中國AI開發者難脫輝達依賴，遷移國產晶片成本高企
Nashnova编辑部
中國AI企業訓練複雜模型時仍大量依賴英偉達晶片，最大障礙已從硬件性能轉向圍繞CUDA構建的整套軟件生態——遷移國產平台意味著重寫工作流，成本可能增加至少50%。
真正卡脖子的不是晶片，是甚麼？
英偉達的CUDA（一套讓開發者在GPU上寫AI程式的軟件平台）已深度嵌入中國AI實驗室的日常運作——模型、訓練工具、內部工作流全圍繞它設計。
這意味著→ 換國產晶片不是「換一台機器」，而是重建部分工廠：代碼要改、工具要換、流程要重新跑通。
簡單來說＝ 硬件差距在縮小，但開發者多年養成的使用習慣和配套軟件，才是英偉達最深的護城河。
遷移到華為昇騰，要花多大代價？
華為昇騰處理器是目前最主要的國產替代方案之一，但據研究人員估算，遷移可能使項目時間和成本增加至少50%。
開源模型（如DeepSeek）相對容易：工程師可改源代碼、借助社區成果，數名開發者、數周時間即可完成。
閉源系統則截然不同——無法獲取底層代碼，工程師須從頭重建訓練流程，業內估算一次困難遷移需要約10名工程師、逾半年時間。
推理跑得通，訓練為甚麼更難？
模型訓練完成後用於日常查詢的推理環節（inference，把已訓練好的模型拿來回答問題的過程），通常更容易適配不同硬件，中國在這一端進展更快。
訓練端也有突破：美團表示其大型語言模型LongCat-2.0在一個由5萬顆國產晶片組成的集群上開發完成。
這反映出 國產晶片的原始算力已能支撐大規模訓練，但圍繞訓練的軟件工具鏈和開發者熟悉度仍是短板。
這場替代賽跑，勝負手在哪？
國產處理器的性能差距在持續縮小，但英偉達多年積累的軟件生態、開發者熟悉度和基礎設施體系難以被快速複製。
這意味著→ 短期內，中國AI企業面對的不是「能不能用國產晶片」的問題，而是「遷移成本是否值得承受」的經濟賬。
簡單來說＝ 晶片可以追，但習慣和生態構成的慣性護城河，比硬件本身更難在短期內攻克。
Content is for reference only, not financial advice.