對於一家大模型公司來說，什麼東西最昂貴？是動輒數萬張的GPU，還是被顯卡耽誤的模型疊代時間？
近日，DeepSeek V5計劃採用華為昇騰晶片進行預訓練的消息衝上熱門。然而用國產晶片訓大模型，早就不是頭一回。早在今年6月，美團LongCat-2.0就在五萬卡國產集群上完成了從零預訓練；科大訊飛星火X2.5也確認，訓練和推理都用國產算力。那既然有人跑過，DeepSeek這次為什麼還受人關注？
小編的看法是：跑得通和跑得划算，是兩碼事。
首先，大集群不是卡堆得越多越好。MoE模型
每次處理數據，只激活一部分「專家網路」；可這些「專家網路」分散在不同晶片上，數據就得跨卡來回傳。通信一旦跟不上，卡再多也只能幹等。集群越大，故障恢復、任務調度越麻煩。這些事不顯眼，但很吃時間。
更麻煩的是軟體生態。CUDA攢了這麼多年，英偉達的壁壘遠不止單卡性能這麼簡單了。算子庫、編譯器、通信框架，以及出問題後能不能快速找到成熟的解決方案等等。都會落到最終的研發效率上。
所以，國產算力平台眼下要補的課，一是集群調度效率，二是軟體生態。DeepSeek也清楚這一點。
所以在今年9月底，DeepSeek開源了面向昇騰平台的TileLangP等基礎設施組件，相當於從底層軟體開始適配。這些事雖不如萬卡集群響亮，卻決定訓練能不能順利往下走。
畢竟，如果每家模型公司用國產晶片，都得自己拉班子重做算子、通信和訓練流程，那這個項目就算跑通了，也很難讓別人跟著用。國產算力要搶的，正是這塊市場。
因為對於真正做大模型的企業來說，支持國產算力是一回事，能不能用合理的成本持續訓練出有競爭力的模型，則是另一回事。
而這，才是DeepSeek V5接下來最值得關注的地方。
