据香港《南华早报》10日 报道，尽管中国政府持续推动半导体自主化，但国内不少先进人工智能（AI）模型的训练仍在使用NVIDIA芯片，本土AI开发商短期内也难以轻易更换现有训练平台。

报道援引知情人士称，制约国产替代推进的关键因素并非单纯的硬件性能，而是软件生态门槛。长期以来，NVIDIA的CUDA一直是AI开发的主流标准；而要迁移至华为的替代平台CANN，往往需要对既有代码进行大规模重写和重新优化。

知情人士表示，目前中国AI开发商在训练大语言模型（LLM）时，仍普遍采用NVIDIA芯片。

上海一所高校下属研究机构的AI模型开发者James Wang表示，其现有训练流程高度依赖CUDA，相关代码无法直接在昇腾平台上运行，必须进行大范围改写。如果将既有工作流迁移至昇腾平台（CANN生态），时间和投入成本至少会增加50%。

报道指出，迁移成本还会因模型架构以及是否开源而进一步上升。一名参与将北京某大语言模型项目迁移至昇腾平台的工程师表示，对于DeepSeek这类开源模型及其蒸馏模型，借助现有生态支持，通常只需额外增加2至3名工程师、耗时约一个月，便可完成训练适配；但对于Moonshot AI的Kimi K3这类仅公开权重、不开放源码的模型，则可能需要约10名工程师额外投入6个月以上。

上述情况也反映出，中国AI产业的国产替代正在呈现“推理先行、训练滞后”的特点。通常而言，AI开发可分为训练和推理两个环节，其中训练流程更复杂、资源消耗更高，迁移难度也更大；相比之下，推理侧更容易完成适配。

报道提到，DeepSeek-V4和Moonshot的Kimi K3据称已经适配华为和阿里巴巴集团的平台。

不过，在训练阶段具体使用何种芯片，仍属于较为敏感的信息。DeepSeek和Moonshot均未披露其模型训练所采用的AI芯片。另据美国媒体The Information今年7月报道，Kimi K3的训练使用了包含NVIDIA Blackwell处理器在内的芯片。

与此同时，中国AI企业也并非没有基于国产芯片开展训练的尝试。美团今年6月发布参数规模达1.6万亿的LongCat-2.0时表示，尽管未披露具体供应商名称，但该模型已在由5万张国产算力卡组成的集群上完成训练和运行。

整体来看，中国AI半导体自主化的瓶颈，仍更多体现在开发生态的迁移成本上，而非芯片性能本身。国产芯片在推理侧的应用范围正持续扩大，但在最前沿模型训练领域，能否尽快突破以CUDA为核心的开发生态依赖，仍将直接影响国产替代的推进速度。