DeepSeek此次开源的核心是TileLang，但很多人没注意到，它并非DeepSeek自研，而是由北京大学计算机学院团队主导开发的开源项目。TileLang的核心创新是「Tile」（张量分块）抽象——开发者用接近数学公式的Python代码描述计算意图，由编译器自动完成循环优化、内存调度等底层硬件适配，目标是「一次编写，多架构运行」。DeepSeek在其V3.2-Exp版本中首次大规模使用TileLang替代CUDA，算子代码量缩减至原来的1/5，同时性能逼近硬件上限。此次开源昇腾版本，意味着DeepSeek不再只是「用」北大工具，而是将自身积累的高性能算子实现反向迁移，成为TileLang生态的核心贡献者。

昇腾910B单卡算力仅为英伟达H200的20%-30%，但科大讯飞披露的一组数字更耐人寻味：在昇腾910B上训练MoE模型，初期效率仅为同规模A800集群的30%，经过算子融合、通信优化等工程打磨后，效率飙升至93%。硬件参数没变，变的是软件层。DeepSeek此次将TileLang、DeepGEMM、DeepEP等「秘籍」系统性迁移到昇腾，本质上是在帮华为补齐从「硬件可用」到「好用」的那段工程链条。反方观点则认为，这种优化只能缩小差距，无法解决HBM带宽和制程代差带来的根本性瓶颈——昇腾950PR的带宽（1.4TB/s）与H200（4.8TB/s）仍有3倍以上差距。

DeepSeek是国产大模型里唯一公开宣称「每一条TileLang算子都在昇腾上有对应实现」的团队，梁文锋也定下目标：70%算力用于训练、30%用于推理。但一个真正的追问在于：「全栈对应」不等于「全栈等价」。商业训练场景中，昇腾集群的线性加速比、故障恢复时间、FP4精度下的loss稳定性，都需要万卡级长期跑实验才能验证。更根本的问题是：当DeepSeek把核心技术路线绑在TileLang上时，如果昇腾下一代芯片的指令集发生重大变化，这种「一一对应」能否低成本地延续？这不仅是DeepSeek的赌注，也是整个国产算力生态「从实验到生产」必须回答的问题。