昇騰

ChainCatcher 消息，《The Information》調查韓國高端存儲晶片走私鏈，並採訪到一名 20 多歲的深圳經銷商。他原本在晶片公司工作，靠積累的人脈轉行做晶片黑市生意，入行僅 3 年，如今已一身名牌，每天忙著給買賣雙方牽線。美國從 2024 年底開始限制向中國出口先進高帶寬存儲器 HBM，但規則留下漏洞：HBM 單獨出口受到限制，若與處理器封裝在一起，就可能改按處理器算力判斷是否觸及管制紅線。一名 40 多歲的走私商控制了一家晶片設計公司，專門設計便宜且性能較差的伺服器處理器。這些晶片少有人購買，卻被用作採購韓國高端 HBM 的幌子。封裝廠把三星、SK 海力士的 HBM 與這些處理器裝在同一塊基板上，按低性能處理器類別申報出口。貨物經香港進入中國內地後，工坊再加熱拆下 HBM，廉價處理器則被丟棄，拆卸稍有不慎就可能把存儲器弄壞。一疊 HBM3E 在中國黑市的價格，一年前還只有幾百美元，如今已漲到約 4000 美元。一顆 AI 晶片通常需要 6 至 8 疊，僅存儲器就要花費 2.4 萬至 3.2 萬美元。部分存儲器最終流向華為客戶。華為下一代昇騰 960DT 計劃於 2027 年第一季度推出，但國內 HBM 供應不足，華為已要求部分客戶自行採購存儲器。模仿者增多後，上述負責從韓國採購晶片的走私商打算明年賣掉公司控股權，擔心路線擴散後引來韓國和美國監管部門嚴查。

ChainCatcher 消息，据《科創板日報》11 月 3 日報導，記者從多名產業鏈人士處獲悉，人工智慧公司 DeepSeek 下一代大模型 DeepSeek V5 計畫基於華為昇騰晶片進行訓練。此前，昇騰晶片主要用於 DeepSeek 大模型的推理任務。報導稱，今年 9 月底，DeepSeek 開源了面向華為昇騰算力平台的基礎設施組件，涵蓋 TileLang 高級語言編譯工具、計算庫和分佈式通信庫，且與此前面向英偉達平台的開源組件一一對應。該報導由《科創板日報》記者黃心怡撰寫。

ChainCatcher 消息，半導體研究機構 SemiAnalysis 公布華為昇騰 950PR 實測結果。該機構選取 1055 組大模型常用矩陣計算，華為自己的底層程序已讓 950PR 發揮自身可達算力的 86%，高於英偉達 H100 的 75.5%；實際運算速度仍只有 H100 的 43%，相對更新的 B300 只有 21%。這組成績尚未用上 DeepSeek 新移植的算子。DeepSeek 正從軟體側減少數據搬運和等待。注意力計算中，FlashMLA 調整存儲後，原本需分別讀取的兩份數據可一次取齊；TileLang 可讓晶片邊計算邊預加載下一批數據。SemiAnalysis 實測，自動調度使部分小型計算任務耗時最多減少約 40%。DeepSeek 還移植了負責 MoE 專家通信的 DeepEP，但通信與計算仍會爭搶記憶體帶寬，華為計劃繼續改進固件。去年 DeepSeek 嘗試用華為昇騰晶片訓練 R2，華為工程師駐場協助也未能跑通，問題涉及晶片穩定性、跨卡通信和軟體支持。今年雙方繼續合作，9 月底 DeepSeek 集中公開六套昇騰適配代碼，10 月又傳出華為正按 DeepSeek 的模型需求調整下一代晶片設計。此次測試的 950PR 主要面向推理輸入處理，DeepSeek 準備最快年底用於大規模預訓練的是 950DT。此前雙方已做千卡級測試，但要讓上萬顆晶片連續完成一輪大模型訓練，仍需解決更複雜的協同和穩定性問題。

ChainCatcher 消息，MiniMax 於 10 月 23 日宣布開源 MiniMax M3.1 Flash 模型權重，總參數 428B，激活參數 23B。相較於上一代 M3 模型，M3.1 Flash 的模型能力實現全面提升。據官方數據，該模型上線後 72 小時內，真實用戶處理 Token 數量超過 100 萬億。技術層面，M3.1 Flash 通過全模型稀疏注意力、量化感知訓練（QAT）及 Power-aware scheduling 等優化提升推理效率。生態方面，MiniMax 與華為昇騰、平頭哥、昆侖芯、摩爾線程、壁冉、海光、沐曦、天數、NVIDIA、AMD 等芯片廠商，以及 Together AI、Fireworks、Nebius、Baseten、Modal、DigitalOcean 等雲平台合作推進開源首日接入。vLLM、SGLang、智源 FlagOS 及 Hugging Face、魔搭等社區同步支持模型在不同芯片與開發環境中的部署。

ChainCatcher 消息，DeepSeek 宣布全面開源其內部推理框架 DeepInfer，並同步開源生產級 Token 編解碼組件 deepseek-recipe。DeepInfer 集成高性能算子與深度優化推理引擎，支持分佈式推理、推測解碼、SWA Bounded Replay 及結構化輸出，兼容英偉達與華為昇騰平台。DeepSeek 表示，已基於 DeepInfer 實現 DeepSeek V4.1 Flash 的高吞吐、低延遲大規模推理服務，未來新模型的推理代碼及優化也將在此持續更新。deepseek-recipe 與 DeepSeek 官方 API 處理邏輯完整對齊，旨在確保社區獲得與官方部署一致的體驗。開源倉庫及技術報告已同步發布。

ChainCatcher 消息，据 The Information 報導，DeepSeek 正與華為展開深度合作，共同設計下一代 AI 芯片，旨在構建不依賴英偉達算力的模型。知情人士透露，華為工程師已進駐 DeepSeek 辦公室，以了解其模型架構及算法需求，並測試芯片如何處理數據傳輸與壓縮，首款適配芯片目標為昇騰 950DT。報導指出，此舉正值中國推動擺脫對美國芯片依賴之際。受限於台積電代工及美國出口管制，華為昇騰 950DT 雖計劃於 2027 年發布，但量產可能推遲至 2028 年。為解決芯片短缺問題，DeepSeek 正採用 TileLang 程式語言繞開 CUDA 限制，同時仍在嘗試通過第三方數據中心獲取被禁的英偉達 Blackwell 芯片。此外，DeepSeek 正在組建芯片團隊，並已開始測試超 1000 個處理器規模的集群。

ChainCatcher 消息，人工智慧公司 DeepSeek 正式開源面向華為昇騰算力平台的基礎設施組件，涵蓋 TileLang 高級語言編譯工具、計算庫和分佈式通信庫，並與此前面向英偉達平台的開源組件一一對應。TileLang 旨在提供通用、編程更簡單且能達到硬體性能上限的高級語言，相對 CUDA 可提高開發效率並簡化邏輯，其編程模型也可發揮晶片特性。TileLang 路線先在英偉達平台驗證，並已承載 DeepSeek V4 系列模型訓練中大部分算子的實現。本次開源的昇騰版本對昇騰 Ascend C 底層指令進行封裝，在不損失硬體性能的情況下提供高級語言編程方式。目前，DeepSeek 訓練中用到的每一個 TileLang 算子，在昇騰上都有對應的高性能實現。同期开源的組件還包括 DeepGEMM、DeepEP、TileKernels、FlashMLA 和 DeepSelect，分別用於通用矩陣運算、大規模跨設備通信、常規向量計算與訪存、長上下文稀疏注意力以及數據篩選。DeepSeek 稱，多項關鍵測試中相關計算與通信性能已接近硬體上限；研發過程中華為團隊給予支持，雙方合作推進基於昇騰 950 的 128 卡超節點方案，並對計算與通信做了深度優化。

ChainCatcher 消息，華為輪值董事長汪濤在華為全聯接大會 2026 上表示，昇騰 960 晶片提前就緒，實現性能翻番。其中，昇騰 960DT 將於 2027 年 Q1 發布，比原計劃提前三個季度；昇騰 960PR 將於 2027 年 Q3 發布，比原計劃提前一個季度。汪濤稱，後續將堅持一年一代的演進節奏，昇騰 970 計劃 2028 年發布，昇騰 980 計劃 2029 年發布。

ChainCatcher 消息，据路透社 9 月 10 日獨家報導，中國 AI 晶片製造商因高帶寬記憶體短缺而大幅提價。華為將昇騰 950DT 加速卡指示價格上調至超過 25 萬元人民幣，較兩個月前報價上漲 20% 至 50%。寒武紀將其計畫中的 690 晶片指示價格上調 20% 至 30%，沐曦和天數智芯也有類似漲價。報導稱，原因包括美國出口管制及灰色市場高帶寬記憶體供應推高成本。華為較早代產品如昇騰 950PR 和 910C 價格亦上漲約 30%。上述漲價增加了中國 AI 算力建設成本。華為、寒武紀等公司未予置評。

ChainCatcher 消息，据彭博社 9 月 4 日報導，人工智慧公司 DeepSeek 計劃在內蒙古建設的大型數據中心部署至少 16 萬顆華為技術公司頂級加速器，可能形成已知最大的華為 AI 晶片集群之一，並推進中國替代英偉達的努力。DeepSeek 擬使用華為下一代昇騰 950DT 晶片運行其模型，安裝時間表取決於華為的生產能力。知情人士稱，該公司目前不計劃用 950DT 晶片進行訓練，儘管華為將這些處理器設計和行銷用於更苛刻的訓練功能。DeepSeek 此前曾嘗試用華為晶片訓練模型，但迄今仍依賴英偉達加速器完成這一關鍵步驟。

ChainCatcher 消息，研究機構 Delphi Digital 發文稱，硬體限制推動中國實驗室轉向更便宜的模型和更高效技術棧。出口管制限制其獲取先進芯片，國內加速器可處理推理，但前沿訓練仍難以實現。中國實驗室在系統效率、模型架構、訓練數據和強化學習上創新，DeepSeek 找到避免 GPU 閒置的數據移動方式，字節跳動和 Moonshot 數月內發布類似版本。架構上訓練轉向適配國產芯片的更便宜數字格式，稀疏架構減少每 token 運行量，注意力機制經三次重新設計以控制長上下文內存成本。數據方面通過更密集預測目標和更好優化器提升每 token 學習信號。強化學習上 DeepSeek 的 GRPO 成為默認配方，字節跳動、阿里巴巴和 MiniMax 一年內各自推出繼任方案。中國模型現屬成本最低的前沿相鄰系統。在 OpenRouter 上，中國開發模型周 token 消耗占比從 2024 年底不足 1.2% 升至 2026 年多數。中國 AI 市場 2024 年至 2026 年初經歷價格戰，多家實驗室隱含收入倍數約 47-117 倍，Anthropic 和 OpenAI 約 15-21 倍。華為昇騰芯片目前可用於推理，DeepSeek 據稱曾嘗試在昇騰上訓練 R2 但遇技術問題後回歸 NVIDIA。國內加速器供應仍低於預估需求。