華為 Ascend 晶片完成 DeepSeek 1.6 兆參數模型全參數後訓練，中國 AI 算力自主再進一步

中國在 AI 算力自主化上長期存在一道明顯的裂縫：推理端（inference）已有相當多國產晶片方案可用，但訓練端（training）——尤其是後訓練（post-training）——因為運算量與通訊需求遠高於推理，始終是短板。這道裂縫現在有了一個具體的突破案例。

深圳市政府在社群媒體公告，由華為、深圳環圈研究院、哈爾濱工業大學深圳校區及深圳大數據研究院聯合執行的一項實驗，成功以至少 1,000 顆華為 Ascend 910C 晶片組成的計算集群，對 DeepSeek 迄今最大的模型——擁有 1.6 兆個參數——完成了「全參數後訓練」（full-parameter post-training）。所謂全參數，意即模型整體架構全面更新，沒有透過凍結部分權重來降低運算門檻；這是技術嚴謹度的標誌，不是一個修辭上的說法。

後訓練的難度為何值得單獨拿出來說？推理只需要讓已完成的模型「跑起來」回答問題，計算路徑是單向的、相對固定的。後訓練則要求模型根據人類指令回饋、安全規則和特定任務不斷自我校正，官方公告用的比喻是：推理像是一條單行道，後訓練等於在這條路上加蓋立交橋與迴圈匝道，運算量與節點間通訊需求瞬間倍增。這對晶片間互聯頻寬、整體集群協調能力的要求，遠比跑推理工作負載苛刻。

這件事的產業意涵在哪裡？此前，包括華為在內的中國算力方案在推理端已有一定市場滲透，但「用國產晶片訓練或精調頂規大模型」的可行性，從未有過如此明確的公開驗證案例。1.6 兆參數、1,000 顆以上晶片、全參數更新——三個條件疊在一起，讓這個案例的技術份量難以被輕易否認。

對亞太市場的商業決策者來說，需要辨別的是：這是一次研究機構主導的聯合實驗，尚未等同於商業化的、可重複交付的訓練服務。但它確立了一個基準：Ascend 晶片集群在技術能力上已能承載頂級模型的後訓練工作負載。接下來的問題不再是「能不能做到」，而是「規模化部署的成本效益與穩定性如何」。這是一個質變，不是量變。

對正在評估 AI 基礎設施供應來源的企業而言，這個訊號的意義是：中國的本土算力選項，在 Nvidia 出口管制持續的背景下，正在從「退而求其次」朝「技術上有效可行」的定位移動。速度有多快、商業條件能否跟上，還需要更多數據——但方向已經確立。