DeepSeek 傳下單 16 萬顆華為 Ascend 950DT：NVIDIA 在中國 AI 市場面臨更深的國產替代壓力

NVIDIA 在全球 AI 加速器市場仍然擁有極強的技術與軟體生態優勢，但中國市場正在出現一個可能比單純晶片性能差距更重要的變化：大型 AI 業者開始願意接受效率較低、需要更多晶片的國產方案，只要它能建立一套不依賴 NVIDIA 的長期算力供應鏈。

根據 Wccftech 引述 Bloomberg 的報導，DeepSeek 據稱準備向華為採購約 160,000 顆 Ascend 950DT AI 晶片，用於內蒙古一座規模達 1GW 的新資料中心。

若按照市場傳出的每顆約人民幣 111,000 元、約 16,000 美元估算，整筆訂單的潛在價值可能達到約 25.6 億美元。

這個數字本身已經很大，但真正重要的並不是 25 億美元，而是 DeepSeek 選擇了哪一條 AI 基礎設施路線。

不是 NVIDIA 不夠快，而是中國正在建立另一套 AI 基礎設施

NVIDIA 最大的護城河從來不只是 GPU 本身。

CUDA、cuDNN、NCCL、TensorRT、完整的開發工具、成熟的伺服器供應鏈，以及幾乎整個 AI 研究社群長年累積的最佳化經驗，共同構成 NVIDIA 難以被取代的生態系。

因此，如果單純比較每顆晶片的效能、能源效率與軟體成熟度，華為目前仍不必然能在所有工作負載上直接追平 NVIDIA 最新產品。

Wccftech 引述的資訊甚至指出，DeepSeek 執行長梁文鋒先前曾形容，某些情況下大約需要 4 顆華為 GPU 才能對應 1 顆 NVIDIA GPU 的能力。

如果從傳統資料中心採購邏輯來看，這似乎是一個很難理解的選擇。

既然同樣工作可能需要更多晶片、更多機櫃、更大的散熱系統、更複雜的網路，為什麼還要採用？

答案很可能不是單純的 Performance per GPU，而是 Supply Security。

當高階 NVIDIA AI GPU 的供應受到出口管制、政策變化與產品許可影響時，中國 AI 公司面臨的問題不再只是『哪張卡最快』，而是：

未來三年、五年甚至十年，誰能穩定供應我數十萬顆晶片？

只要這個問題的答案開始偏向國產供應鏈，那麼即使單顆晶片性能較弱，整體採購決策仍然可能成立。

Ascend 950DT 到底是什麼？

華為 Ascend 950DT 是華為新一代 AI 加速器之一，採用自家 Da Vinci 架構，主要瞄準大型 AI 模型的訓練與推論工作負載。

根據華為官方資料，Ascend 950DT 配備 144GB 的 HiZQ 2.0 高頻寬記憶體，記憶體頻寬可達 4 TB/s，晶片間總互連頻寬則達到 2 TB/s。

它同時支援 FP8、MXFP8、XMFP4 與華為自家的 HiF8 等低精度數值格式。

這些規格反映了現代 AI 加速器的一個核心方向：

算力本身已經不是唯一瓶頸，模型參數如何快速從記憶體送進運算單元，以及數千顆晶片彼此如何交換資料，同樣重要。

尤其大型語言模型進入推論階段後，大量工作負載受到 Memory Bandwidth 限制，而不是單純 Compute 限制。

這也是為什麼 Huawei 特別強調 950DT 的 HBM 與 interconnect 能力。

一顆比不過，就用 8,192 顆一起跑

華為真正想對 NVIDIA 形成競爭的地方，其實不是單顆 Ascend 950DT。

而是 Atlas 950 SuperPoD。

根據華為公布的規劃，一套完整 Atlas 950 SuperPoD 最多可以連接 8,192 顆 Ascend 950DT。

華為聲稱完整系統可提供約 8 EFLOPS FP8 與 16 EFLOPS FP4 峰值 AI 算力，整套系統包含 160 個機櫃，其中 128 個是運算機櫃、32 個為通訊機櫃，並透過全光互連建構大規模叢集。

這代表華為正在走一條很明確的路：

如果單顆晶片仍落後 NVIDIA，就透過更大量的晶片、更高速的互連與 SuperPoD 架構，在 System Level 把差距補回來。

這種策略並不奇怪。

AI 超級電腦本來就不是一張 GPU 的比賽。

真正決定大型模型能力的是：

GPU × Memory × Interconnect × Network × Software × Power。

只要其中任何一層擴展不起來，就算單顆晶片再快，也很難真正組成十萬卡等級的 AI 基礎設施。

DeepSeek 主要可能拿它來做 Inference

Wccftech 報導指出，DeepSeek 這批 Ascend 950DT 主要預計用於推論，而不是完全把模型訓練工作從 NVIDIA 平台移走。

這點非常關鍵。

AI 訓練和 AI 推論的硬體需求其實不完全一樣。

Training 需要大量 GPU 長時間同步進行矩陣運算，對軟體生態、通訊效率與穩定性要求極高。

Inference 則是在模型完成後，持續回答使用者的問題。

對像 DeepSeek 這種大型 AI 服務而言，當每日產生數十億甚至更多 Token 時，Inference Cost 最後可能比最初的 Training Cost 更重要。

如果 Ascend 能夠以較低成本、大量供應，並在 DeepSeek 自己可以控制的軟體環境中運作，那麼推論自然會成為中國 AI 晶片最容易切入 NVIDIA 市占的第一個市場。

這也解釋了一個看似矛盾的現象：

即使 NVIDIA GPU 在單卡效率上仍然領先，DeepSeek 仍可能願意採購大量 Huawei 晶片。

因為對大規模 AI 服務來說，真正重要的是 Total Cost of Ownership。

如果國產晶片可以更穩定取得、降低政策風險，而且整個系統能靠軟體最佳化慢慢改善，那麼單顆 GPU 輸掉，不代表整個 Data Center Economics 一定輸掉。

16 萬顆晶片本身也是一場製造能力測試

不過，這筆訂單如果最終完全落實，對 Huawei 自己也會是一場非常大的壓力測試。

Wccftech 報導指出，目前 Ascend 950DT 的產能仍然有限，年產規模可能只有數十萬顆，因此光是 DeepSeek 一家公司提出 160,000 顆需求，就可能占掉相當大比例的產能。

這意味著華為現在面對的問題已經開始從：

『晶片能不能做出來？』

變成：

『晶片能不能一年做出幾十萬顆？』

半導體產業真正困難的部分往往就在這裡。

做出第一顆 Prototype 和穩定量產幾十萬顆完全是兩個世界。

良率、HBM 供應、先進封裝、基板、電源模組、光通訊設備與整機交付，都會變成新的瓶頸。

如果 DeepSeek 真的需要 160,000 顆 Ascend 950DT，華為需要交付的其實不是 16 萬顆獨立晶片，而是一整個超大型 AI Infrastructure Supply Chain。

內蒙古正在變成中國 AI 資料中心的重要基地

這批晶片據稱將部署於內蒙古一座約 1GW 規模的資料中心。

1GW 是一個非常誇張的數字。

這已經不是普通 Cloud Region，而是接近大型發電設施等級的能源需求。

內蒙古成為 AI Data Center 聚落並不意外。

當地具有廣大的土地、較低的氣溫，以及大量風力與太陽能能源資源，非常適合建立耗電極高的大規模資料中心。

Wccftech 引述資料指出，Alibaba 位於烏蘭察布的資料中心電價約為每度人民幣 0.32～0.35 元，約等於每 kWh 0.05 美元。

對需要 24 小時運轉數十萬顆 AI Accelerator 的服務商來說，這類電價差距會直接轉化成巨大的營運成本差異。

因此，中國目前的 AI 競爭逐漸形成另一種格局：

沿海城市負責研發模型，西部與北部地區則負責提供土地、能源與大型 Data Center Capacity。

NVIDIA 真的『放棄中國』了嗎？目前不能這樣下結論

這次最容易被標題帶偏的部分，就是 NVIDIA 是否真的已經決定放棄中國市場。

Wccftech 的標題用了『lost cause』這個相當強烈的描述，但其來源主要是 Sphere Semi CEO Steven Glinert 在社群平台上的說法，而不是 NVIDIA 官方公告。

因此目前比較準確的描述應該是：

NVIDIA 在中國 AI Accelerator 市場面臨的結構性壓力正在快速增加。

如果中國大型 AI 公司開始把數十億美元採購預算轉向 Huawei，而國產生態又逐步建立自己的 Compiler、Framework、Interconnect 與 Data Center Architecture，那麼 NVIDIA 未來即使重新取得產品銷售許可，也可能發現市場已經和幾年前完全不同。

這是出口限制最值得注意的長期效果之一。

政策原本試圖限制中國取得最先進 AI 算力，但同時也建立了一個非常強烈的商業誘因，迫使中國企業投入數十億甚至數百億美元建立替代生態。

短期來看，Huawei 晶片仍然可能需要更多數量、更大的機房與更多能源，才能完成 NVIDIA GPU 相同的工作。

但一旦這套生態被建立起來，『性能稍微落後』就不一定足以讓客戶重新回到原本的平台。

真正的戰爭已經從 GPU 變成 AI Stack

如果只用 GPU Benchmark 來看 NVIDIA 與 Huawei，可能會低估這場競爭真正的尺度。

未來真正競爭的是完整 AI Stack：

Chip ↓ HBM ↓ Packaging ↓ Interconnect ↓ SuperPod ↓ Compiler ↓ AI Framework ↓ Model ↓ Cloud ↓ Energy

NVIDIA 最大的力量，正是它幾乎控制了這條 Stack 的大部分技術標準。

Huawei 現在做的事情，就是嘗試把另一條 Stack 從頭建立起來。

DeepSeek 傳出的 160,000 顆 Ascend 950DT 訂單如果最終完全落地，它的重要性可能不只是『Huawei 又賣了一批晶片』。

它會代表中國大型 AI 公司開始用真正 Data Center Scale 的採購，驗證一個以前還停留在理論上的問題：

如果不能買到世界上最快的 GPU，能不能用更多晶片、更大的 SuperPoD、更便宜的能源，以及自己控制的軟體，把整個 AI 系統堆到同樣能工作的規模？

如果答案逐漸變成可以，那麼 NVIDIA 在中國面對的最大敵人，就不再只是 Huawei 的某一顆晶片。

而是一套正在成形的替代 AI 生態系。

Tech English 專有名詞

1. AI Accelerator（AI 加速器）：專門針對神經網路、矩陣運算與 AI 推論或訓練最佳化的處理器，包括 NVIDIA GPU、Huawei Ascend 等產品。

2. Inference（推論）：完成模型訓練後，實際讓 AI 根據輸入產生回答、圖片或其他結果的階段。大型 AI 服務長期營運時，大部分算力通常會消耗在 Inference。

3. High Bandwidth Memory, HBM（高頻寬記憶體）：透過堆疊與超寬記憶體介面提供極高頻寬的記憶體技術，是現代 AI GPU 處理大型模型的重要核心元件。

4. Interconnect（互連）：負責 GPU 或 AI Accelerator 之間高速交換資料的通訊技術。大型模型需要數千顆晶片共同工作，因此 Interconnect 效率直接影響整個 AI Cluster 的效能。

5. SuperPoD（超大型 AI 運算叢集）：由大量 AI 加速器、交換器、網路與儲存系統組成的高密度運算架構。Huawei Atlas 950 SuperPoD 最多規劃連接 8,192 顆 Ascend 950DT。

6. Total Cost of Ownership, TCO（總持有成本）：評估硬體價格之外，同時納入能源、散熱、機房、維護、軟體與使用壽命的完整成本。對十萬卡等級 AI Data Center 而言，TCO 往往比單顆 GPU 售價更重要。