自主还是兼容：DeepSeek V4延期背后的中国AI生态选择题

文 | 孙永杰

进入到2026年，DeepSeek V4的发布窗口一再推迟，却意外点燃了全球AI圈对“去CUDA化”的讨论。而从多家媒体的报道看，这款预计参数规模达万亿级、支持百万token上下文的多模态开源模型，正全力适配华为昇腾芯片，并通过CANN框架完成核心代码重写。

如果上述最终成为现实，这将是中国AI体系第一次在真实生产环境中，系统性探索在非CUDA平台上承载核心模型能力的可能性。换言之，这不仅是一款模型的发布，更像是一场底层技术路线的“压力测试”。

然而，正如DeepSeek创始人梁文峰在内部沟通中强调的，这只是“万里长征的第一步”。未来风险与机遇并存，兼容与自立之间的平衡，甚至取舍，将决定中国AI能否真正走出属于自己的发展之路。

DeepSeek V4延期，基础AI计算平台转换的必然代价

如前述，原计划在今年农历新年或2—3月发布的V4，一再错过窗口，直至4月初相关媒体确认“数周内发布”，究其原因，是推理端与采用华为昇腾芯片的深度适配。但问题在于，这条路径远比想象中复杂。而要理解这种复杂性，首先需要回到DeepSeek V4本身的技术特征。

众所周知，进入2026年，大模型参数规模已经跨越“万亿”门槛，向数万亿级迈进。在这一背景下，虽然V4采用更为激进的MoE（专家混合）架构，在理论上通过“按需激活专家”降低单次推理计算量，但代价则是对包括内存带宽、芯片间互联（Interconnect）以及KV Cache管理等的系统能力提出了更极端的要求。

换句话说，算力压力从“纯计算”转向了“系统调度与通信”。而在在英伟达生态内，这套问题有相对成熟的解法。

例如基于H100或B200，通过NVLink与NVSwitch构建的高带宽互联，其单节点GPU间带宽可达TB/s级别，形成近似“全连通”的计算网络，数据在芯片间流动如同高速公路，延迟与同步成本被极大压缩。但当DeepSeek试图将这套精密体系迁移至华为昇腾平台时，面对的却是完全不同的硬件拓扑。

不可否认，昇腾芯片近年来进步显著，但在超大规模集群的“全连通能力”上，与英伟达仍存在物理层差距。例如，受制于制程与SerDes IP能力，昇腾更多依赖光模块进行跨节点扩展，这种“以空间换带宽”的方案虽然可行，但也引入了更长的物理链路，从而带来信号延迟、同步开销以及功耗与散热管理等的复杂性。

与此同时，软件层面的差距同样不可忽视。昇腾的CANN框架在算子覆盖、自动并行、内核融合以及分布式通信调度等方面，整体成熟度仍落后于CUDA生态。这意味着，DeepSeek工程团队需要在大量底层细节上进行针对性优化，甚至手动重写关键算子。

更棘手的是，这种落后往往不是线性，而是系统性的。具体表现为一个算子的性能下降，可能影响整条计算链路；一次通信效率的降低，可能导致整体吞吐大幅波动。最终的结果可能就是模型尚能运行，但距离稳定、高效、可规模化还有很长的距离。

从这个角度看，DeepSeek V4的延期，并非简单的产品节奏问题，而是中国顶尖算法团队与国产芯片体系之间深度磨合的必然代价。虽然过程艰难，却意义重大。

更重要的是，这一过程释放出一个清晰信号，即AI竞争，正在从“模型能力比拼”，转向“系统工程能力比拼”。而在这一阶段，谁能更快把模型“跑起来、跑稳定、跑便宜”，谁才真正接近产业级优势。

CUDA垄断难破，CANN无奈妥协

如果说上述DeepSeek V4在推理侧的适配困难，揭示的是工程层面的现实瓶颈，那么顺着这个问题往下追问，一个更本质的疑问也随之浮现：为什么只是把模型从一个算力平台迁移到另一个平台，会变得如此困难？

回看PC时代的Wintel联盟，微软与英特尔虽然联手垄断，但两家公司之间存在利益博弈，这为后来Linux、AMD乃至苹果系统的崛起预留了空间。然而，英伟达在AI领域建立的是一种“单体垂直垄断”，即微软与英特尔的合体。

具体体现为，硬件层面上，英伟达定义了SM（流式多处理器）的物理结构和Tensor Core的计算逻辑；软件层面上，CUDA提供了与之1:1完美契合的cuBLAS、cuDNN等闭源库。二者叠加导致了一个极其恐怖的现实：全球600万+的开发者围绕cuBLAS、cuDNN、NVLink/NVSwitch优化算法、框架（PyTorch、TensorFlow）优先CUDA实现，甚至AWS Trainium+Cerebras WSE的“反NVIDIA”异构集群，在KV缓存迁移时仍需NVIDIA NIXL软件和AWS EFA。

由此可见，这已不是单点的技术细节，是生态锁定，即模型可移植性失效前，开发者“用英伟达硬件特性语言思考”已成为惯性。而正是这种生态惯性，让英伟达像一个巨大的黑洞，吸纳了全球90%以上的创新红利。

在上述背景下，作为其最强有力竞争者的华为CANN最初确实试图走一条相对独立的路线，但随着大模型时代的到来，这种路径逐渐显露出问题，例如开发者不愿迁移，企业不敢承担风险，生态增长缓慢。加之时间（例如大模型的快速迭代）的压力，完全自立的路径开始变得不再现实。

基于此，CANN逐步引入类似CUDA的抽象层设计，例如在CANN Next中尝试对标cuBLAS、cuDNN接口，实现高比例兼容，使模型迁移成本从“数周甚至数月”压缩至“小时级”；在架构层面，新近发布的950PR异构架构（预填充/解码解耦）也刻意模仿英伟达解耦式服务，而非谷歌TPU的彻底异构路线。

我们必须承认，这种近似于“兼容优先”的策略在短期内是成功的，它降低了门槛，使昇腾迅速在国内市场获得应用基础，并让像DeepSeek、腾讯、字节跳动等这样的公司能够以较低的门槛尝试国产算力。例如CANN Next通过SIMT编程模型实现高达95%以上的CUDA兼容性，已帮助多家企业将迁移时间大幅缩短至小时级，加速了实际落地。

但随之而来的挑战是，一旦涉及前沿创新，兼容层就会变成“天花板”。

例如当开发者真正深入使用昇腾平台时会发现，虽然常见路径已经被铺平，但一旦涉及一些冷门、创新的底层算子，CANN的支持度就会下降，性能抖动剧烈。而DeepSeek V4在适配过程中遇到的诸如在尝试引入SSM（状态空间模型）或Mamba这类非Transformer结构的混合架构时，发现CANN的底层优化仍主要向矩阵乘法（GEMM）倾斜的所谓困难，很大程度上是因为其在尝试一些超越常规的算法优化时，撞到了CANN兼容层的“边界”。

而更深层的问题在于，一旦选择兼容，就意味着默认CUDA仍然是隐形标准，你可以替换硬件，但在软件语义和开发范式上，仍然在沿用对方定义的规则。这既是捷径，也是限制。

兼容存隐患挑战，未来机遇仍需真正自立

如前述，在CUDA生态形成事实标准的现实下，华为选择“类兼容”路径几乎是必然结果，但同时也将整个中国AI产业推到了一个关键性的选择节点：是继续兼容CUDA，还是逐步走向真正独立的生态体系？

从短期来看，答案几乎没有悬念，那就是必须兼容，这是效率与现实的选择。但从长期来看，这条路径则隐藏着不容忽视的风险。

众所周知，当一个系统（如CANN）为了兼容另一个系统（如CUDA）而设计时，它不可避免地会继承对方的局限性。

事实是，目前全球大部分开源算法都是围绕英伟达架构开发的，如果为了利用这些存量资产而一味追求1:1兼容，那么我们就会在硬件设计上陷入“模仿者陷阱”，并表现为一旦英伟达的硬件架构在未来某个节点面临范式转型，例如从Transformer转向某种不需要大规模矩阵乘法、而是更依赖异步逻辑的新架构时，那么一直处于“影子状态”的国产算力栈可能会面临瞬间的技术断层，而这种“Bug对Bug兼容”的死胡同，无疑让我们的底层创新始终笼罩在别人的阴影之下。

而更深层的风险在于“时间差”。根据伯恩斯坦和Epoch AI的统计数据，虽然华为在国内份额激增，但在全球AI算力总量中，国产芯片的占比仅为5%，仍属相对有限。而正是这种绝对规模的差距，导致了严重的“研发效率摩擦”。

具体表现为，美国AI巨头可以利用Blackwell强大的通信带宽，在18个月内跑通10T参数的Scaling Laws，而中国的顶尖人才却不得不将50%以上的科研产能消耗在“如何解决老旧芯片的信号衰减”和“适配不成熟的编译器”等问题上。

需要说明的是，上述时间上的错位，在瞬息万变的AI时代会被无限放大。当我们的人才还在忙于“填坑”时，对手可能已经完成了模型能力的指数级复利，导致对手一年模型的领先，演变为我们在模型能力、数据飞轮、安全对齐均呈指数复合增长叠加后，与对手形成不止一年的鸿沟。

当然，挑战往往蕴含着机遇。DeepSeek V4若成功发布，将证明“国产全栈”可行性，加速CANN生态成熟，吸引更多开发者跟进，加之全球“天下苦英伟达久矣”的情绪，业内对CANN的支持或将超出预期。而华为昇腾等后续芯片若达H100的80%—90%推理性能，叠加CANN Next的兼容红利，中国AI供应链临界规模有望在1—2年内形成。

但需要清醒认识的是，兼容只能解决“活下来”的问题，真正的自立，才能决定“走多远”。而未来3-5年，将是一个关键窗口期。如果我们能够在保持兼容的同时，逐步建立独立的编程模型、算子体系与系统架构，中国AI生态仍有机会实现从跟随到定义规则的跃迁。否则中国AI或将陷入“粗糙复制列车”的轨道。

写在最后：DeepSeek V4的延期发布，看似偶然的“跳票”，实则揭示了一个更深层的现实，即AI竞争早已不只是模型之争，而是底层生态与系统能力的全面较量。兼容CUDA固然是通往现实的最短路径，但若止步于此，也可能锁定未来的天花板。

所以真正的挑战，不在于能否替代一套技术，而在于能否摆脱对既有范式的依赖，构建属于自己的规则体系。而接下来的3-5年，将决定中国AI是成为全球生态中的重要一极，还是长期停留在“高水平跟随”的位置。当然，在追求自立的同时，也需警惕封闭生态可能对全球开发者吸引力的潜在影响，以确保生态的开放性和长期国际竞争力。