DeepSeek過了算力的河，美團LongCat正在彎腰造船

「核心提示」
國產算力迎來“DeepSeek+LongCat”節點。

作者 | 張經緯

編輯 | 邢昀

Token，是未來數字世界最核心、最值錢的大宗商品。

2026年GTC大會上，黃仁勛這樣定義AI時代的底層通貨，而數據中心就是生產智能的工廠。

過去幾年，全球絕大多數這樣的“工廠”都依賴同一套設備：英偉達的GPU與CUDA生態。當霍爾木茲海峽的開放與關閉，影響地緣政治與能源安全格局，全球AI市場的Token供給也需要回答：算力供應鏈出現單點依賴，如何保障Token的穩定產出？

4月24日上午，DeepSeek V4正式發布，其官方技術報告明確將華為昇騰950PR寫入硬件驗證清單，實現了從英偉達CUDA到國產算力的全棧遷移。下午，美團LongCat-2.0-Preview開放測試，這是目前唯一公開確認由國產算力完成萬億參數預訓練的大模型，訓練全程動用了5萬至6萬張國產算力卡，其訓練規模是迄今為止最大的。

兩款模型在同一天跨入“萬億參數俱樂部”，更關鍵的是，這意味著一條自主的“國產Token”供應鏈，正在英偉達體系之外加速接通。

理解這一天意味著什么，需要拆開來看。

1、萬億參數俱樂部的新玩家

過去一段時間里，萬億參數如同大模型的“珠峰”。玩家們想登頂，需要刷美國技術棧的“裝備”，尤其離不開英偉達。

Open AI、Anthropic等硅谷獨角獸，無不是英偉達H100/A100集群上的“付費玩家”。憑借軟硬一體的CUDA生態系統，英偉達在全球AI訓練負載市場中占據了90%以上的絕對壟斷地位。

對中國AI企業而言，這有諸多不確定性。近年來，美國對華高端AI芯片的出口管制持續收緊，從最初的A100、H100禁售，延伸至特供版H20的許可限制，到今年4月，美國高端芯片實質對華禁售。即便通過其他渠道拿到芯片，也隨時面臨升級路徑被切斷的風險。

至此，算力不再只是支出成本，也是生存成本。

2026年4月24日，備受關注的DeepSeek V4發布，同日美團LongCat-2.0-Preview啟動開放測試，雙雙加入了“萬億參數模型”的行列。這兩個大模型用不同方式，實現了國產算力替代的進展。

DeepSeek V4的早期訓練基于英偉達CUDA架構和GPU硬件，之后全棧遷移至華為芯片。V4適配的華為昇騰950PR推理芯片，甚至在低精度推理中展現出超越通用GPU的效率。

同期進行測試的LongCat-2.0-Preview選擇了另一種方式，這是目前唯一由國產算力訓練的萬億參數大模型。其訓練與推理全程依托國產算力集群獨立完成，動用的國產算力卡數量在5萬至6萬張之間，是國產算力上完成的規模最大的訓練任務。

從技術層面來看，DeepSeek V4和LongCat-2.0-Preview均采用MoE架構，支持1M（100萬token）超長上下文窗口，單次推理可處理數百萬字輸入，處理量級與GPT-5.5處于同一水平。兩款模型在知識容量、長文本理解及復雜邏輯推理的上限上，已正式跨入全球第一梯隊。

沒有采取行業通行的“堆算力”路線，DeepSeek V4和LongCat-2.0-Preview都是通過架構優化，對每一張國產卡算力進行極致榨取，同時它們也用實踐證明，極致優化算力效率，可以抵消硬件的賬面差距。

V4通過混合注意力架構（CSA + HCA）、Muon優化器等底層架構創新，在上下文長度放大8倍的前提下，算力消耗比V3.2降低七成以上。LongCat-2.0-Preview每token激活參數約48B，從一些測試反饋來看，在保持較高性能的同時，實現了不錯的推理效率。

效率革命最終轉化為顛覆性的商業定價。DeepSeek V4最新的API定價，V4 Flash每百萬tokens輸入（緩存命中）價格為0.02元，V4 Pro為0.025元。海外社交媒體上，有網友表示，這是從Claude或者GPT遷移到DeepSeek的最佳窗口期。

兩款模型的發布，引發了國產算力適配的連鎖反應，國產算力替代逐漸成為趨勢。

從華為昇騰、百度昆侖芯、寒武紀思元、海光信息DCU到阿里平頭哥，國產AI芯片在性能與生態上持續迭代；摩爾線程、壁仞科技、沐曦股份等創業企業也在加速追趕。

TrendForce預測，2026年國產芯片在高端市場的份額將增長到70%，行業對國產算力的期待，不再停留在“可用”層面。

2、算力突圍前后

中國AI廠商們加速布局國產替代，除了此前說到的美國高端芯片出口管制等政策壓力，還有一個重要的考量：算力荒傳導至價格端，導致算力變得越來越貴。

中信證券指出，Token調用量井噴帶來的是算力需求極大爆發，與此同時供給側受到各類硬約束短期邊際增量有限，目前國內外均出現了嚴重的算力荒。

而中國AI用戶的算力消耗極其巨大，根據OpenRouter的數據， 2026年3月30日-4月5日，中國AI模型的周調用量突破12.96萬億Token，是同期美國的4.3倍。如此龐大的需求， 如果長期高度依賴單一的“英偉達+臺積電”供應鏈，將面臨供應受限與價格持續上漲的雙重風險。

這種結構性矛盾，使得國產算力替代不再只是 “備選題”，而是 “必答題”。然而，替代之路向來艱難。

其難點在于拋棄現成的代碼庫、編譯和調試工具，從“零”開始。英偉達CUDA經過20年積累，擁有超400萬開發者和成熟的cuBLAS、cuDNN、NCCL庫。國產算力平臺的算子庫覆蓋度、優化深度以及測試工具都不完整，需要工程團隊進行大量底層開發與調試工作。

另一個難點在于硬件的并行計算。由于單卡性能存在差距，國產芯片想要實現同樣的計算性能，勢必要并行更多硬件，而算力硬件并行容易帶來故障。

在大模型訓練中，集群規模一旦擴大至萬卡級別，故障概率呈指數級上升，任何微小的計算錯誤、通信延遲或數值精度偏差，都會在并行運算中指數級放大，導致整個訓練任務中斷或模型收斂失敗。

LongCat-2.0-Preview在5、6萬張國產集群上完成萬億參數MoE模型的穩定訓練，意味著團隊必須在并行策略、通信拓撲、混合精度訓練及容錯機制上進行深度自研與調優。這是對國產算力系統工程能力的一次高強度的壓力測試。

工程能力還只是冰山一角，芯片設計制造、軟件棧乃至應用，需要更多產業力量的長期投入。來自互聯網巨頭、產業資本與風險投資的資金，成為這些長期進化背后的重要支撐。

以美團為例，近幾年在算力、科技硬件和大模型等領域進行了廣泛的早期投資。芯片方面，美團投資了摩爾線程、沐曦股份、紫光展銳、愛芯元智、榮芯半導體等眾多企業，覆蓋了多家國產GPU頭部和“國家隊”級別的半導體公司。

這些企業的技術方向各有側重：摩爾線程與沐曦股份聚焦通用GPU設計；紫光展銳在移動通信與物聯網芯片領域根基深厚，為端側AI提供底層連接能力；愛芯元智專注邊緣算力、AI視覺芯片；榮芯半導體則涉足晶圓代工，立足于芯片的產能提升。

美團還同時投資了包括宇樹科技、銀河通用、星海圖在內的多家具身智能公司和科技硬件公司。從大模型上游的芯片設計制造、到大模型研發，再到AI在各個領域的應用，用王興的話來說，美團將AI視為戰略機遇。

美團的密集投資并非孤例，它所折射的，是中國科技資本對國產算力賽道乃至未來科技發展的系統性布局。

3、模型在國產算力上跑通了，然后呢？

當國產芯片鋪開、萬億參數模型跑通，本土AI能否走向“更好用”階段，面臨著數據層面的挑戰。

一方面，是工程反饋數據。

當超大規模AI模型在國產芯片集群上訓練時，會暴露出各種問題，比如某些計算環節精度有誤差、芯片之間數據傳輸太慢、軟件編譯優化不到位、多卡并行時通信通道擁堵、低精度計算時數值丟失等。

技術團隊逐一攻克這些問題的過程，本身就是一場對國產芯片軟硬件的大規模測試。每一個被修復的bug、每一段被調優的通信協議，都會反饋給國產芯片廠商，推動下一代硬件的改進和軟件棧的成熟。

對LongCat-2.0-Preview這樣的“原生國產模型”來說，從訓練階段起便全程依托國產算力集群完成，產生的工程反饋較為完整和真實。這種“模型反哺芯片”的閉環，有利于國產算力生態向下扎根。

另一方面，大模型需要物理底座，和具體任務、真實世界產生高質量的數據互動。

特斯拉憑借全球最大的真實駕駛數據庫，構建了其自動駕駛的核心基石，從真實世界采集、到仿真訓練、再到算法迭代的“Real-to-Sim-to-Real”飛輪，同時驅動了自動駕駛汽車與人形機器人的進化。

同樣的邏輯，正在一個更復雜高頻，貼近日常生活的場景展開，那不是加州的高速公路，而是中國城市的街頭巷尾。美團擁有全國2800多個市縣的即時配送網絡，覆蓋中國最復雜的物理環境。美團無人機已累計完成商業訂單超78萬筆，國內外開通70條航線。美團無人車已至少已完成550萬單配送任務，自動駕駛總里程突破1900萬公里。

無人機在樓宇間穿行時的視覺避障數據、無人車在復雜路況下的實時決策軌跡、騎手與機器協同調度中的動態優化樣本，都是高價值、高密度的真實世界數據。這些是LongCat大模型持續進化的養料，也是國產算力芯片在嚴苛環境中驗證可靠性、能效比的真實環境。

同一天里先后發布和開放測試的DeepSeek V4與LongCat-2.0-Preview，構成了國產算力進化的一體兩面。前者以開源、低價與通用能力，證明了國產算力可支撐全球頂尖的基礎模型；后者以原生國產訓練、萬億參數規模與物理世界閉環，證明了國產算力集群可獨立完成極限的工程任務。

這不僅僅是算力焦慮下的替代敘事，更是一場 “主動定義”的轉身，獨立生長、正向循環的中國AI產業鏈，還需要長期努力，但正在加速成型。