著昇騰超節點進入規模化階段，單位算力成本下降所帶來的，不只是利潤空間的釋放，更是價格體系的重塑能力。也正是在這一意義上，deepseek的低價策略，正在從工程優化驅動，逐步過渡到算力體系驅動。
沉默下的野心和無奈
從內外部環境看，讓新模型優先適配國產晶元，是deepseek有意推進的事。它想做的不只是多找幾家可用的ai晶元供應商，更是在嘗試觸碰更底層的東西——通過擺脫英偉達的束縛，走出由上游晶元廠商定義規則、模型公司被動適配的關係，進而反過來重塑上游。這是deepseek真正的野心。
理解這一點，要先理解梁文鋒。從更早的時間點來看，deepseek對算力的重視帶有一種近乎偏執的前瞻性。2015年，甚至更早的2012年，他們就關注到算力儲備，至生成式ai爆發前夜，已囤積了大量英偉達a100晶元，後來成為了「大廠外唯一一家儲備萬張a100晶元的公司」。
梁文鋒在接受暗涌採訪時說：「對研究員來說，對算力的渴求是永無止境的。做了小規模實驗後，總想做更大規模的實驗。」這種渴求背後對應著一個現實的問題，大模型公司的核心生產資料不僅是代碼，更是算力本身；誰能夠掌控算力，誰才有資格穩定地研發、生產模型。
所以deepseek後來做的，不只是爭取更多算力，而是在試圖降低對單一算力體系的依賴。其選擇國產ai晶元，本質上是在建立一套可控的、可持續的生產體系。
而這種抉擇，幾乎貫穿了其過去多年模型研發的始終。簡單說，它在做兩件事：一是繞開英偉達設定好的部分「規則」，二是在嘗試給自己造一個跨不同晶元都能工作的「萬能轉換頭」。
第一步發生在模型架構層。2024年5月發布的v2，用moe架構大幅降低了模型對算力的消耗。它像是把一個龐大的專家團隊拆分成許多小組，每次只調動最合適的一小部分人幹活，而不是讓所有人同時上陣。結果是，總參數規模雖然很大，但每次真正參與計算的只是一小部分。
到了r1和v3階段，deepseek向底層「施工現場」下探。我們可以把cuda理解成英偉達給開發者制定的一套通用施工規範，絕大多數模型都按照這套規範搭房子。而deepseek開始嘗試繞開其中部分標準流程，直接接觸更接近硬體的ptx（英偉達為編程其gpu而引入的一種並行線程執行架構的中間語言）指令，自己調配鋼筋、水泥和施工順序。
這樣做很難，因為越靠近底層，越需要對硬體細節有極深理解。但好處也明顯，同樣一塊gpu能榨出更多性能，甚至在硬體條件不佔優時，用工程優化彌補部分差距，從而降低對高端gpu的依賴程度。
前兩步還是在英偉達體系內做更高難度的優化，去年9月v3.2-exp的嘗試，開始有了另一層意味。他們對主流運算元庫做了調整，引入了tilelang——一個「萬能轉換頭」。
過去開發運算元（模型運轉最底層的計算單元），很像給不同國家的電器配插頭，每換一種gpu，都要重新改寫一遍代碼，成本高、周期長，而且高度依賴cuda。deepseek的方案是，先用一種更高層、更通用的語言把計算邏輯寫出來，再把它翻譯成適配不同gpu的代碼。
tilelang就是這樣一種嘗試。開發者可以先用更接近python（ai研發的世界語）的方式快速寫出運算元原型，再通過編譯器映射到底層執行，並結合具體硬體做優化。這樣一來，過去一塊gpu寫一套代碼的方式，就開始變成先寫通用邏輯，再做局部適配。華為部分晶元也在推進對tilelang的適配，意義正在這裡。
從架構創新，到規則繞行，再到運算元庫改寫、國產晶元大規模適配，deepseek的野心越來越大，走的路也越來越崎嶇。
從v2到v4，中間橫跨15個月，期間經歷長時間沉寂。外界看到的是發布頻率偏低，看不見的是大量系統工程投入。這類軟硬體協同創新，本來就比單純做模型參數迭代難得多，因為動的不只是模型，還有底層技術棧。這也解釋了，為什麼r1之後deepseek人才會成為大廠爭奪目標——行業意識到了這種工程路線的價值。
但技術理想主義之外，deepseek還有現實考慮。作為一家堅持開源路線的模型公司，deepseek天然缺乏類似openai那樣的閉環商業能力，也沒有谷歌或亞馬遜那樣可以內部消化模型成本的雲計算體系，更沒有騰訊、阿里、位元組等大廠那樣完備的商業生態，開源意味著更強的影響力和更快的擴散速度，但也意味著更薄的利潤空間和更高的成本敏感度。
這也是為什麼deepseek在v2模型階段就選擇用極致的成本打穿市場，直接掀起一場「價格戰」，本質還是通過工程能力換取商業空間。但這種優勢建立在一個前提上，那就是算力成本必須可控。一旦gpu價格上漲或供給收緊，成本優勢就會迅速被侵蝕。因此，對於一家開源公司來說，擺脫對單一算力生態的依賴，不只是技術選擇，更是商業生存的要求。
與此同時，同業競爭進一步放大了這種壓力。過去一年，大模型高頻迭代，主流廠商幾乎以周為單位發布新模型，再加上多位核心人才流入其他模型廠商或大廠，deepseek不得不承認，如果繼續在既有路徑上與同業競爭，很可能陷入節奏與資源的雙重劣勢。
在這樣的背景下，deepseek選擇將萬億級參數的自研模型優先適配國產晶元，甚至有意延後向英偉達、amd提供訪問許可權，給國產晶元留足軟硬體適配、調優的時間，是一種改變遊戲規則的嘗試。相比在英偉達cuda體系內與同業正面競爭，deepseek更有可能通過軟硬體協同的方式，重新定義自身優勢邊界。這也是deepseek最擅長的，通過工程與架構創新，重寫競爭邊界。
這意味著，它不再只是一個使用算力的公司，而是在嘗試參與定義算力，乃至反過來、自下而上重塑這套生態。
作者聲明：該圖片由ai生成● deepseek正通過實現國產晶元軟硬體協同挑戰英偉達的封鎖地位。圖源：ai生成。
撕裂英偉達cuda生態
這是黃仁勛第二次因為deepseek而感到緊張。
第一次發生在r1模型發布之時。deepseek直接衝擊了行業對算力堆疊的路徑依賴，也在短期內引發了市場對英偉達需求預期的波動。據報道，去年1月r1模型發布後，經過幾天市場情緒的發酵，英偉達迎來了股價大跌，在短短三天內蒸發了6000億美元。
彼時，黃仁勛「挽尊」說，deepseek及其開源推理模型所帶來的能量「令人無比興奮」，但投資人「判斷錯誤」，誤以為這對英偉達及人工智慧（ai）產業是不利的。它不僅不會終結ai計算需求，反而會擴大並加速市場對更高效ai模型的追求，從而推動整個行業的發展。
但現在，黃仁勛不再避諱對deepseek使用華為晶元的焦慮。
要理解這一點，必須回到英偉達真正的護城河——cuda所構建的軟體生態。
cuda不僅是一個編程工具，更像是ai時代的「操作系統」；全球數百萬開發者圍繞它構建了加速庫、框架與模型代碼，一整套開發範式由此形成。正因為如此，遷移成本極高，一旦離開cuda，大量底層代碼需要重寫，工程與測試成本動輒達到千萬級別。這才是英偉達長期佔據主導地位的核心原因。
目前，國內晶元廠商在試圖填補這一生態空白。例如華為推出的cann體系，在設計上直接對標cuda，通過兼容部分cuda api和自動轉換運算元，降低開發者遷移門檻。同時支持主流框架，並推動自研框架的落地。這種路徑先通過兼容降低切換成本，再逐步建立自身生態。
雖然當前性能損耗與工程複雜度仍然存在，但大模型廠商也在努力。幾乎所有主流模型廠商，在發布新模型後，都會同步適配多種國產ai晶元，包括昇騰、崑崙芯、寒武紀等。
不過，在相當長一段時間裡，這種適配更多停留在兼容層，大多數模型仍然圍繞cuda體系開發，並沒有擺脫英偉達生態的引力。
deepseek的不同之處在於，它並沒有完全依賴這種兼容路徑，不是簡單地遷移，而是在一定程度上重新搭建一套體系，劍指最龐雜的生態層。
雖然短期內deepseek很難對英偉達形成實質性衝擊，但真正值得關注的是中長期的邊際變化。deepseek的特殊性在於，它不僅是一個模型廠商，還是一個擁有廣泛開發者基礎的開源項目。
根據openrouter統計，截至4月13日的一周，全球大語言模型token（詞元）消耗量榜單中，deepseek-v3.2模型消耗量1.28萬億，排名全球第二，僅次於anthropic旗下的claude sonnet 4.6模型，但前者的輸出價格只有後者的約1/12、輸入價格只有1/40。
這意味著，一旦其模型在非cuda體系上運行成熟，其所帶來的不僅是技術驗證，更可能是開發者行為的改變。對於開發者而言，是否遷移，並不完全取決於底層架構使用習慣，還取決於模型是否足夠好、成本是否足夠低。
這也正是開源路徑的魅力所在。與閉源模型不同，deepseek的技術路線、運算元實現以及工程經驗，都可以被其他模型廠商和硬體廠商復用。一旦這種路徑被證明可行，其擴散速度可能遠快於單一公司的技術突破。
因此，與其說deepseek正在衝擊英偉達，不如說它正在打開一道裂縫。這道裂縫短期內不會動搖英偉達的主導地位，但如果越來越多的模型廠商開始在訓練階段嘗試非cuda、非英偉達路徑、如果越來越多的開發者開始適應新的工具鏈，那麼英偉達長期建立的軟體壁壘，可能會慢慢垮塌。
當然，這一過程仍然充滿不確定性。但可以確定的是，隨著國產模型和晶元的探索，ai時代的競爭，正在從誰的a100更多、更高端，逐步轉向誰能構建更完整的軟硬體體系。
封面來源：ai生成
參考資料
暗涌：《瘋狂的幻方：一家隱形ai巨頭的大模型之路》《deepseek 創始人專訪：中國的 ai 不可能永遠在跟隨，技術創新永遠是第一優先順序》
晚點latepost：《v4 發布前的 deepseek：特質、組織和梁文鋒的獨特目標》
appso：《deepseek，該卸下掃地僧的枷鎖了》
財經ai湃：《沉默了五個月的deepseek，在被期待什麼？》
21世紀經濟報道：《黃仁勛首度回應deepseek衝擊！英偉達暴跌系投資者誤解》
thenextweb: <nvidia』s huang warns deepseek running on huawei chips would be 『horrible』 for the us>
the information: <deepseek』s new ai model will be a victory for huawei>
tomshardware: <deepseek's ai breakthrough bypasses industry-standard cuda for some functions, uses nvidia's assembly-like ptx programming instead>
reuters:<deepseek withholds latest ai model from us chipmakers including nvidia, sources say >
【版權聲明】所有內容著作權歸屬鏡相工作室，未經書面許可，不得轉載、摘編或以其他形式使用，另有聲明除外。
