深圳這座 AI 基礎設施的關鍵，不只是「有 10,000 張卡」，而是從晶片、伺服器、互連網路到軟體都以中國國產技術為主，形成一套全棧自主可控的系統。

11,000 PFLOPS 新叢集，總算力達 14,000 PFLOPS

深圳近日啟用中國首個 10,000 卡級智能運算叢集，搭載華為昇騰 910C AI 加速器，新一期系統的運算能力達 11,000 PFLOPS。PFLOPS 是每秒可執行數千兆次浮點運算的單位，常用來衡量 AI 訓練與高效能運算系統的規模。711

這並非從零開始的單一建置。深圳先前已啟用 3,000 PFLOPS 的算力區段，兩期合計後，整個場域的 AI 算力規模達 14,000 PFLOPS。711

據報導，這是中國首個使用全國產先進晶片打造、達到萬卡級規模，並採用全棧自主可控技術的智能運算叢集。系統以華為的「昇騰＋CANN」為核心：昇騰負責 AI 加速運算，CANN 則是連接硬體與 AI 軟體框架的異質運算架構，目標是讓模型能在華為晶片上執行與最佳化。1112

昇騰 910C 與 H100：六成效能代表甚麼？

DeepSeek 研究人員的測試曾顯示，昇騰 910C 在特定 AI 推理任務上的效能約為英偉達 H100 的 60%。1113推理是指模型訓練完成後，實際處理使用者提問、生成文字或辨識影像的階段。

這個數字值得注意，但不能簡化成「910C 等於 H100 六成」的全面結論。現有比較是以特定工作負載為基礎，未必能代表大型模型訓練、不同模型架構、軟體工具鏈、記憶體頻寬或每瓦效能的表現。換句話說，910C 顯示中國國產加速器已能在部分推理場景中大規模使用，卻不等於已在所有指標上追平英偉達。

華為的優勢也不只在單張晶片。昇騰處理器、伺服器、網路互連與 CANN 軟體共同構成一個替代方案，讓企業不必只比較單張卡的峰值效能，而是評估整套系統能否取得、部署及穩定運作。

AI 叢集為甚麼能放大運算能力？

單一 AI 加速器的記憶體與運算資源有限，尤其難以獨力處理參數量極大的模型。AI 叢集的做法，是把大量加速器連接起來，將工作拆分後平行處理，例如：

• 把不同模型層分配到不同加速器；
• 將訓練資料切分，讓多張卡同時運算；
• 在推理階段，把大量使用者請求分流至不同卡片；
• 透過高速網路與協調軟體，交換模型參數和中間結果。

因此，叢集的價值不只是把晶片數目相加。若卡片之間傳輸太慢，運算時間可能會浪費在等待資料上；高速互連、記憶體配置、任務調度及軟體最佳化，才決定數千張卡能否有效協同工作。這也是為甚麼 AI 基礎設施的競爭，已從單一 GPU 延伸至整個資料中心系統。

系統採用情況：需求已存在，但普及程度仍有限

深圳較早啟用的 3,000 PFLOPS 算力區段，據報在 10,000 卡擴建部分上線前已全數預訂。11另一份報導則稱，近 50 個機構已簽署使用算力的框架協議，整體預約率達 92%。1

這些數據顯示，當地 AI 企業、研究機構及其他使用者對國產算力有實際需求。不過，「已預訂」不等於所有機構都已完成長期部署，也不能據此推論華為平台已在中國市場全面取代英偉達。部分中國企業仍透過海外資料中心取得英偉達先進晶片的運算資源，反映中國 AI 算力自主化仍在進行中，而非已經完成。

另一項進展：華為提出相當於 1.4 奈米密度的設計目標

除了昇騰 910C 叢集，華為在 2026 年提出一條新的晶片設計路線，目標是在 2031 年實現相當於 1.4 奈米製程的電晶體密度，並降低對最先進微影工具的依賴。

但這是華為公布的技術規劃，不是已經量產、並經獨立測試證實的 1.4 奈米晶片。製程名稱、電晶體密度、實際效能、功耗與良率並不能直接畫上等號，因此目前更適合將其視為研發方向，而非既成技術成果。

另外，路透社報導稱，華為新一代昇騰 950PR 在客戶測試中取得較佳反應，字節跳動與阿里巴巴正考慮下單。若相關訂單最終落實，將是國產 AI 加速器由政策支持進一步走向大型民營科技企業採用的重要訊號；但在正式出貨量與實際部署前，仍應審慎看待其市場影響。

美國出口管制下的產業回應

美國在 2022 年開始限制英偉達 A100、H100 等先進 AI 晶片對中國的出口，並在 2023 年擴大限制範圍，涵蓋更多先進運算晶片及相關製造設備。

深圳的萬卡叢集因此具有明顯的產業政策含意：中國不只是尋找另一款 AI 晶片，而是嘗試建立由晶片、伺服器、互連網路和軟體組成的本土替代堆疊。華為在其中扮演核心角色，原因是昇騰既能提供 AI 加速器，也能延伸至資料中心整機與軟體生態。712

這套系統能否在所有工作負載上追上英偉達，仍有待更透明、可重複的獨立基準測試；但從產業角度看，深圳項目已證明中國正把國產 AI 算力從單張晶片的研發，推向萬卡級資料中心的實際部署。它是中國追求 AI 自主化的重要一步，卻還不是完全擺脫海外高階運算資源的終點。

深圳這座 AI 基礎設施的關鍵，不只是「有 10,000 張卡」，而是從晶片、伺服器、互連網路到軟體都以中國國產技術為主，形成一套全棧自主可控的系統。

11,000 PFLOPS 新叢集，總算力達 14,000 PFLOPS

深圳近日啟用中國首個 10,000 卡級智能運算叢集，搭載華為昇騰 910C AI 加速器，新一期系統的運算能力達 11,000 PFLOPS。PFLOPS 是每秒可執行數千兆次浮點運算的單位，常用來衡量 AI 訓練與高效能運算系統的規模。711

這並非從零開始的單一建置。深圳先前已啟用 3,000 PFLOPS 的算力區段，兩期合計後，整個場域的 AI 算力規模達 14,000 PFLOPS。711

據報導，這是中國首個使用全國產先進晶片打造、達到萬卡級規模，並採用全棧自主可控技術的智能運算叢集。系統以華為的「昇騰＋CANN」為核心：昇騰負責 AI 加速運算，CANN 則是連接硬體與 AI 軟體框架的異質運算架構，目標是讓模型能在華為晶片上執行與最佳化。1112

昇騰 910C 與 H100：六成效能代表甚麼？

DeepSeek 研究人員的測試曾顯示，昇騰 910C 在特定 AI 推理任務上的效能約為英偉達 H100 的 60%。1113推理是指模型訓練完成後，實際處理使用者提問、生成文字或辨識影像的階段。

這個數字值得注意，但不能簡化成「910C 等於 H100 六成」的全面結論。現有比較是以特定工作負載為基礎，未必能代表大型模型訓練、不同模型架構、軟體工具鏈、記憶體頻寬或每瓦效能的表現。換句話說，910C 顯示中國國產加速器已能在部分推理場景中大規模使用，卻不等於已在所有指標上追平英偉達。

華為的優勢也不只在單張晶片。昇騰處理器、伺服器、網路互連與 CANN 軟體共同構成一個替代方案，讓企業不必只比較單張卡的峰值效能，而是評估整套系統能否取得、部署及穩定運作。

AI 叢集為甚麼能放大運算能力？

單一 AI 加速器的記憶體與運算資源有限，尤其難以獨力處理參數量極大的模型。AI 叢集的做法，是把大量加速器連接起來，將工作拆分後平行處理，例如：

• 把不同模型層分配到不同加速器；
• 將訓練資料切分，讓多張卡同時運算；
• 在推理階段，把大量使用者請求分流至不同卡片；
• 透過高速網路與協調軟體，交換模型參數和中間結果。

因此，叢集的價值不只是把晶片數目相加。若卡片之間傳輸太慢，運算時間可能會浪費在等待資料上；高速互連、記憶體配置、任務調度及軟體最佳化，才決定數千張卡能否有效協同工作。這也是為甚麼 AI 基礎設施的競爭，已從單一 GPU 延伸至整個資料中心系統。

系統採用情況：需求已存在，但普及程度仍有限

深圳較早啟用的 3,000 PFLOPS 算力區段，據報在 10,000 卡擴建部分上線前已全數預訂。11另一份報導則稱，近 50 個機構已簽署使用算力的框架協議，整體預約率達 92%。1

這些數據顯示，當地 AI 企業、研究機構及其他使用者對國產算力有實際需求。不過，「已預訂」不等於所有機構都已完成長期部署，也不能據此推論華為平台已在中國市場全面取代英偉達。部分中國企業仍透過海外資料中心取得英偉達先進晶片的運算資源，反映中國 AI 算力自主化仍在進行中，而非已經完成。

另一項進展：華為提出相當於 1.4 奈米密度的設計目標

除了昇騰 910C 叢集，華為在 2026 年提出一條新的晶片設計路線，目標是在 2031 年實現相當於 1.4 奈米製程的電晶體密度，並降低對最先進微影工具的依賴。

但這是華為公布的技術規劃，不是已經量產、並經獨立測試證實的 1.4 奈米晶片。製程名稱、電晶體密度、實際效能、功耗與良率並不能直接畫上等號，因此目前更適合將其視為研發方向，而非既成技術成果。

另外，路透社報導稱，華為新一代昇騰 950PR 在客戶測試中取得較佳反應，字節跳動與阿里巴巴正考慮下單。若相關訂單最終落實，將是國產 AI 加速器由政策支持進一步走向大型民營科技企業採用的重要訊號；但在正式出貨量與實際部署前，仍應審慎看待其市場影響。

美國出口管制下的產業回應

美國在 2022 年開始限制英偉達 A100、H100 等先進 AI 晶片對中國的出口，並在 2023 年擴大限制範圍，涵蓋更多先進運算晶片及相關製造設備。

深圳的萬卡叢集因此具有明顯的產業政策含意：中國不只是尋找另一款 AI 晶片，而是嘗試建立由晶片、伺服器、互連網路和軟體組成的本土替代堆疊。華為在其中扮演核心角色，原因是昇騰既能提供 AI 加速器，也能延伸至資料中心整機與軟體生態。712

這套系統能否在所有工作負載上追上英偉達，仍有待更透明、可重複的獨立基準測試；但從產業角度看，深圳項目已證明中國正把國產 AI 算力從單張晶片的研發，推向萬卡級資料中心的實際部署。它是中國追求 AI 自主化的重要一步，卻還不是完全擺脫海外高階運算資源的終點。