文 | 镜相工作室，作者 | 黄依婷，编辑 | 卢枕 😀文 | 镜相工作室，作者 | 黄依婷，编辑 | 卢枕 🎉9月，国内入秋，气温骤降，英伟达重回中国市场的步伐也有些凝滞😁。 两个月前，仲夏之时，英伟达创始人黄仁勋穿着皮衣落地🔥北京，带来H20芯片在中国市场“解禁”的消息。但没过多久，又😴传来H20停产的风声。 作为中国市场定制的“特供芯片”🤗，H20深陷“后门”疑云，被质疑“既不安全也不先进”，市场需🔥求疲软。不愿意放弃中国市场的英伟达，计划推出性能更强的B30👍A芯片，以技术优势重建市场信心。 H20禁售加上“后门🌟”疑云，英伟达的空窗期成了国产厂商补位的良机。这半年来，华为🤔、寒武纪等大力推广自家芯片，在政务云等领域市占率飙升，一些科😊技大厂也开始批量采购国产芯片。 在黄仁勋的最新访谈里，⭐他提及中国在AI芯片上落后两三年的说法，驳斥说：“得了吧，他👍们只落后我们几纳秒。”话里话外流露出一种迫切，希望美国放开管🌟制，让英伟达重回中国。 眼下，英伟达回归遇阻，腾出来的😍市场空白，都有哪些国产AI芯片厂商竞逐？谁有机会率先取代H2😊0？国产AI芯片厂商追赶英伟达的路上还有哪些阻碍？ 谁🚀在竞逐英伟达的遗留市场？ 过去，大多数公司采购算力芯片😀时，首选必定是英伟达。从生成式AI爆发至今，英伟达GPU凭借🙌卓越的性能、稳定的驱动和完善的CUDA生态，筑起强大的护城河👍。 据TechInsights数据，在GPU市场，20😂23年全球应用于智算中心的GPU总出货量达到了385万颗，其😎中，英伟达的市场份额接近98%。 垄断性的市场地位，使😢英伟达成为压在国内外科技大厂心头的大山。在国外，微软、谷歌、😘亚马逊都在一边狂买英伟达芯片，一边自己造芯；而在国内，受限于😁政策禁令，AI公司无法获得先进的英伟达芯片，随时面临断供风险😘，只能寻找国产替代方案。 好消息是，英伟达留给国产厂商😂的空间足够大，能容纳多家公司同场竞逐。 今年二季度，受😍禁售H20影响，英伟达中国区营收只有27.69亿美元，比去年⭐同期的37亿美元下降24.49%。去年全年，英伟达中国区营收👍171.08亿美元。业绩会上，黄仁勋也预测中国市场年增长率大😜约50%，光今年就可能有500亿美元的商机。 这数百亿🎉美元的市场，英伟达目前只能干着急。在三季度的业绩指引上，英伟😴达没有假设任何对华出口H20的情形，而这也是中国公司的好机会🔥。 在竞逐H20遗留市场的公司里，最被看好的公司是华为😴和寒武纪。 从单卡性能来看，华为昇腾910B/C，算力❤️已超过英伟达H20。除华为外，据行业自媒体“半导体综研”整理😅，FP16算力能达到300TFLOPS（每秒万亿次浮点运算）🙄以上的国产芯片，只有寒武纪的思元590；壁仞科技在2022年😍推出的BR100，其FP16算力能达到1024TFLOPS，👏但因受到制裁无法量产。其他如百度昆仑芯、阿里平头哥、摩尔线程🚀等自研主流产品都已经接近H20水平。 展开全文 🤯当然，国产芯片的目标不是阉割过的H20，最先进的国产GPU依😂旧落后英伟达最新产品两代，算力差距约落后3倍。但至少，逐渐替🤗代昂贵但不先进的H20已经具备可行性。 除了技术追赶上😆来，外部环境也在变好，发展国产算力的政策扶持不断，互联网巨头🙌和运营商们纷纷加码算力资本开支，为国产AI芯片打开了市场空间👍。 今年以来，国内AI芯片厂商业绩突飞猛涨。短暂成为A🤗股“股王”的寒武纪，今年上半年收入28.81亿元，同比暴涨了🤩4348%，首次扭亏为盈，净利润10个亿。 华为的大单🔥也源源不断。据行业调研报告，今年昇腾910B全年计划出货约4⭐0万颗，客户主要是运营商和地方算力中心；910C计划出货30😆万颗，以互联网大厂为主。不久前的华为全联接大会上披露，华为新😊推出的CloudMatrix 384超节点累计部署300多套😀。 阿里平头哥、百度昆仑芯这两家互联网巨头旗下的芯片公😁司，也有着稳定的内部需求和丰富的应用场景，在充沛的资金下能够🙌快速迭代产品，再反哺互联网大厂的云计算和AI业务；摩尔线程、🚀沐曦股份、壁仞科技等新锐也在参与市场竞逐，这些创业公司在技术😀创新、兼容性设计、市场定位上以灵活见长。 摩尔线程在其😘IPO报表中披露，2025年上半年营收7.02亿元，正在洽谈😊的AI智算领域合同超过17亿元，其还与中国移动签署过万卡级合😍作项目，封装订单规模超10亿元。 沐曦股份也曾连续中标👏两份AI训推一体机大单，金额达14.88亿元；截至2025年😡8月，其在手订单（不含税）为11.4亿元，客户涵盖新华三、算⭐丰、汇天网络等。 拿下订单意味着国产AI芯片进入到技术😍迭代和商业变现的良性循环中。摩根士丹利在其最新报告《中国人工😴智能：沉睡的巨人觉醒》中预测，在外部压力下，中国已全力迈向完😴全独立，并正在以比预期更快的速度构建自给自足的生态系统，中国😉人工智能芯片自给率将从去年的34%飙升至2027年的82%。😀 模仿英伟达，还是另走一条路？ 追赶英伟达，在一🤩两年以前还是遥不可及的事情。 摆在国产厂商面前的有几座😘难以逾越的大山：制程优势、供应链稳定性、软件生态。 即😡便是最先进的国产AI芯片，与英伟达的最新产品都有两代的差距，🤔昇腾910C单卡BF16算力只相当于英伟达GB200单卡的3😉1%。根本原因在于制程落后——华为只能用中芯国际的7nm多重😍曝光工艺（近似7nm但良率很低），但英伟达可以用台积电的3n❤️m工艺。 国产厂商也面临着供应链不稳定的问题，台积电的😴良率高达80%，产量稳定，成本可以随着产能爬坡不断降低，而中💯芯国际7nm工艺良率只有30%多。另外一个风险是，地缘摩擦对🔥芯片行业的影响不确定，比如壁仞科技的高端芯片BR100由于台❤️积电中止代工，迟迟无法量产。 制程问题还可以找到替代方👍案，但软件生态没有英伟达十几年的积累，很难在短时间内追赶。国😴内某机器人公司CTO王枫告诉我们，使用GPU产品最重要的是考😁虑工具链的完整性，比如GPU之间的互联技术、框架的兼容性、并😉行计算的编程模型平台。这恰恰是英伟达耗时十多年筑起的高墙。 🎉 英伟达生态核心是CUDA，它就像底层的Windows操❤️作系统，全球有400多万开发者为它构筑加速库、主流框架和大模😊型，但CUDA只能在英伟达芯片上使用，迁移到其他芯片上就要重🙌写代码，光人力和测试成本就高达数千万元。 因此，生态是😡英伟达最大的底气。以被阉割的H20为例，英伟达降低了H20的😘算力，只有H100的15%，但是保留了HBM3显存和NVLi😜nk技术，就是想用“低性能+强生态”稳住市场地位，让中国公司😍买更多卡来满足需求。 在硬件性能、软件生态和供应链都落😜后的情况下，国产厂商根据自身能力和市场需求，走上了不同的追赶🚀路线。 华为是受限最多的一家，但自身有着非常好的产业基👍础和技术能力，因此选择了“全栈自研”，从芯片、软件、协议到服😘务器、交换机、存储等，全部自己做。 制程被卡脖子，华为😡就把两颗910B芯片封装在一起使算力翻倍；HBM存储技术被卡🤯脖子，华为就自研HBM；卡间互联速率慢，华为就研发对标NVL😉ink的灵衢UB。这些系统级的优化创新避开了制程限制，解决了🤗单卡算力差的问题。 质量不够，数量来凑。沿着这个思路，😊把很多芯片、内存、网卡像“拼乐高”一样堆叠在一起，用高速线缆⭐传输数据，就是华为推出的“超节点技术+集群战略”，代表性产品😆CloudMatrix 384超节点集群，BF16算力总和超🌟过了英伟达NVL72系统。 华为也在培育生态。想让人用🙌自家的芯片，就得让黏性超高的CUDA开发者和应用厂商迁移过来😡，这需要分两步，第一步是让自家芯片可以兼容CUDA，第二步是😎向他们提供基于自家生态的工具和框架。 华为推出的异构计⭐算架构CANN对标CUDA，已经能兼容80%的CUDA AP😉I，支持85%的CUDA算子自动转换，但转换后性能会损耗15😆%-20%；CANN还能兼容PyTorch、TensorFl🥳ow这些主流框架，华为也自研并开源了MindSpore全场景😉人工智能计算框架，开放灵衢互联2.0协议规范，试图吸引更多开🥳发者共同完善生态。 华为做“大而全”，一边模仿一边自研😢，多数国内厂商则只能做“小而美”，从垂直、细分市场切入，要么😀兼容英伟达，用性价比撬动客户，要么针对特定需求做定制芯片。 🤯 国产厂商最常见的一种做法是“NV兼容”，通过中间件把现👏有CUDA代码映射到国产芯片指令集，让硬件“听懂”开发者的意😅图。芯片使用者可以在不大幅重写代码的前提下，把工作任务迁移到😴国产芯片上运行，降低了使用和切换的门槛。这种做法是市场导向，❤️先靠模仿打开市场，站稳脚跟，让自己活下去，后面才有机会发展自👍己的生态。 昆仑芯和华为都在验证类似方案，且在一定程度😉上获得了市场认可。2025年8月下旬，中国移动2025年至2😀026年人工智能通用计算设备（推理型）集中采购项目中，百度昆😀仑芯在“类CUDA生态”标包中几乎包揽前三个分项的头名，总中🙄标订单规模达到十亿级。 做定制芯片的佼佼者是寒武纪。与😆英伟达所做的通用GPU不同，寒武纪的AI芯片属于ASIC（专🤩用集成电路），可以应用于云服务器、边缘计算设备、终端设备上，😜在对延迟、功耗和成本敏感的场景中，展现出更高的性价比。 😊 不管是兼容模仿，还是全栈自研，都是在用自己最优势的能力，在🔥英伟达的夹缝里寻找突破口，这条路注定坎坷。 追赶英伟达😜，是漫漫长路 硬件和软件都在缩小差距，但要让市场相信国😴产厂商的产品可用，是一个极其艰难的过程，尤其对那些已经使用英🙄伟达芯片的开发者。 一个已经在英伟达GPU上训练好的大😜模型，要搬到国产AI芯片上运行，中间有两道坎。 第一道😆坎叫算子对齐。过去十几年，英伟达和全球开发者用CUDA写下了😡海量的算子库。要迁到国产芯片上，就得把一个个算子翻译成国产芯🤯片能听懂的语言。这不是简单的复制粘贴，而是成千上万条代码的“🥳逐句翻译”，需要大量人力和时间。 第二道坎是分布式重构😊。大模型训练常常需要几百上千张卡一起算，英伟达有自己成熟的沟🤔通协议，H20的NVLink带宽是昇腾910B的2.25倍，🤔训练万亿参数大模型时，多卡协同效率能高10%-15%。这在千😘亿级模型训练里，可能差好几周时间。 有机器人开发经历、🎉目前正从事芯片研发工作的张振尧表示：“在迁移顺利的情况下，芯🙄片硬件性能能发挥到70%到80%；如果算子勉强适配，可能只有😂30%到40%。”这也是为什么即便国产芯片在参数表上标注的性😡能比肩英伟达，真正跑起来却常常不如预期。 王枫的经验印😅证了这一点。他所在的机器人公司曾经长期使用英伟达GPU，从4😂090、5090到H100、H20都有涉猎。两年来，随着英伟😡达芯片价格高企、获取困难，他们开始尝试华为昇腾的云端算力。 😂 真正让他焦虑的，并非单纯的硬件，而是新平台、新架构带来❤️的不确定性。英伟达CUDA深度绑定在硬件里，几乎所有主流的机😴器学习框架都得跟它打交道。比如开发者们常用的PyTorch，🤯对CUDA的支持是最全面的，两者无缝衔接，用起来又快又稳定。😜 王枫曾尝试用华为芯片跑Llama等比较流行的几个模型🤔，几乎每个模型都需要华为单独适配后才有可能在它的芯片上运行，🤩这直接导致模型更新滞后。华为芯片目前只适配了160多种模型，😆而在英伟达的芯片上可以直接跑几万种模型。 华为分别推出👏了对标产品，但在王枫看来，如果没有明显的优势和终端市场需求，👍这些产品很难撬动市场。这就像平面设计师对Photoshop、🚀会计师对金蝶软件的依赖，几十年如一日，已经固化成行业习惯，不😊是所有人都会学习新技术，能学习的也会考虑到机会成本。 🌟中小开发者考虑易用性，对于大公司，整体迁移的成本更是天价。互😜联网大厂现有的算力基础设施大部分是基于英伟达架构，要是全换成🤗国产，IDC的供电系统、网络拓扑等底层架构都得改造，改造成本😎能达到硬件采购价的2-3倍。 由于CUDA生态更成熟，🙄英伟达集群的运维人力成本也要低很多，而华为集群由于芯片制程问😀题，体积更大，规模化部署还要额外投入数倍的散热、电力和机房空😡间成本。 制程问题也造成国产芯片采购成本更高，且供不应😍求。但由于H20的安全问题和断供风险，国产芯片to G需求很👏大，to B的需求也在增长，迁移是不得已的事情，厂商和客户需🤗要共度时艰。 相比技术和生态上短时间难以弥补的巨大差距😜，国产厂商更容易发力的地方，是周到的服务和更有吸引力的价格。🥳 张振尧回忆，使用英伟达芯片时，遇到问题只能从开发者论👏坛、社区的公开文档找答案，很难获得官方工程师的支持，“英伟达😢的支持体系是很成熟的，但同时也是分层的，不对我们这样的小客户🤯开放”。 相比之下，和国产芯片供应商接触时，他能直接和👍原厂工程师反馈问题，对方会派两三个工程师和他们一起去调试，有👏时候还会拉会，出新的版本给他们做测试，愿意为客户解决一些问题❤️。他说，这在英伟达是不可能发生的。 算力芯片研发人员唐🔥诗（化名）也有类似感受：“国内芯片卖出去，基本都得有工程师驻🥳场维护，协同客户上线业务，进行开发。”这样的故事也曾发生在华🚀为。据36氪报道，华为联合讯飞发布“星火一体机”的背后，是不🙌惜人力成本，调配了几百名工程师下场帮讯飞调校参数。 在😅不惜成本的人力投入下，一定程度上弥补了生态和性能的欠缺，让国😊产厂商撕开了一道口子。短期内，在推理场景和边缘计算方面，国产😴芯片已经展现出一定的成本优势，但在训练领域，尤其是训练千亿参🤔数以上的大模型，H20还有比较强的生态和技术优势，暂时还没法😡被替代。国产芯片还需要两到三年的技术迭代，也需要下游的封装、👏制造环节同步突围。 产业链上下游整体进步，今年Deep🥳Seek-R1模型的发布就是一个很好的例子。在这之前，大多数😉可被使用的开源模型来自美国，从底层适配开始就很难与中国硬件做🙄好兼容。DeepSeek-R1发布后，中国在模型和硬件上有了🔥同时可用的方案。 8月下旬发布的DeepSeek-V3😍.1，也针对国产芯片做了优化。不久前，腾讯也宣布已全面适配主😡流的国产芯片，并希望通过异构计算平台整合多类芯片，提供高性价😎比的AI算力解决方案。越来越多客户加入到国产芯片阵营，替代的😢速度也会越来越快。 从服务到迁移，从生态到工艺，国产A😡I芯片厂商正经历着一场艰苦的追赶战。他们没有捷径，只能靠人力🤗投入去弥补生态差距，用长期的技术迭代去对冲硬件短板，再忍受工🔥艺成熟之前的高昂成本。这是一个注定不会轻松的过程，是一次软硬❤️件、生态和市场的再造。距离真正替代H20，国产厂商们还有很长🎉的路要走。 参考资料 36氪：《围剿英伟达丨深氪😴》 新浪财经：《英伟达最新特供芯片RTX 6000D需😴求疲软，国内厂商投入自研AI芯片》 人民日报：《H20🤩芯片解禁，怎么看？》 21世纪经济报道：《从超节点到集⭐群 华为亮出AI算力全家桶》 信达证券：《DeepSe😊ek-V3.1 发布，国产 AI 芯片迎接战略性机遇》 ⭐ 东吴证券：《半导体设备行业深度：AI芯片快速发展，看好国产😜算力带动后道测试&先进封装设备需求》 华创证券：《计算❤️机行业深度研究报告：国产智算芯片，需求强劲，性能生态再进阶》😉 半导体综研：《全球主流算力芯片参数汇总、整理、对比（😉修正版）》 chosun：《China aims fo🎉r 80% AI chip self-sufficiency😀 and 30% share in humanoid rob⭐ots》 wccftech：《Morgan Stanl🤩ey Guts SMIC’s Huawei AI GPU R🤩evenue By More Than 50% Due To😁 Abysmal Yields》返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多