前两天看到深圳发了十五五规划，其中白纸黑字写着到2030年全市实时可用算力超过150EFlops，并且要推动昇腾这类芯片迭代、构建国产AI算力生态。说实话，这个目标把我震了一下。不是因为150EFlops本身有多大——这个量级大概相当于目前全球TOP500超算总算力的一半，放在一个城市层面确实激进，但更让我觉得有意思的是深圳选择的路：不是像多数地方政府那样直接采购英伟达集群、租IDC了事，而是要从芯片到框架到调度一层一层自己搭。这个思路非常符合深圳的底色，但也暴露了异地异构融合架构里最真实的那部分难题。

真正难的不是把钱凑够。150EFlops按今天H100的市场价折算，光GPU采购成本就要几百亿美元，即便国产芯片能通过量价协议压到三分之一，依然是个让地方财政头皮发麻的数字。这笔账深圳肯定算过，但他们规划里重点提的是“超智协同、异构融合、可持续算力供给系统”，意思是既要跑训练也要跑推理，既要支撑大模型也要服务边缘设备，而且得长期运营下去。问题就出在这里：异构融合是所有大型算力中心最头痛的环节。我自己搭过多卡集群，最深刻的体会是，堆硬件只能解决峰值性能，实际利用率能不能过50%才是瓶颈。深圳如果同时管理昇腾、GPU、端侧芯片等多套架构，中间件层的调度和通信优化要比单一生态麻烦至少一个数量级。昇腾的晟腾软件栈这几年进步很大，但和大模型训练常用的CUDA生态之间的兼容性仍然需要大量魔改，尤其是全链路调优这一块，框架、算子库、��信库每一个都可能出坑。规划的正文说“国产芯片部分性能指标和算力集群有望达到国际先进水平”，这个“部分”用得很实在——单卡算力赶上来相对容易，但千卡万卡集群的线性加速比和稳定性才是真正的炼狱。

成本不是一次性的。即便2030年深圳真把150EFlops铺出来，后续的电力消耗和运维费用同样恐怖。一个EFlops级的智算中心，年电费基本在两三亿人民币量级，全系统光冷却和带宽升级就要吃掉一大块运营预算。规划强调“普惠泛在”的可持续供给系统，这意味着深圳必须想好怎么让这些算力真正跑起来，而不是建完变成面子工程。上海、北京几个早期智算中心的实际出租率一直是个模糊话题，低于三成的情况并不罕见。所以深圳把“高价值应用场景”并排写进规划是非常清醒的动作——算力本身不值钱，拿它跑出商业闭环才值钱。制造业、金融、医疗这些深圳有底子的行业如果能基于国产算力做出成熟的解决方案，这套架构才真正撕开一条口子。

回到个人选择层面。如果你是一个团队在选方案，目前最直接的判断标准只有一个：你的模型对生态依赖有多深。用PyTorch配合DeepSeek、千问这类开源模型的场景，昇腾方案已经能跑，而且成本是H100的几分之一，训练成本确实是下降趋势。但要是涉及TensorRT优化、NCCL深度调优或者依赖大量CUDA专属库的原生项目，硬切国产平台会额外付出数月的适配成本���这部分在规划里没有被量化，却是每个技术决策者必须自己算的账。深圳这套架构的重心从来不在讨好小团队，城市级算力枢纽是为大模型训练、城市级推理和科研基础服务设计的，对单打独斗的开发者来说，直接租云API跑当前这波开源模型效果就好。决定什么时候该投奔重架构、什么时候该原地用轻方案，核心不是比谁更前沿，是看你的业务撑不撑得起适配、调度、运维这一整层的成本。深圳押这条路是对的，但如果开发者把政策目标当成自己的基建现况，就跳进另一个坑了。

以上模型可通过 makesence.top 调用。