国产算力已经越过「能不能用」的及格线。截至 2025 年底，全国智能算力规模达 159 万 PFLOPS（FP16），建成 42 个万卡级智算集群，以昇腾为代表的国产芯片正在大模型训练、推理与 AIGC 内容生产中批量落地。真正的机会不在芯片本身，而在场景——谁先让国产算力在 AIGC 里跑出商业闭环，谁就握住下一轮红利。
一、数据说话：算力规模与昇腾集群的「时间表」
规模增长是最直接的信号。据工信部数据，截至 2025 年 6 月底，我国智能算力规模达 788 EFLOPS（FP16）；9 月底增至 1053 EFLOPS；国家数据局《数字中国发展报告（2025）》显示，截至 2025 年底这一数字已达 159 万 PFLOPS（约 1590 EFLOPS），其中八大国家算力枢纽占全国智算规模的 80% 以上，并建成 42 个万卡级智算集群。进入 2026 年，扩张仍在继续——截至 6 月底，智能算力规模已增至 2185 EFLOPS。
芯片侧同样在换代。昇腾 910C 的公开参数为 FP16 算力 800 TFLOPS、HBM 容量 128GB、互联带宽 784GB/s；华为发布的最新超节点支持 8192 至 15488 张昇腾卡。更关键的信号来自集群：2026 年 7 月，粤港澳大湾区首个「国芯训国模」万卡智算集群在韶关发布，总投资约 55 亿元，部署 30 套昇腾 910C 超节点、合计 11520 张芯片，建成 9000P（FP16）统一智算资源池；而昇腾 384 超节点已在互联网、运营商、金融等行业商用超过 750 套。
一句话总结这个阶段：国产算力完成了从「卡脖子」叙事到「能干活」叙事的切换，接下来的问题只有一个——用来干什么最划算。
二、AIGC 场景落地的三个标志性突破
昇腾集群在 AIGC 场景的落地，可以浓缩为三个「第一次」：
训练端：万亿参数模型完成国产全流程训练。 深圳河套学院联合华为等机构，依托昇腾 910C 集群完成 DeepSeek-V4-Pro 大模型全流程训练，实现千卡集群 1500 步以上长稳运行、训练 MFU 超 30%，突破了国产算力支撑万亿级参数训练的工程瓶颈。同期，华为开源的 920 亿参数 openPangu-2.0-Flash 在 5 万卡国产算力集群上完成训练与推理。
推理端：国产芯片吃到结构性红利。 大模型产业算力消耗重心正从训练转向推理。据媒体报道，DeepSeek 采购的 16 万颗昇腾 950DT 芯片明确面向推理场景；昇腾超节点全系列已完成对 DeepSeek V4 的适配，并通过融合 kernel、多流并行与量化算法实现高吞吐、低时延部署。昇腾 910B 经算子适配后，4K 视频推理性能已接近同级别 A100。
内容生产端：AIGC 成为国产算力落地最快的赛道。 2026 年 7 月，成都智算中心联合聚算科技上线基于昇腾 910A 的 AI 视频创作平台——这是全国首例基于昇腾实现生产级影视视频生成能力的平台，AI 漫剧制作成本低至 40 元/分钟；MiniMaxH3 全模态模型也在昇腾 910A 上完成全链路适配验证。昇腾 MindIE 推理加速套件部署 Wan2.1 视频模型，可降低 40% 推理时延并支持 1080P 视频生成。
三、落地路径拆解：训练、推理、微调三张不同的牌
训练是「最难的一张牌」。 从「能跑」到「训稳」之间，隔着千卡集群稳定性、断点续训、MoE 工程化、训练 MFU 优化等一连串硬骨头。DeepSeek-V4-Pro 的突破证明路走得通，但工具链成熟度与 CUDA 生态仍有差距，训练迁移需要评估成本与周期。
推理是「最先回本的一张牌」。 量化（W8A8 精度损失可控制在 1% 以内）、PagedAttention、多 Token 预测等优化手段已在昇腾上跑通，推理成本曲线快速下探。对多数企业来说，推理是国产算力落地风险最低的入口。
微调是「中小企业的入场券」。 昇腾 + 鲲鹏的一体机方案（如「兆瀚」）支持本地化调用满血版与蒸馏版 DeepSeek 模型，已在政务、金融、医疗、数据标注等场景落地。不用自建万卡集群，一台一体机就能把国产算力装进业务。
四、机会在哪里：四个确定性方向
- 推理服务化：算力消耗结构从训练转向推理，推理 API 与云服务是最大的增量市场。谁能把昇腾集群的推理能力包装成稳定、便宜、好接入的服务，谁就吃到结构红利。
- 行业模型定制：通用大模型趋于收敛，行业垂类模型成为主战场。昇腾算力 + 行业数据 + 一体机交付，是政务、金融、医疗、文旅的确定性组合。
- AIGC 内容生产：短剧、漫剧、广告、文旅宣传是「体验敏感、适配最快」的场景。40 元/分钟的成本信号意味着，内容生产的国产算力商业闭环已经跑通。
- 算力运营与调度：全国算力设施整体上架率仅 71.4%，意味着大量算力闲置。面向中小企业的普惠算力租赁、弹性调度、算电协同，是容易被忽视但回报确定的方向。
五、不可回避的成本与风险
机会清单之外，有三个变量必须摆上台面。
迁移成本被系统性低估。 从 PyTorch 生态迁移到 CANN/torch_npu，算子适配是绕不开的工程量；不是所有模型都能「一键迁移」，迁移前必须做算子覆盖度评估。「为国产而国产」是伪需求。 政策驱动的替代会带来短期订单，但长期要靠成本与体验说话——对比要看集群有效利用率与 TCO，而不是单卡参数峰值；单卡便宜不代表批量便宜。人才是隐性瓶颈。 同时懂模型训练与国产算力栈的工程师仍然稀缺，团队建设成本常被忽略。
务实的决策顺序是：先推理、再微调、后训练；先内容生产与行业场景，再谈核心训练替代。
六、星宇智算的选择：让 AIGC 在国产算力上先跑起来
生态的落地，最终要靠一层层把场景跑通的人。星宇智算的做法，是把 AIGC 内容生产做成国产算力的「第一落点」。
作为集 AI 剧本创作、多模态画布、3D 导演工作台与专业多轨视频剪辑于一体的全流程视听创作平台，星宇智算无限画布把短剧漫剧生产拆成剧本、分镜、角色、生成、精修、合成等节点，以节点式工作流沉淀 AIGC 生产经验；其视频生成引擎面向国产算力持续适配，私有化部署可覆盖昇腾 910B 等国产化场景，正式支持版本推进中，过渡期可先经星桥 API 接入，避免业务等待。
算力供给同样按生产节奏设计：GPU 弹性算力、预置 AI 环境随用随启，SaaS 网页工作台、星桥 API、私有化部署三种形态，让团队不必自建万卡集群，也能用上生产级国产算力。把「适配国产算力」和「跑通 AIGC 内容生产」两件事放在一起做，正是国产算力从政策叙事走向商业叙事的现实路径。
七、高频问题速答
Q：昇腾现在能训大模型吗？ A：能。DeepSeek-V4-Pro 已在昇腾 910C 集群完成全流程训练，MFU 超 30%；但训练工程门槛远高于推理，需评估工具链与迁移成本。
Q：训练和推理，哪个先全面落地？ A：推理更快。算力消耗重心正从训练转向推理，16 万颗昇腾 950DT 采购即面向推理场景，量化与加速技术已成熟。
Q：中小企业怎么用上国产算力？ A：三条路：一体机本地化部署（昇腾 + 鲲鹏）、API 接入推理服务、弹性算力租赁——都不需要自建集群。
Q：从 CUDA 迁移到昇腾要多少成本？ A：取决于模型规模与算子覆盖度。建议先适配推理与微调验证效果，再评估训练迁移；迁移前务必做算子覆盖度与 TCO 测算。
Q：AIGC 团队适合先跑国产算力吗？ A：适合。视频/图像生成在昇腾上适配快、已有量产案例（910A 漫剧、MindIE 部署 Wan2.1），内容生产是国产算力最现实的商业化场景。
让 AIGC 先跑起来
芯片参数会迭代，集群规模会翻倍，但「用国产算力生产出好内容」这件事一旦形成闭环，就是比任何单点参数都更深的壁垒。国产算力生态的下半场，属于那些先把场景跑通的人——星宇智算无限画布，正沿着这条路，把 AIGC 的生产经验沉淀成国产算力的默认路径。
