華為 AI 晶片受挫：DeepSeek 為何在 R2 轉回 Nvidia？技術現實與產業啟示

引言

DeepSeek 原計劃以華為 Ascend 晶片訓練其新一代 R2 模型，但因「持續性的技術問題」最終無法完成訓練，被迫回到 Nvidia 平台，並推遲發佈時程。事件反映政策推動自立自強與工程落地之間的張力：在訓練穩定性與生態成熟度仍存差距的階段，採用成熟體系可降低風險、確保進度與品質。

事件概述

R1 於 1 月成功推出後，據《金融時報》報導，相關部門明確傳遞「用華為、不用 Nvidia」的訊息，DeepSeek 承受在地化硬體採用壓力。
R2 訓練在華為 AI 晶片上遭遇基礎性技術障礙，導致專案停滯，原定 5 月發佈計劃取消。
兩位消息人士稱，華為派工程師進駐 DeepSeek 協助，但仍未能完成成功的訓練任務。
DeepSeek 已轉回使用 Nvidia 系統進行訓練；團隊仍嘗試在推理（Inference）階段使用華為晶片。
創辦人梁文峰據報對 R2 整體進展不滿，要求團隊提升目標，以維持公司在產業中的領先地位。

核心技術問題：訓練 vs 推理

大模型的訓練與推理對硬體與生態的要求存在本質差異。

定義差異：

訓練（Training）： 相當於長期高強度的「大學深造」，需要龐大算力、長時間穩定性與成熟的軟硬體生態。
推理（Inference）： 類似畢業後的「解題應用」，對算力與穩定性要求相對較低。

關鍵挑戰： DeepSeek 的經驗顯示，華為晶片在推理端具備潛力，但在大規模訓練的穩定性與效率上尚未達到可行門檻，因此只能改回 Nvidia 完成訓練。

政策與市場背景

政策導向： 北京持續鼓勵大型科技公司優先採用本土硬體；據《金融時報》，企業下單 Nvidia 符合出口規範的 H20 晶片需提供額外正當性說明。
市場現實： 華為 CEO 任正非年內表示，美方「高估了華為的成就」，公司「還沒有那麼厲害」，其最佳晶片仍落後一代。
產業影響： 政策可加速本土生態培育，但短期內可能迫使企業做出技術上較不利的選擇，影響產品時程與品質。

多方動態與進展

技術支援： 華為工程團隊實地支援 DeepSeek，但未能完成有效訓練。
策略調整： 以 Nvidia 平台完成訓練，同時探索在推理階段採用華為晶片，以兼顧性能與政策期待。
研發壓力： R2 延宕使公司在快速演進的市場中承壓，管理層要求提高研發標準與目標。

行業影響與啟示

Nvidia 在大規模訓練的算力與軟體生態上仍具明顯領先優勢。
大模型訓練對硬體穩定性、工具鏈成熟度要求極高，短板將直接反映在進度與成本。
「訓練—推理分離」或為過渡期可行方案：以成熟平台完成訓練，於推理側逐步導入本土硬體，降低風險並累積生態能力。
政策推進需兼顧企業落地節奏，在培育本土技術同時維持產品節點與市場競爭力。

結論

DeepSeek R2 由華為轉回 Nvidia 的案例顯示，在大型 AI 模型訓練場景中，工程穩定性與完整生態是決策核心。短期看，Nvidia 仍握有性能與生態優勢；中長期隨著本土硬體與工具鏈迭代、在推理場景的落地累積經驗，訓練端差距有望收斂。遵循工程規律、採取分階段與混合式策略，有助於兼顧技術自主與市場節奏。