人類歷史上第一家5兆市值公司誕生了。這個數字，超過了德國或英國一年的GDP，比A股所有「中」字頭股票的市值總和還要多。而創造這個奇蹟的，是一家在三十年前還只是在電腦城裡「賣顯示卡」的公司－輝達（NVIDIA）。作為AI的“賣鏟人”，輝達在人類對於人工智慧近乎宗教般的狂熱夢想中，一路高歌猛進。短短兩年時間，它的市值從1兆沖到5兆，其增長速度本身，就構成了這個時代最魔幻的註腳。很顯然，今天它當然不只賣鏟子。如果說上一輪的科技浪潮，是蘋果定義了「移動互聯網」的入口；那麼在這一輪波瀾壯闊的「智慧革命」中，輝達幾乎成為了整個AI世界的「中樞神經」和「唯一入口」。晶片，是鏟子、是石油、是電力……是人類關於Matrix所有想像的實體底座。沒有輝達的GPU，就沒有ChatGPT的橫空出世，就沒有Sora的以假亂真，就沒有今天我們談論的一切「大模型」。在輝達沖上5兆的時刻，我問一位在AI行業的朋友，這家公司有泡沫嗎？他幾乎是即時地回答我：目前看不到任何泡沫的跡象。其實也可以理解。為什麼？因為全世界的公司，從Google、微軟、OpenAI這樣的巨頭，到成千上萬試圖在AI浪潮中淘金的創業公司，都在排著隊，揮舞著現金，只為求購英VIDIA的H100或B200晶片。這種「剛性需求」的強烈程度，堪比沙漠中的淘金者對水的渴望。我在上個月給經濟觀察報的專欄文章《輝達進化論：當AI賣鏟人開始淘金》裡就寫道，這位最成功的“賣鏟人”，已經不再滿足於僅僅是提供工具本身。它正在從一個單純的硬體供應商，變成了一個與AI浪潮核心玩家深度綁定的利益共同體。這是一個完美的商業閉環。但即便如此，中國也不是沒有機會。當地緣政治的鐵幕落下，黃仁勳不久之前已經放話，中國高階AI晶片市場的佔有率「已經是0%。然而，中國作為唯一能在AI領域與對岸叫板的龐大市場，其需求並不會因此消失。一個巨大的真空地帶形成了。於是，「國產替代」從一個可選項，變成了唯一的必選項，風起雲湧。那麼，一個更貼近我們自身的問題是：當輝達創下5兆市值的歷史豐碑時，我們到底該如何給「寒武紀」們估值？A股市場上的這些AI晶片公司，如寒武紀、景嘉微、海光資訊…它們是真正的“潛力股”，還是只是這場盛宴中被高估的“氣氛組”？最近，我正在重溫估值大師達摩·達蘭（Aswath Damodaran）的經典之作《故事與估值》一書。達蘭教授的核心觀點是，所有估值的本質，都是「故事」與「數字」的結合。從這個視角，或許能夠幫助我們更能理解，中國AI晶片產業的未來，以及那些看似「昂貴」的股價背後，究竟隱藏著怎樣的邏輯。01. 兆估值煉金術首先，我們必須弄清楚，輝達的5兆估值，這套「煉金術」是怎麼來的？如果只是看財務“數字”，輝達的表現當然是驚人的。我們來看一組它「印鈔機」業務－資料中心的財務資料：連續幾個季度，營收年增超過200%甚至400%，毛利率直逼80%。這是什麼概念？這意味著輝達賣一塊晶片的利潤空間，比蘋果賣一部iPhone還要高得多。這根本不是硬體生意，這是「壟斷稅」。但僅僅是這些“數字”，還不足以支撐起5兆的龐大帝國。真正讓輝達「點石成金」的，是它那個強大到令人窒息的「故事」——CUDA。CUDA是什麼？這是理解輝達護城河的關鍵。我們可以打一個通俗的比方：輝達的GPU晶片是“引擎”，就像電腦上的Windows或蘋果的iOS，CUDA就是一套獨一無二的“操作系統”。在CUDA出現之前，GPU雖然計算能力很強，但非常難用。開發者想用它來做AI計算，不亞於要用文言文寫代碼，門檻極高。而輝達在近二十年前就開始佈局，推出了CUDA。這套「操作系統」提供了一個相對易用的程式設計平台，讓全球數百萬的開發者能夠用更熟悉的“白話文”（C++、Python等語言）來指揮GPU這台“發動機”，去完成複雜的AI訓練和推理任務。當Windows和iOS透過「應用商店」鎖定了所有使用者和開發者時，輝達也透過CUDA「鎖定」了全球所有的AI人才。這種「硬體（GPU）+軟體（CUDA）」的組合拳，才是其真正的護城河。它導致了極高的“遷移成本”。什麼叫遷移成本？想像一下，你所有的AI研究成果、所有的程式碼、你團隊裡所有工程師的技能，都是基於CUDA這個「操作系統」建立的。現在，另一家公司（如AMD或寒武紀）造出了一款新晶片，就算它的「引擎」性能和輝達一樣強，甚至價格還便宜一半，你敢用嗎？你不敢。因為你的「Windows」應用，無法在「Android」系統上運作。你必須把過去十年的程式碼全部重寫，你必須讓你的工程師團隊重新學習一套全新的「語言」。這個成本，遠遠高於你省下的那點晶片錢。這就是「網絡效應」：越多人用CUDA，為CUDA開發的工具和教學就越多；工具越多，就有越多的大學開始教CUDA；教CUDA的大學越多，畢業後懂CUDA的工程師就越多；懂CUDA的工程師越多，企業就越傾向於選擇輝達的晶片…這是一個完美的正向循環，也是一個讓所有競爭對手絕望的「生態壁壘」。因此，輝達的估值，早已不僅是對其當前「數字」（獲利能力）的計算，更是對它未來在AI世界「唯一入口」和「事實標準」地位的「故事」定價。而華爾街相信的，是輝達在未來十年，都將持續向全世界收取高昂的「AI稅」。02. 夾縫中的新大陸現在，我們把目光轉回中國。地緣政治的賽局和供應鏈的限制，為中國本土的AI晶片廠商，意外地打開了一個「夾縫中的新大陸」。當輝達最先進的H100、B200晶片被一紙禁令攔在海關之外時，一個規模高達千億等級、並且仍在高速增長的龐大市場，被動地「讓」了出來。這個市場有多大？根據信通院等機構的測算，光是2024年，中國大模型市場對高階AI晶片的需求就可能超過50萬張，未來幾年的複合成長率驚人。這本應是輝達最肥美的“蛋糕”，現在，它只能眼睜睜地看著。這對寒武紀、華為昇騰、阿里平頭哥、壁仞科技、摩爾執行緒等所有本土玩家來說，是前所未有的歷史機會期。它們面對的，是幾乎沒有外部競爭、需求又極其確定的「溫室市場」。然而，這片「新大陸」並非坦途，甚至可以說是荊棘叢生。本土廠商面臨的核心挑戰，已經從“能不能造出晶片”，轉向了“造出的晶片有沒有人用”。在過去，我們評斷一款晶片，主要看PPA，也就是性能（Performance）、功耗（Power）、面積（Area）。我們的目標是創造一款在性能上接近輝達，同時功耗和成本更低的「平替」產品。但現在，所有人都明白了，沒有對標CUDA的成熟軟件棧，再強的晶片也只是“屠龍之技”，是中看不中用的“擺設”。國內的科技巨頭，如阿里、騰訊、百度、字節跳動，它們囤積的輝達晶片總有耗盡的一天。它們急需“國產替代”，但它們的需求也非常苛刻：這款國產晶片，必須能“用起來”，不能讓我的演算法工程師們把代碼全重寫一遍。於是，我們看到，所有國產AI晶片的頭部玩家，都把戰場從“硬體”轉向了“軟件”，試圖構建自己的“朋友圈”和“護城河”。目前，牌桌上主要有兩種流派：第一種，以華為昇騰（Ascend）為代表的「全端模式」。華為的打法，是複製一個「垂直整合」的生態。它不但有自己的昇騰晶片（硬體），還有自己的CANN（對標CUDA的底層軟體棧），甚至還有自己的MindSpore（對標PyTorch的AI框架）。這種模式的好處是控制力強，可以集中力量辦大事，實現內部的完美優化。缺點也同樣明顯：它相對“封閉”，是在試圖建立另一個“蘋果iOS”，要求開發者全面擁抱華為的技術體系。第二種，以寒武紀（MagicJian）為代表的「開放追趕模式」。寒武紀的定位更像是“中國的輝達”，它專注於做好晶片（硬體），同時提供一套名為MagicJian的軟件棧。它試圖更廣泛地去適配且相容主流的AI框架（如PyTorch），努力降低開發者的「遷移成本」。它的挑戰在於，作為一個體量遠小於華為的「中立」廠商，它是否有足夠的資源和號召力，去吸引開發者用它的「語言」？這場競賽的勝負手，已經不在於短期內誰的晶片跑分更高，而在於誰能更快地建構起一個「可用、易用、開發者願意用」的軟體生態，去承接這個因禁令而「溢出」的龐大市場。03. 從計算，到信念最後，讓我們回到最初的問題：寒武紀們被低估了嗎？如果我們嚴格按照達摩·達蘭的估值模型，只用「計算」的眼光去看的話，比如根據它們當下的出貨量、微薄的利潤率（甚至是大額虧損），以及高得離譜的市銷率（P/S），這些仍在追趕和巨額投入期的公司，其估值似乎根本無法支撐，泡沫明顯。以寒武紀為例，市值數百億人民幣，但年收入可能只有幾十億，而且仍在虧損。如果用傳統製造或半導體公司的標準來看，這無疑是昂貴的。但資本市場定價的，從來都不僅僅是“現在”，更是“未來”。對於A股的本土AI晶片股而言，它們的估值，本質上已經脫離了傳統「計算」的範疇，轉而成為一個「信念題」。這個「信念」包含幾個非常具體且層層遞進的層面：第一層信念：對「國產替代必然性」的信念。這是最基礎的信念。市場相信，無論主動或被動，中國AI產業對本土晶片的採購將是剛性的、不可逆的。地緣政治的「高牆」越高，這層信念就越牢固。因為所有人都明白，沒有底層的算力自主，一切「智慧強國」的宏圖都是沙上建塔。這為本土晶片提供了一個確定性極高的「保底」市場。第二層信念：對「中國AI市場長期成長」的信念。光有「替代」還不夠，這個「被取代」的市場必須夠大。市場相信，中國龐大的數字化經濟體量、海量的資料、豐富的應用場景，將共同催生一個不亞於北美的AI市場。從大模型、自動駕駛、生物醫藥到智慧製造，每個領域都是兆級的賽道。這個龐大的增量，為本土晶片提供了足夠高的「天花板」。第三層信念，也是最核心、最脆弱的信念：對「本土生態終將完成」的信念。這才是決定估值「是泡沫還是鑽石」的關鍵。市場在用幾百億、上千億的市值，去「賭」一個可能性：在華為、寒武紀或其他玩家中，至少會有一家，能夠克服萬難，最終建構起一個足以對標CUDA、能夠讓中國數百萬開發者順暢使用的軟件生態。為什麼說這層信念最脆弱？因為它不是必然的。它需要巨額的、持續十數年的研發投入，需要頂級的戰略耐心，需要龐大的工程師團隊夜以繼日地去“填坑”，更需要下游的客戶和開發者“用腳投票”，願意忍受早期產品的不完善，一起“共建”這個生態。因此，短期來看，寒武紀們的估值，反映的就是市場對這第三層信念的「搖擺」。當市場情緒樂觀時，比如華為昇騰又有了新突破，或者寒武紀適配了某款熱門大模型，大家覺得“生態好像快成了”，股價就會飆升，因為市場願意為這個“中國版CUDA”的遠景支付高額溢價。當市場情緒悲觀時，例如財報虧損擴大，或者某個技術難關遲遲無法攻克，大家又會退回到“計算”模式，覺得“故事講不通了”，股價就會暴跌。所以，討論“低估”還是“高估”，已經意義不大。我們必須明白，給這些公司估值，本質上不是在「計算」一家公司的當前價值，而是在「押注」一個國家產業突圍的機率。04. 生態，終局的博弈當輝達的市值沖向5萬美元時，它早已不是一家單純的硬體公司，它是一個「生態帝國」。而對於「寒武紀」來說，它們從誕生之日起，就註定了無法成為一家「小而美」的晶片設計公司。它們背負的宿命，就是要在中國這片土地上，重建一個獨立自主的AI「生態」。這是一場九死一生的豪賭，也是一場沒有退路的戰爭。從這個角度來看，寒武紀們的估值，目前仍然是一個「信念題」。這個信念，建立在地緣政治的「高牆」和中國市場的「縱深」之上。但信念無法永遠脫離現實。未來三到五年，將是國內AI生態的「攤牌期」。如果本土廠商無法提供真正「可用」的工具鏈，那麼國內的AI產業發展將被迫降速，甚至停滯，這個「信念」的基礎也就不復存在。反之，如果我們能在這場「夾縫」中，真的培育出一個或幾個開放、繁榮、足以對抗封鎖的AI新生態——那怕這個生態運轉的效率可能只有CUDA的70%或80%——那麼，今天我們看到的幾百億、幾千億市值，或許都還只是一個開始。 （深水研究）

9月29日傍晚，AI業界上演了一場精彩的“默契配合”。18:07，DeepSeek官方宣佈發佈DeepSeek-V3.2-Exp模型；僅4分鐘後，寒武紀便宣佈已完成對該模型的適配並開源相關推理引擎。這種近乎即時的步調一致，絕非偶然，演算法與晶片的同步登場，不再是矽谷的獨有節奏。中國AI產業正在用一場精心編排的協同演出，證明中國國產生態的成熟度。01 中國國產大模型與算力晶片的“神同步”2025年9月29日18:07，深度求索（DeepSeek）官宣發佈實驗性模型 DeepSeek-V3.2-Exp，引入自研 稀疏注意力架構（DeepSeek Sparse Attention） ，顯著提升長文字處理效率並大幅降低推理成本。僅4分鐘後（18:11），寒武紀開發者公眾號宣佈：完成對該模型的適配並開源推理引擎vLLM-MLU程式碼，開發者可“第一時間體驗”新模型特性。這種精確到分鐘的協同，已遠超技術巧合，而是 中國國產AI軟硬體生態深度繫結的戰略縮影。01 技術協同 預先埋點的合謀表面上的“4分鐘響應”，實則是長期技術協作的結果。根據行業分析，像DeepSeek-V3.2這樣體量達到671GB的大模型，僅在理想條件下完成下載就需要8-10小時。而晶片與模型的適配涉及底層架構最佳化、算力資源匹配和相容性偵錯等複雜工作，絕非短時間內能夠完成。AI行業資深專家指出：“如此快速的適配響應，充分說明寒武紀早在DeepSeek-V3.2發佈前就已啟動適配研發，雙方在技術層面的溝通與協作早已悄然展開。”這種協同背後是深層次的技術融合。DeepSeek-V3.2-Exp引入的DeepSeek Sparse Attention（DSA）稀疏注意力機制，首次實現了細粒度稀疏注意力機制，在幾乎不影響模型輸出效果的前提下，大幅提升長文字訓練和推理效率。而寒武紀則通過Triton算子開發實現快速適配，利用BangC融合算子開發實現極致性能最佳化，基於計算與通訊的平行策略，達成業界領先的計算效率水平。02 軟硬體協同生態本次同步發佈的背後，是中國國產AI軟硬體生態的整體成熟。華為計算宣佈，昇騰已快速基於vLLM/SGLang等推理框架完成適配部署，實現DeepSeek-V3.2-Exp Day 0（第零天）支援，並向開發者開源所有推理程式碼和算子實現。華為雲更是首發上線了DeepSeek-V3.2-Exp，使用CloudMatrix 384超節點為該模型提供推理服務。這種協同效應不僅體現在效率上，更體現在性價比的實質性提升上。DeepSeek V3.2-Exp發佈後，API呼叫成本降低50%以上，使得更多開發者和中小企業能夠以更低成本使用頂尖水平的大模型。過去，中國國產晶片廠商常陷於“適配困境”——被動跟隨國際框架（如CUDA）更新介面，相容成本高且生態割裂。而2024年《國家人工智慧產業綜合標準化體系建設指南》的出台，首次系統性提出“軟硬體協同標準”，要求統一智能晶片介面、規範多硬體平台適配流程。《人工智慧異構加速器統一介面》國家標準強制要求晶片廠商開放指令集架構，使深度學習框架可跨平台無縫部署。這一頂層設計讓寒武紀等企業從“介面適配方”躍升為“標準制定方”，為DeepSeek模型的即時適配鋪平了道路。市場分析人士指出：“DeepSeek-V3.2最大的意義在於軟硬協同設計支援中國國產算力，全新DeepSeek Sparse Attention機制，疊加中國國產晶片的計算效率，可大幅降低長序列場景下的訓推成本。”需要注意的是儘管中國國產AI生態已初具規模，但挑戰猶存：TileLang等工具鏈的易用性仍不及CUDA，開發者生態需進一步下沉；全球競爭壓力下，Google Gemini 2.5通過模型蒸餾進一步壓縮算力需求，對中國國產方案構成新挑戰。然而，當DeepSeek以UE8M0 FP8精度重新定義算力規則，當寒武紀以開放原始碼打破技術黑箱，中國AI產業已邁出從“生態追隨”到“標準定義”的關鍵一步。正如《指南》所強調：“標準化的終極目標不是替代，而是重構全球AI生態的話語權分配。”03 協同模式下的AI產業新秩序DeepSeek與寒武紀等中國國產晶片廠商的高度協同，標誌著中國AI產業進入生態競爭新階段。這種協同不是偶然現象，而是產業鏈頭部企業面對國際競爭的戰略選擇。隨著AI向能源、交通、醫療等關鍵領域滲透，如果底層晶片、網路和系統長期依賴國外，就意味著命脈交到別人手裡。北京方案通過開放標準和統一相容，把崑崙芯、壁仞、太初元碁、摩爾執行緒等中國國產晶片和DeepSeek、豆包、文心一言、Kimi、Qwen等主流大模型拉入同一生態，確保中國國產AI有自己的“底座”和“話語權”。這種協同效應正在形成良性循環。中國國產晶片企業通過適配DeepSeek等先進模型，不斷提升自身在複雜AI任務中的處理能力；而大模型則借助晶片的最佳化實現更高效部署，擴大應用場景。申港證券分析認為：“隨著算力基礎設施的持續投入，中國國產算力在模型側和算力晶片方面或將持續突破，有望維持較好景氣度，展望中期，中國國產算力有望獲得領先於海外算力的增長彈性。”04 點評 定義權的爭奪遠未終結儘管中國國產AI生態已初具規模，但挑戰猶存：TileLang等工具鏈的易用性仍不及CUDA，開發者生態需進一步下沉；全球競爭壓力下，Google Gemini 2.5通過模型蒸餾進一步壓縮算力需求，對中國國產方案構成新挑戰。然而，當DeepSeek以UE8M0 FP8精度重新定義算力規則，當寒武紀以開放原始碼打破技術黑箱，中國AI產業已邁出從“生態追隨”到“標準定義”的關鍵一步。正如《指南》所強調：“標準化的終極目標不是替代，而是重構全球AI生態的話語權分配。” (壹零社)

9月29日，DeepSeek-V3.2-Exp模型正式在Hugging Face平台發佈並開源。模型引入稀疏 Attention 架構，這種架構能夠降低計算資源消耗並提升模型推理效率。據“華為計算”微信公眾號消息，昇騰已快速基於vLLM/SGLang等推理框架完成適配部署，實現DeepSeek-V3.2-Exp 0day支援，並面向開發者開源所有推理程式碼和算子實現。寒武紀在官方微訊號宣佈，已同步實現對深度求索公司最新模型DeepSeek-V3.2-Exp的適配，並開源大模型推理引擎vLLM-MLU原始碼。依託DeepSeek-V3.2-Exp帶來的全新DeepSeek Sparse Attention機制，疊加寒武紀的極致計算效率，可大幅降低長序列場景下的訓推成本。海光資訊同日宣佈其DCU實現無縫適配+深度調優，做到大模型算力“零等待”部署。海光資訊表示，基於GPGPU架構強大的生態優勢，與程式設計開發軟體棧DTK的特性，DeepSeek-V3.2-Exp在海光DCU上展現出優異的性能，同時驗證海光DCU高通用性、高生態相容度及自主可控的技術優勢。 (財聯社)

在今日舉辦的華為全聯接大會2025上，華為輪值董事長徐直軍表示超節點成為AI基礎設施建設新常態，目前CloudMatrix 384超節點累計部署300+套，服務20+客戶。華為將推出全球最強超節點Atlas 950 SuperPoD，算力規模8192卡，預計於今年四季度上市。此外新一代產品Atlas 960 SuperPoD ，算力規模15488卡，預計2027年四季度上市。會上，徐直軍還發佈了全球首個通算超節點TaiShan950 SuperPoD，計畫2026年一季度上市。徐直軍稱，其將成為大型機、小型機終結者。此外，他還表示，算力過去是，未來也將繼續是，人工智慧的關鍵，更是中國人工智慧的關鍵。徐直軍還首次公佈了昇騰晶片演進和目標。他表示，未來三年，華為已經規劃了昇騰多款晶片，包括昇騰950PR、950DT以及昇騰960、970。其中昇騰950PR 2026年第一季度對外推出，該晶片採用了華為自研HBM。根據現場公佈的資訊，昇騰950PR晶片架構新增支援低精度資料格式，其中FP8/MXFP8/HIF8: 1 PFLOPS，MXFP4: 2 PFLOPS，重點提升向量算力，提升互聯寬頻2.5倍，支援華為自研HBM高頻寬記憶體，分為HiBL 1.0和HiZQ 2.0兩個版本。規格方面，HiBL 1.0容量128GB，頻寬1.6TB/s；HiZQ 2.0容量144GB，頻寬4TB/s。其中，昇騰950PR晶片採用950核心+HiBL 1.0記憶體，可提升推理Prefill（預填充）性能，提升推薦業務性能。昇騰950DT採用HiZQ 2.0記憶體，可提升推理Decode（解碼）性能，提升訓練性能，提升記憶體容量和頻寬。延伸閱讀：在大模型推理中，Prefill階段負責接收完整輸入資料（如文字或圖像），並計算快取。這一過程需要強大的算力支援，通常由高性能晶片完成。 該階段強調算力而非記憶體頻寬，因此更適合在HBM（高頻寬記憶體）晶片上運行。相比之下，後續的Decode階段更依賴高速記憶體傳輸和互聯方案。HBM（High Bandwidth Memory，高頻寬記憶體）是一種基於3D堆疊技術的先進DRAM解決方案，多層DRAM晶片垂直整合，顯著提升資料傳輸效率。具有超高頻寬與低延遲、高容量密度、高能效比等優勢，能協助快速處理資料密集型的AI任務。美國國際戰略研究中心（CSIS）AI專家艾倫（Gregory Allen）解釋，HBM對於製造先進AI晶片至關重要，價值約佔整體晶片的一半。AI推理需頻繁呼叫海量模型參數（如千億級權重）和即時輸入資料。HBM的高頻寬和大容量允許GPU直接訪問完整模型，可避免傳統DDR記憶體因頻寬不足導致的算力閒置。對於千億參數以上的大模型，HBM可顯著提升響應速度。當下，HBM已成為高端AI晶片的標配，訓練側滲透率接近100%，推理側隨模型複雜化加速普及。 (快科技)

在昇騰 NPU 上進行大模型推理，長期以來都是國內開發者面臨的一項挑戰。雖然華為官方提供了性能表現良好的 MindIE 推理引擎，並原生支援 Atlas 800 A2 系列和 Atlas 300i Duo（昇騰 910B 和 310P），但其使用門檻較高，環境配置複雜，限制了非官方團隊在實際項目中部署和偵錯的效率。開源社區也在積極推進對昇騰 NPU 的支援。尤其值得關注的是，近段時間昇騰聯合 vLLM 社區推出了 vLLM Ascend 外掛，實現了對 Atlas 800 A2 系列的支援（預計在 2025 年 Q3 支援 Atlas 300i Duo）。其開源生態活躍，發展勢頭迅猛，逐步成為昇騰推理生態中不可忽視的一股力量。為了系統地評估 vLLM Ascend 與 MindIE 在實際推理場景中的性能差異，本文將從單卡推理、多卡平行、多並行處理等維度展開對比測試。實驗基於開源模型服務平台 GPUStack 進行，在保證復現性和易用性的前提下，快速完成部署與測試。GPUStack https://github.com/gpustack/gpustack 是目前對昇騰 NPU 支援最完善的開源模型服務平台。 它開箱即用地整合了 MindIE、vLLM（vLLM Ascend）、llama-box（llama.cpp）等多個後端，避免了使用者在部署過程中反覆踩坑和冗長的環境配置流程。平台原生支援昇騰上的多種模型類型，包括大語言模型、多模態模型、文字嵌入模型、重排序模型和圖像生成模型等，同時也相容昇騰的多機多卡推理場景，其中 vLLM 和 llama-box 已實現多機分佈式推理支援，MindIE 分佈式功能也在開發計畫中。以下是 GPUStack 官方的特性介紹：廣泛的 GPU 相容性：無縫支援 Apple Mac、Windows PC 和 Linux 伺服器上各種供應商（NVIDIA、AMD、Apple、昇騰、海光、摩爾執行緒、天數智芯）的 GPU。廣泛的模型支援：支援各種模型，包括大語言模型 LLM、多模態 VLM、圖像模型、語音模型、文字嵌入模型和重排序模型。靈活的推理後端：支援與 llama-box（llama.cpp 和 stable-diffusion.cpp）、vox-box、vLLM 和 Ascend MindIE 等多種推理後端的靈活整合。多版本後端支援：同時運行推理後端的多個版本，以滿足不同模型的不同運行依賴。分佈式推理：支援單機和多機多卡平行推理，包括跨供應商和運行環境的異構 GPU。可擴展的 GPU 架構：通過向基礎設施加入更多 GPU 或節點輕鬆進行擴展。強大的模型穩定性：通過自動故障恢復、多實例冗餘和推理請求的負載平衡確保高可用性。智能部署評估：自動評估模型資源需求、後端和架構相容性、作業系統相容性以及其他與部署相關的因素。自動調度：根據可用資源動態分配模型。輕量級 Python 包：最小依賴性和低操作開銷。OpenAI 相容 API：完全相容 OpenAI 的 API 規範，實現無縫遷移和快速適配。使用者和 API 金鑰管理：簡化使用者和 API 金鑰的管理。即時 GPU 監控：即時跟蹤 GPU 性能和利用率。令牌和速率指標：監控 Token 使用情況和 API 請求速率。偵錯昇騰裝置在實際操作中遠比 NVIDIA 環境複雜，尤其在依賴項編譯、推理引擎整合等方面常常阻礙開發流程。GPUStack 的意義在於有效遮蔽部署過程中的環境複雜性，為開發者提供一個統一、穩定的推理平台，大幅降低了在昇騰裝置上開展模型部署和推理的門檻。此外，GPUStack 還內建了模型對比功能，支援在統一的測試環境下直觀對比 MindIE 和 vLLM Ascend 的推理表現，為後續選型和最佳化提供直接的資料支援。因此，我們將在 GPUStack 上系統測試兩種推理後端的性能表現。快速安裝 GPUStack首先，參考 GPUStack 官方文件完成安裝（https://docs.gpustack.ai/latest/installation/ascend-cann/online-installation/）。本文採用容器化部署方式，在昇騰 910B 伺服器上，根據文件要求完成對應版本的 NPU 驅動和 Docker 執行階段的安裝後，通過 Docker 啟動 GPUStack 服務。在本次實驗中，我們掛載了 /dev/davinci0 至 /dev/davinci3 共四張 NPU 卡，具體掛載方式可根據實際裝置資源靈活調整。在執行階段通過 --port 9090 指定管理介面的訪問連接埠（使用 Atlas 300i Duo 的使用者，可以參照安裝文件選擇對應的 310P 鏡像，vLLM Ascend 暫不支援 310P）：docker run -d --name gpustack \--restart=unless-stopped \--device /dev/davinci0 \--device /dev/davinci1 \--device /dev/davinci2 \--device /dev/davinci3 \--device /dev/davinci_manager \--device /dev/devmm_svm \--device /dev/hisi_hdc \-v /usr/local/dcmi:/usr/local/dcmi \-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \-v /etc/ascend_install.info:/etc/ascend_install.info \--network=host \--ipc=host \-v gpustack-data:/var/lib/gpustack \crpi-thyzhdzt86bexebt.cn-hangzhou.personal.cr.aliyuncs.com/gpustack_ai/gpustack:v0.6.2-npu \--port 9090查看容器日誌確認 GPUStack 是否正常運行（需要注意的是，昇騰 NPU 默認不支援裝置在多個容器間共享使用，如果已有其他容器佔用 NPU 裝置（已掛載 /dev/davinci*），將導致 GPUStack 無法正常使用 NPU。在此情況下，需先停止佔用 NPU 的其他容器，釋放裝置資源）：docker logs -f gpustack若容器日誌顯示服務啟動正常，使用以下命令獲取 GPUStack 控制台的初始登錄密碼：docker exec -it gpustack cat /var/lib/gpustack/initial_admin_password在瀏覽器中通過伺服器 IP 和自訂的 9090 連接埠訪問 GPUStack 控制台（http://YOUR_HOST_IP:9090），使用默認使用者名稱 admin 和上一步獲取的初始密碼登錄。登錄 GPUStack 後，在資源菜單即可查看識別到的 NPU 資源：GPUStack 也支援加入更多 Worker 節點建構異構推理叢集。由於本文聚焦單機性能對比，相關叢集部署內容不作展開，感興趣的讀者可參考前文提到的官方安裝文件獲取詳細說明。部署模型GPUStack 支援從 Hugging Face、ModelScope 和本地路徑部署模型，國內部網路絡推薦從 ModelScope 部署。在 GPUStack UI，選擇 模型 - 部署模型 - ModelScope 部署模型。從 ModelScope 分別部署以下模型，並分別選擇 MindIE 和 vLLM 後端，部署不同後端的模型服務。由於 MindIE 和 vLLM 後端默認的獨佔視訊記憶體參數設定，當前資源不足以運行所有模型，本文將根據需要靈活停止和啟動不同的模型進行測試。GPUStack 提供了智能計算模型資源需求和分配資源的自動化調度功能，對於 7B 模型和 14B 模型，默認僅會分配單卡。如果想強制分配更多的卡數量：對於 vLLM 後端，可以設定 --tensor-parallel-size=2 或手動選擇 2 卡來分配 2 塊 NPU對於 MindIE 後端，可以手動選擇 2 卡來分配 2 塊 NPU完成後，模型運行如下所示（註：根據所需，停止和啟動不同模型進行測試）：測試 DeepSeek-R1-Distill-Qwen-7B（單卡）在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-7B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。本文基於 GPUStack 的能力進行性能對比測試，更深入的性能測試可以使用 EvalScope 等工具進行。以下為 DeepSeek R1 Distill Qwen 7B 模型在昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料測試 DeepSeek-R1-Distill-Qwen-7B（雙卡平行）在 模型，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-7B 模型，修改配置分配 2 卡並重建生效；在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-7B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。以下為 DeepSeek R1 Distill Qwen 7B 模型在雙卡昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料測試 Qwen3-14B（單卡）在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-14B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。以下為 DeepSeek R1 Distill Qwen 14B 模型在單卡昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料測試 Qwen3-14B（雙卡平行）在 模型，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-14B 模型，修改配置分配 2 卡並重建生效；在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-14B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。以下為 DeepSeek R1 Distill Qwen 14B 模型在雙卡昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料測試 DeepSeek-R1-Distill-Qwen-32B（雙卡平行）在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 DeepSeek-R1-Distill-Qwen-32B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。以下為 DeepSeek R1 Distill Qwen 32B 模型在雙卡昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料測試 Qwen3-32B（雙卡平行）在 試驗場-對話-多模型對比，分別選擇兩種後端運行的 Qwen3-32B 模型進行對比測試；切換到 6 模型對比，重複選擇 vLLM Ascend 運行的模型測試 6 並行請求；更換 MindIE 運行的模型測試 6 並行請求。以下為 Qwen3 32B 模型在雙卡昇騰 910B 上的推理性能資料對比：單並行 vLLM Ascend 對比 MindIE6 並行 MindIE 性能資料6 並行 vLLM Ascend 性能資料資料彙總分析將以上測試資料進行彙總得出下表：根據以上性能資料分析，可以得出以下結論：1.中小模型單卡部署場景下，vLLM 在延遲和吞吐方面表現更優以單卡部署的 DeepSeek R1 7B 和 Qwen3 14B 為例，vLLM 在 TTFT（首 token 延遲）方面普遍低於 MindIE，部分模型在吞吐上也略有提升，顯示出其在延遲敏感型應用中具有一定優勢。2.高並行場景下，vLLM 展現出良好的擴展性在多並行測試中，vLLM 能夠在保持較低延遲的同時實現與 MindIE 相當甚至略高的吞吐表現，說明其在並行請求調度和資源利用方面具備一定優勢。3.多卡部署場景中，MindIE 在性能上更具優勢在雙卡部署的多種模型測試中，MindIE 在吞吐率方面顯著優於 vLLM，TPOT 延遲也表現更優。這一差距主要源於 MindIE 對圖模式和融合算子的最佳化支援，而當前 vLLM Ascend 仍處於單算子模式，尚未充分釋放多卡性能。隨著社區計畫發佈 vLLM Ascend 0.9，該瓶頸有望得到改善。4.總體來看，兩者在不同部署場景下各有優勢vLLM 目前更適用於單卡可運行的小型模型、延遲敏感和互動式應用場景；而 MindIE 更適合追求吞吐效率的大模型多卡部署。實際選型應結合業務需求、資源條件和生態支援情況綜合判斷。總結從本文的實驗結果來看，當前 vLLM Ascend 的推理性能已初具規模，儘管在多卡平行等場景下仍存在一定差距，但其作為開放原始碼專案的發展潛力不可忽視。伴隨社區與廠商的持續協作，性能的進一步突破值得期待。值得強調的是，推理性能只是衡量生態成熟度的一個維度。易用性、可維護性、社區活躍度，以及對新的模型、新的加速技術的支援能力，都是建構國產 AI 推理生態不可或缺的要素。vLLM Ascend 正是這樣一個探索的開端，也為更多開發者提供了參與昇騰生態建設的可能。在本次測試過程中，為了更高效地在昇騰硬體上部署 vLLM Ascend 和 MindIE 推理服務，作者採用了開源模型服務平台 GPUStack。該平台已適配昇騰、海光等多種國產 GPU 架構，有效簡化了 vLLM Ascend 和 MindIE 的部署和配置流程，顯著減少了環境配置的時間成本，使測試工作得以專注於模型本身的表現與分析。作為一個面向異構 GPU 生態的開源 MaaS 平台，GPUStack 的定位在於為模型推理、微調等場景和硬體適配之間提供穩定中間層。目前已有摩爾執行緒、天數智芯、寒武紀等廠商基於該平台進行了適配。未來，期待有更多國產 GPU 廠商加入，共同推動更統一、更高效的開源 AI 基礎設施。如果你也關注國產 AI 基礎設施平台的發展，不妨為該項目 https://github.com/gpustack/gpustack 點一個 star，關注後續適配進展，或參與生態共建。國產 AI 算力生態的成長不應僅依賴封閉的官方路徑，更需要開放、共享、協作的開發模式。從 MindIE 到 vLLM，從底層驅動到模型服務平台，每一個環節的開源努力，都是對自主可控技術路線的真實推動。未來，我們期待更多項目以開放的姿態匯聚在一起，共同建構真正具備競爭力的國產 AI 基礎設施體系。 (AI寒武紀)

美國全球追殺華為！在最新禁令中，美國一邊禁售輝達H20晶片，另一面在全球範圍內拉黑華為昇騰晶片。為什麼美國這麼害怕華為？華為幾乎做什麼，它就封鎖什麼。當年，華為手機銷量首次超越蘋果，就被美國全球製裁，連孟晚舟都被加拿大扣押了。然後，華為5G麒麟晶片也被封鎖，被逼得退出市場。因光刻機被禁，華為熬了3年之久，才借助中芯國際代工7奈米重返5G。如今，華為昇騰晶片打破了輝達H20一家獨大的局面，又被美國全球追殺了。為什麼美國非要死盯華為不放？根本原因就一個：華為的技術太強了。縱觀全球，還從來沒有那一家公司，像華為這樣，被美國以舉國之力，全球追殺的。而且，還不是一次性的追殺，而是層層圍堵，不斷加碼，全球追殺，誓不罷休。從2019年，華為被踢出美國算起來，這場華為美國之戰，已經打到第六年了。可結果呢？美國是，明知殺不死華為，卻不甘心放棄。華為則是，明知對方絕不會放過自己，但也絕不妥協，力戰到底。但打了六年之後，華為是越打越強了，而美國封鎖則是越鎖，越鎖不住了。為什麼是這樣？一是，中國不認輸。華為能活到現在，它的背後也站著一支強大的國家隊。在華為最危難的時候，深圳國資委出資1000億，買下榮耀，給華為補了一大口血。為了幫助華為突破晶片製造之困，國家成立晶片大基金，全力支援光刻機研發和晶片工藝的突破。深圳國資委還親自下場，成立了「新凱來」等大量半導體裝備企業，專供光刻機、刻蝕機、清洗裝置以及光刻機原料等核心技術突破。美國以舉國之力壓制華為，中國也幾乎是以舉國之力，力挺華為。華為的晶片突圍之戰，成為了中美晶片對決的巔峰之戰。華為被迫站在了美國的砲口下，但也得到了中國的全面後勤支援。這才保住了華為不倒。二是，華為確實屬於技術實力派。一個國家能被美國盯住六年，扛住美國六年的封鎖與打壓，這本身就證明了華為自身擁有強大的韌性。在這六年裡，華為沒有一味地等待光刻機的突破，而是在堅守基本盤的同時，全力開拓汽車業務，形成第二增長曲線。像華為通訊，依然穩居世界第一，5G業務遍佈全球。華為手機則在中芯國際的代工支援下，市佔率逼近20%，打敗蘋果，重返中國第一。而華為汽車就更是成為了中國版的「博世」，華為智駕幾乎拿下了中國全部國有大車企，包括長安、北汽、上汽、一汽、廣汽以及奇瑞等。華為智駕也躋身中國第一梯隊，更是一手帶飛了賽力斯。三是，在晶片領域，華為仍舊取得重大突破。這次被美國全球追殺的華為昇騰晶片，就是國內最先進的AI算力晶片了。雖然它的性能比不上輝達的旗艦H100、H200，但輝達之外，華為已經站穩第二名了。用黃仁勳的話說，輝達的最強對手之一，就是華為。同時呢，華為麒麟晶片也完成了對英特爾晶片的替代。手機、電腦、汽車三大算力平台，華為海思都一手包了。在手機領域，它曾經超越高通、蘋果。在電腦領域，它取代了英特爾。在汽車領域，它則是輝達的第一對手。這種硬核的技術實力，放在全球都是頂尖的存在。而華為取得的這種技術，都還是在美國封鎖之下完成的。這就形成了一個非常規的技術循環：華為越強大，美國就越封鎖，美國越封鎖，華為越強大！現在著急的不是華為，而是美國。因為在中國的晶片工業上，就只剩下最後一塊短板了。一旦光刻機突破，華為就徹底擋不住了。留給美國製裁華為的時間已然不多了。 （牲產隊）

近日，對美國意圖封殺華為昇騰等中國先進計算晶片的guidance，中國政府進行了嚴正回應。5月20日，中共中央政治局委員、外交部長王毅在京會見美國亞洲協會會長康京和時指出：美方繼續遏制打壓中國的正當發展權利，近日竟然試圖對中國晶片進行全面封殺，這是赤裸裸的單邊霸凌，中方堅決反對。5月21日，商務部新聞發言人發表談話：中方強調，美方措施涉嫌構成對中國企業採取的歧視性限制措施。任何組織和個人執行或協助執行美方措施，將涉嫌違反《中華人民共和國反外國製裁法》等法律法規，須承擔相應法律責任。美方通過guidance明確使用華為昇騰晶片可能違反美國出口管制規定。中國商務部發言人的上述表態則相當於明確：如因懾於美國出口管製法規而“執行或協助執行”上述guidance，將涉嫌違反中國的《反外國製裁法》。根據《反外國製裁法》第12條：任何組織和個人均不得執行或者協助執行外國國家對中國公民、組織採取的歧視性限制措施。組織和個人違反前款規定，侵害中國公民、組織合法權益的，中國公民、組織可以依法向人民法院提起訴訟，要求其停止侵害、賠償損失。根據3月份第803號國務院令“實施《反外國製裁法》的規定”：第十七條  對執行或者協助執行外國國家對中國公民、組織採取的歧視性限制措施的，國務院有關部門有權進行約談，責令改正，採取相應處理措施。第十八條  任何組織和個人執行或者協助執行外國國家對中國公民、組織採取的歧視性限制措施，侵害中國公民、組織合法權益的，中國公民、組織有權依法向人民法院提起訴訟，要求停止侵害、賠償損失。換言之，中國政府認為美國發佈的這個“guidance”屬於“歧視性限制措施”，受到《反外國製裁法》約束，“執行或協助執行”該guidance的任何組織和個人可能違反該法律，具體包括以下兩類法律風險：1、行政處罰：可能會被中國政府採取約談、責令改正等行政措施，甚至其他處罰；2、被提起侵權訴訟：因相關企業的“執行或協助執行”而受損失的企業，基於《反外國製裁法》獲得了一個民法上“侵權之訴”的訴權，現在可以依據《反外國製裁法》直接把“執行或協助執行”上述guidance”的企業告上法庭，要求停止相關行為；如因此遭受了損失，還可以要求相關企業賠償。什麼樣的行為才算“執行或協助執行”，《反外國製裁法》及後來的實施規定都沒有闡明具體標準，也讓第12條變成了一個政策性很強的條款，實踐中會衍生一些操作層面的問題：例如，如何認定一家中國公司暫停採購國產先進計算晶片，是出於自身項目調整、業務轉型等商業考量，還是因為擔心違反美國的出口管制規定？在和供應商或客戶的合同中加上一句遵守美方guidance的約定，是否有被認定為“協助執行”的風險？考慮到guidance帶來的風險，企業開展一些合規調查或風控動作，是否屬於“協助執行”？自2021年出台以來，對《反外國製裁法》第12條的執法實踐極少。有據可查的只有今年最高人民法院兩會工作報告披露的一則案例。2023年，某中企為一個歐洲企業建造海上浮式儲油船水處理模組，項目建成交付後，該中企被美國財政部以違反涉俄制裁為理由列入SDN清單，其歐洲客戶以“遵守美國製裁”為由拒付近億元尾款。該中企隨後在國內起訴，援引《反外國製裁法》和商務部《阻斷外國法律與措施不當域外適用辦法》，成功促使涉案歐洲企業推動美國財政部出具許可，並最終全額付款。儘管如此，在中國商務部發言人作出相關表態之後，美國的《出口管理條例》（EAR）中的“一般禁令10”和中國《反外國製裁法》第12條，還是構成了正面衝突。這意味著：全球任何企業，包括在中國境內營運的外資企業或中國本土企業。只要遵守美國關於昇騰等中國高性能計算晶片的“guidance”，就有可能被認定違反《反外國製裁法》第12條。與歐盟的“阻斷法”不同，《反外國製裁法》第12條沒有設定“豁免機制”（Waiver System）。因此對所有受影響的企業來說，面對這個中美法律的直接衝突，還沒有法律上可行的解法。在中美地緣政治緊張的背景下，G2不斷強化各自的制裁和反制裁機制。由於兩國在全球政治和經濟體系中的強大影響力，這些法律不僅適用於本國，也展現出很強的域外效力。越來越多中美企業夾在本國製裁法和對方反制裁法之間，面臨無論如何都會違反一方法律的兩難困境。由於美國經濟制裁的“次級制裁”機制，第三國和中國做生意的企業有時也無法倖免，可能受到美方“次級制裁”和中國針對性反制裁的影響。不過，上述法律衝突的狀態，有時也為企業帶來一些抗辯的理由。美國司法實踐中，一些外國公司或個人在陷入“遵守美國法律則會違反本國法律”的兩難處境時，會在美國法院提出“外國主權強制”（Foreign Sovereign Compulsion）抗辯。核心邏輯是：我之所以違反了美國法律，是因為我的本國法律強制要求我這樣做，且如果不遵守，將面臨嚴重法律後果。美國法院在遇到這種情況時，有時會啟動“國際禮讓”（International Comity）分析，並曾接受外國企業上述抗辯，豁免其違反美國法律責任。例如，在“維生素C反壟斷案”（In re Vitamin C Antitrust Litigation）中，美國進口商起訴河北維爾康等中國維生素C生產商，指控其合謀限製出口、操控價格，違反了美國《謝爾曼反壟斷法》。中國廠商辯稱這些行為系遵守中國政府實施的出口配額和行業協調政策。在此案中，中國商務部罕見地向美國法院發出信函，確認存在上述國家層面的強制政策，要求美法院予以採信。此案最終於2021年在美國最高法院審理前達成和解，但聯邦第二巡迴法院在上訴審中支援了中國企業，認定應給予中國商務部的官方解釋“決定性權重”。在“蒂芙尼”案（Tiffany (NJ) LLC v. Qi Andrew, 276 F.R.D. 143, 151–160 (2011)）中，美國知名奢侈品牌蒂芙尼起訴了一些涉嫌通過中國電商平台銷售假冒商品的商戶，並依據《聯邦民事訴訟規則》申請證據開示，要求三家中國銀行在美分行提供與售假相關的銀行帳戶及財務資訊。由於相關資料主要儲存在中國，三家銀行抗辯稱如向美國法院提供這些資料將違反中國《商業銀行法》，並提交了中國銀行因跨境提供資料受罰的案例。法院最終承認中美法律存在衝突，並支援了銀行的抗辯。總體來看，美國法院在相關訴訟中進行“國際禮讓”分析，是基於國際公法上的“外國政府行為”（Act of State Doctrine）、“國家主權豁免”（State Sovereignty Immunity）等國際法原則，實踐中會綜合評估幾個因素：外國主權利益的強度、法律衝突的嚴重程度、美國國內利益的權重、外國法律的明確性及執行力度、對國際合作和外交關係的影響，以及當事人因遵守外國法律可能遭受的懲罰等。這引出了一個值得探討的問題：假設有一家中企因“執行或協助執行”美國針對中國先進計算晶片的guidance而被美國商務部處罰，該企業是否可以到美國法院起訴，主張“外國主權強制”，要求豁免法律責任？相關企業可能會說：自己只是遵守了中國的《反外國製裁法》第12條，而非主動對抗美國出口管制；而且，中國商務部的發言人已經明確表示，任何“執行或協助執行”美國針對華為的制裁行為，都將面臨中國法律責任。因此，企業是在兩國法律衝突之間被動受制，美國法院應當豁免其違反美國法律的責任。然而，這類抗辯在現實中可能面臨非常大的挑戰。首先，近年來美國法院在涉及中國的案件中，對“國際禮讓”的適用標準日益趨嚴，對中國企業提出的類似抗辯也越來越審慎，成功率不高。更關鍵的是，一旦這類案件進入美國司法程序，美國政府幾乎可以確定會將其上升到國家安全層面，主張其發佈guidance是出於保護美國“國家安全”的核心利益。在這種情況下，法院在進行“國際禮讓”分析時，往往會更傾向於支援政府立場，認為國家安全優先於國際司法協作或商業合規困境。因此，即使中企能夠提起訴訟並獲得受理，也勢必要打一場極為艱難的法律戰。 (東不壓橋研究院)

美國商務部日前發佈指南稱，“在全球任何地方使用華為昇騰晶片均違反美國出口管制規定”，後來又將上述措辭調整為“警告業界使用中國先進電腦晶片，包括特定華為昇騰晶片的風險”。但不管怎麼改，說白了，就是明著給中國發展高科技“下絆子”，用的是“莫須有罪名+長臂管轄”的老套路。對此，中國商務部於5月19日和21日先後兩次發聲，斥責美方“手伸得太長，是典型的單邊霸凌行徑”，並表達了中方堅決維護自身正當權益的決心。美方此次政策的實質，是試圖將其國內權力意志強加於全球市場，對中國高性能計算晶片進行全方位圍堵，意在阻斷中國晶片的技術迭代，剝奪其參與全球供應鏈的資格，迫使全球企業繼續依賴美國晶片。最過分的是，華盛頓的“長臂”甚至要干涉中國公司在中國境內使用中國自己生產的晶片，這是對14億多人發展權的極度藐視。科技進步是每個國家增強競爭力、提升國民生活水平的必由之路，不是誰能剝奪的。世界並非專門為美國廚房備菜的“菜園”，國家不分大小強弱，各國人民追求美好生活的權利都應是平等並受到尊重的。絆倒別人就能讓自己永遠領先？答案必然是不能。就在美方“下絆子”的當口，從中國高科技產業傳來兩個好消息。華為正式發佈全新鴻蒙電腦，小米則宣佈開始量產3奈米晶片。業內人士認為，這兩家中國企業宣佈的新突破，正是美國長期佔優勢、同時對我嚴防死守的關鍵領域。中國科技企業正以自力更生的精神和全面迸發的創新活力，努力超越向西方公司繳納高昂“數字稅”的年代。從“兩彈一星”到5G網路的全球領先，從“深度求索”到神舟二十號的成功飛天，中國科技發展的歷程反覆印證：外部封鎖只會激發內生動力，不斷地點燃中國科技發展的鬥志。一個發展中大國科技潛力的爆發，對自工業革命以來保持優勢地位的傳統強權大國造成心理衝擊，是完全可以理解的。然而，若一口咬定中國發展科技是為了“取代美國”，那就是毫無根據的臆測和自尋煩惱，但這恰恰代表了相當一部分華盛頓政客頑固的對華認知，他們還是從中美戰略競爭甚至“科技冷戰”的狹隘視角去看待中國。實際上，中國科技發展服務於國內經濟現代化建設、服務於民生理想的目標非常明確，而中國的科技發展，包括華為的昇騰晶片、小米的晶片研發在內，客觀上為世界提供了更多選擇，加速了人類科技發展的腳步。事實勝於雄辯，中國科技企業專心致志做好自己的事，同時蹚出一條既適合自己、又能惠及更多國家的發展道路。中國的發展從不是為了“扳倒”誰，而是邀請大家一起把蛋糕做大。非洲城市街頭的電動大巴，中東沙漠深處的太陽能電站，東南亞偏遠村莊的衛星訊號……在世界各個角落，隨處可見中國倡導的人類命運共同體理念為全球科技生態注入的澎湃活力。在提供價格更有競爭力的差異化產品的同時，中國也向世界普及了一種全新的發展理念和路徑：即這個世界除了你輸我贏、零和博弈，還有合作共贏、做大做強，正是這條攜手為世界做增量的全球化大道，托舉起中國科技發展的機遇期。正因如此，“下絆子”對付中國科技崛起不可能得逞，因為中國企業的身後是一個高度分工合作的生態圈。在全球半導體產業鏈上，荷蘭的光刻機、日本的半導體材料供應商、美國的晶片製造商，都與中國市場深度繫結。華盛頓在這一各國都高度重視的賽道上“下絆子”，不僅會遭到中國企業的堅決反對，也勢必遭到依賴中國市場和供應鏈的各國企業的反對，其中美國企業顯然也不在少數。而這個貼著保護主義標籤的“絆子”，從長遠看也無助於美國企業競爭力的提高。21世紀是世界多極化和經濟全球化的時代，在時代發展的浪潮上，“誰贏誰輸”早已是短視與過時的思維，“普惠包容”才是實現發展的共贏之道。希望美方立即停止這種違反國際法和國際關係基本準則的錯誤作法，停止用歧視性限制措施對中國科技企業進行遏制打壓。在高科技這個賽道上，不是靠“絆”就能贏的，公平競爭、開放合作、互利共贏才是正確的奔跑方式。 (環球時報)