自去年初R1模型炸场后，DeepSeek貌似一直被困在迟到的路上。年中的R2模型被爆因芯片问题一再延期，V4旗舰模型更是缺席今年春节档，跳票近半年时间。而在此期间，OpenAI 和Anthropic在海外迅速进入月更节奏，国产大模型智谱、Kimi也开始一路狂飙。

直到今天，距离上次DeepSeek-V3.2更新，已经近5个月。而被定于本月下旬发布的V4能否准时签到，还要画一个问号。这到底是谁的锅？

开源模型引领者失速，迟到中蹉跎的代价

2025年1月，当DeepSeek R1仅用500多万美元训练成本，让国产大模型性能直逼OpenAI，这一创举不仅打破了顶级模型能力对资源堆叠的依赖，也一举奠定了其开源模型引领者地位。

数据显示，R1发布一周内即登顶中美App Store下载榜首，一度超越ChatGPT。同年4月，DeepSeek月活用户已高达9690万。甚至有声音指出，当前中国大模型在全球市场的Token消耗占比年增长421%，DeepSeek在其中扮演了关键角色。

然而，曾经稳居国产AI赛道前列的DeepSeek，正在一次次“迟到”中迎来巨大的赶超压力。DeepSeek新模型停更近半年以来，OpenAI 的 GPT-5 历经四次迭代到了 5.4 版本，Anthropic 的 Claude 4.5 系列迭代到了 4.7 版本，谷歌的 Gemini 3 Pro 迭代到了 3.1 版本。

根据Artificial Analysis给出的性能测试结果，最新的DeepSeek-V3.2版本综合性能，目前排名全球第16，Coding（代码生成）性能排名第17，Agent（智能体）性能排名第15。

这也意味着，从国外大模型OpenAI、Anthropic、Gemini，到国产大模型阿里千问、月之暗面Kimi、智谱GLM、小米MiMo 等，明面上均已赶超DeepSeek性能水平。

有业内人士认为，DeepSeek新模型更新频繁推迟，正在使其在市场竞争中暂时处于被动。尤其在外界对模型更新频率有较高期待的情况下，DeepSeek的不间断刹车正在丧失部分市场关注度，并对公司经营造成较大压力。

最新消息显示，DeepSeek正计划以不低于100亿美元的估值筹集至少3亿美元资金。这也是公司成立以来首次对外融资，打破了此前3年划定的经营红线——不接受外部融资、不稀释股权、不被任何人的商业化时间表绑架。

新模型训练不及预期，到底是谁的锅？

从开源大模型“引领者”到频频迟到的“问题学生”，DeepSeek的模型迭代问题备受业界关注。追根溯源之下，算力基础设施成为新模型研发进度的关键掣肘。

据《金融时报》报道，在推出R1模型后，中国监管机构鼓励Deepseek从英伟达芯片转向华为Ascend处理器。然而，Deepseek在训练R2模型时，一直面临Ascend芯片的技术问题。即使有华为工程师在场，该团队也无法完成一次成功的训练。

另外，有媒体进一步指出，由于Ascend平台稳定性欠佳、软硬件支持不足以及芯片通信速度慢等问题，导致R2模型训练过程受阻。为此，DeepSeek不得不在训练阶段改用英伟达芯片，推理阶段继续使用华为芯片，这一调整使得模型发布时间从原定的5月起被迫推迟。

据悉，DeepSeek后续仍与华为保持合作，以确保推理阶段的兼容性。尽管如此，DeepSeek创始人也对新模型进展表达了不满，并决定加码研发投入，力争尽快完成R2模型的发布。

这一消息引起了业内对Ascend芯片性能的质疑。有人认为，DeepSeek被迫适配Ascend代价惨重。“后者明明是ASIC，搞了一个山寨谷歌的CANN全局编译，但又和英伟达GPU一样有多级cache，对runtime高度依赖。结果就是性能、易用性和成本都被谷歌和英伟达吊打。”

某社交平台上，不少博主对DeepSeek的遭遇表示同情。“最近的DeepSeek很难，核心人才被大厂挖走，融资发工资，硬着头皮用又贵又难用的Ascend芯片，导致V4延期。”该人士指出，国产芯片不该成为道德绑架的工具，算力不够就是不够。DeepSeek应该勇敢说不。

不过，也有部分媒体将DeepSeek+Ascend视为国产AI计算“王炸”组合，并宣称DeepSeek V4 要全面转向华为Ascend 950PR，这一“史诗级”突破将为美国带来“灾难性”后果…

值得注意的是，随着DeepSeek V4发布在即，最近Ascend“洗白”声音愈演愈烈。并且，关于“DeepSeek R2因芯片问题而推迟发布”的文章，已经在多平台删稿下架。两种截然不同的市场声音反转不断，这也为DeepSeek迟到现象更添一分波云诡谲。

风起青萍之末，捂不住的盖子甩不开的锅

国产芯片+大模型“王炸”固然振奋人心，但华为芯片饱受市场质疑并非空穴来风。在一片鼓吹声中，Ascend仍然难掩其技术路线问题。

有专业人士指出，相较于英伟达等主流GPGPU路线，Ascend此前一直采用NPU架构，需要特定的范式才能发挥出全部的功能。比如gpu kernel需要用ascend-c定制，cpu launch kernel怕打断、小内存访问低效等。这种特性更适用于局部场景定制优化，通用性存在明显短板。

另外，两大技术路线的差异更在于软件适配成本。上述人士指出，“由于整个深度学习生态都建立在CUDA之上，最新的算法和尝试也都基于英伟达的卡实现。将这些代码迁移到NPU上，需要大量的时间和开发成本。并且对用户来说，后续维护升级难度较大。”

在DeepSeek模型训推过程中，华为动辄派遣技术团队驻厂支持，原因正在于此。更多情况下，这种定制化工程很难满足用户的创新速率。比如此前爆火的 DeepSeek-GRPO，想要在NPU上进行训练，需要专门等待华为投入人力适配优化，往往滞后于主流市场节奏。

在此背景下，Ascend技术路线发生巨大转折。去年的华为全联接大会上，Ascend公布了最新产品路线图，并首次推出SIMD/SIMT双编程模型，向GPGPU路线迈出关键一步。

显然，这进一步验证了NPU架构路线问题。有业内人士认为，当前大模型应用正加速演变，NPU的效率和灵活性严重不足。一方面难以支撑快速变化的算子开发、适配、调优需求；另一方面，在适配新算法或新框架时，工作量要远远高于GPGPU。

面向前沿AI应用需求，从NPU到GPGPU的战略纠偏势在必行。然而，SIMD/SIMT双架构模式过渡性意味明显，路线转型带来的技术赶超压力、生态兼容难度、产品竞争力不足等问题广泛存在。尤其对于DeepSeek等尖端模型产品而言，试错成本依然居高不下。

毋庸置疑，在DeepSeek+Ascend这种强绑定关系中，底层芯片性能表现可以直接影响到模型迭代成果。对于芯片供应商，DeepSeek失速这口锅甩不开，Ascend不好用的盖子也捂不住。