不止華為芯模協同,DeepSeek V4 還反映了這個"中國AI模式"

有國外博主在研究了 DeepSeek v4 和 Kimi k2 技術文檔后，發現前者 使用了 Muon 優化器，并結合 Kimi 的配方來擴展其用于 LLM 訓練。

同時，Kimi K2（及K2.6）又采用了 DeepSeek-V3 的架構技術（超稀疏 MoE + MLA）。

他感慨稱，“開源 AI 實驗室正在相互疊加彼此的研究成果，這正是它應該的樣子”。

對此，美國某AI公司聯合創始人轉評稱，這就是中國的模式，值得稱贊。

同時，他吐槽之前倡導公益起家的 OpenAI ，及谷歌都公布技術論文，而現在全部走向閉源，紛紛把自己變成了“黑盒”公司，讓人失望。

確實如他所言，中國 AI 公司大都在走開源方向，一方面在全球 AI 生態中影響力越來越大，更重要的是，國內 AI 大模型公司間協同發展的趨勢也開始形成。

這里的“協同”并不是公司層面的合作，而是開發者在實際使用中形成的分工——通過像 Dify、n8n 這樣的編排工具，把不同模型嵌入同一流程。

比如 Kimi 系列長上下文能力較強， DeepSeek 代碼、數學推理等結構化任務上投入更多，二者并不沖突，反而天然適合在工作流中組合使用。

一個負責長文本理解與信息整合，一個負責精確執行與生成。

這種現象背后，是國內 AI 生態一個非�，F實的結構：基礎設施、模型能力和應用層之間高度耦合。

云廠商如阿里巴巴、字節同時提供算力與模型服務；主流模型如DeepSeek 等直接開放權重或技術細節，讓導致架構（MoE）、訓練技巧快速擴散；創業公司在這些基礎上構建差異化能力，而開源社區進一步放大技術擴散。

結果就是，MoE等架構設計、訓練方法（如指令微調、對齊流程）和工程優化，會形成快速傳播。

如MiniMax abab 系列公開提到 MoE 架構，長文本能力頁成為國內 AI 大模型的“標配競爭項”，大家開始優化 attention 機制，而不是單純堆參數。

當然，這種協同主要還是在模型架構、推理優化方法等可見層，而不是在數據構成與對齊策略等底層。

相比而言，美國則是另一番景象。

以 OpenAI 和 Anthropic 為例，兩者在模型設計理念與安全策略上存在明顯分歧，且分別綁定不同的云與資本體系（微軟、Google、Amazon）。

這種結構導致技術路線更趨向封閉：關鍵方法不公開，數據體系不共享，模型能力通過 API 形成壁壘。

競爭的核心則在于“誰能構建更強的獨立體系”，寡頭間競爭，而不是“體系之間如何協同”。

這種協同性，更極致的一個表現就是華為與 DeepSeek v4的芯模協同優化。

DeepSeek v4 也是全球首個在官方技術報告中，將華為昇騰NPU與英偉達GPU并列寫入硬件驗證清單的世界級開源大模型。

報告明確指出，“我們在英偉達GPU和華為昇騰NPU兩個平臺上均驗證了細粒度專家并行（EP）方案”，標志著模型從設計階段就納入了國產算力的適配目標。

這意味著，二者完成了從底層算子到上層模型的深度適配，實現了DeepSeek-V4在華為昇騰平臺上從訓練到推理的全棧部署，而不僅依賴英偉達硬件。

在這個層面上，模型公司與芯片公司的關系更接近“共同完成一個系統工程”，是 “共研”特征的協同。

造成這種差異的根本原因，更多應該源于各自面臨的系統條件。

美國擁有相對充足且成熟的算力與資本體系，使單一公司可以支撐完整閉環，更容易走向封閉競爭。

相比之下，中國的算力供給、芯片生態與應用市場之間存在更強的相互依賴關系，任何一環都很難完全獨立運作，這就自然推動了跨主體的協同。

中國 AI 的“協同生態”，可能不是一個理想化的選擇，而是一種工程上的必然結果，從而也就形成了一個更像“系統工程”的發展路徑。

在這樣的體系里，技術進步往往不是某一家公司的單點突破，而是多個環節同時推進的結果，包括接下來在市場應用端能反催生出來的無限可能。