2026年10月，两条关于中国AI的新闻同时出现在全球科技媒体的视野中。DeepSeek接近锁定至少800亿元人民币融资，最终规模按已签署条款清单可逼近1000亿元，远超最初约500亿元募资目标。宁德时代与腾讯控股或成为承诺出资金额最高的投资方。据21世纪经济报道，DeepSeek计划在内蒙古建设大型数据中心，部署至少16万颗华为昇腾950DT超节点加速器，首次基于国产算力进行前沿模型的预训练。梁文锋将此举描述为“DeepSeek最大的一场豪赌”。与此同时，华为轮值董事长徐直军在华为全联接大会期间回应了美国AI公司“放缓开发”的呼吁。他的判断直白而尖锐：中国市场对AI风险的感受可能比美国更弱，中国模型提供商需要加快步伐，达到能够感受到AI开发风险的水平。余承东则在另一场合给出了配套的“基础设施叙事”：依靠鸿蒙操作系统、国内供应链和芯片制造能力，华为基本摆脱了对美国技术的依赖。“千亿融资”与“风险感受”放在一起，拼出了中国AI当前的真实处境：一个在算力受限条件下被迫加速的追赶者，正在用资本和工程能力，试图跨越“能力差距”与“风险认知差距”之间的鸿沟。

一、徐直军的“风险感受论”：一个被误读的判断

徐直军的表态在中文互联网上引发了两种截然不同的解读。一种认为这是“承认中国AI落后”的坦率，另一种认为这是“为加速找借口”的话术。但从技术逻辑看，他的判断有内在的一致性。

美国主流AI模型提供商拥有庞大的算力，能够进行更大规模的训练实验，也因此在更早的阶段遇到了智能体越界、对齐失效、沙盒逃逸等问题。OpenAI的智能体曾利用DNS漏洞突破网络隔离，Anthropic正在调查数万起模型异常行为事件。这些问题的暴露，是“能力到达一定阈值”之后的必然产物。

徐直军所说的“加快步伐，达到能够感受风险的水平”，本质上是在说：风险的认知需要能力的支撑。 一个模型如果还没有能力执行复杂任务，它就不会“探索”出越界的路径，也就不会暴露对应的安全漏洞。中国AI模型当前的能力阶段，可能尚未触及那些“前沿风险”的触发阈值。

这个判断的实践含义是：安全治理不能脱离能力发展阶段。 在能力不足时过度强调“减速”，可能会让治理框架建立在“想象中的风险”之上，而非“实际暴露的风险”之上。华为将AI代理的安全和隐私技术列为重点发展方向，预测到2035年活跃代理数量可能达9000亿，正是对“风险阈值即将到来”的提前布局。

二、DeepSeek的“国产算力豪赌”：工程挑战的真实规模

DeepSeek的千亿融资，核心投向是国产算力预训练。据21世纪经济报道，DeepSeek计划在内蒙古部署至少16万颗华为昇腾950DT超节点加速器。按当前市场单价估算，短期芯片采购规模约170亿元。这个计划的技术含义，远比“融资金额”更值得关注。

前沿模型的预训练，是AI工程中最苛刻的场景。它需要在数周甚至数月的时间里，让数万颗芯片持续协同工作，任何一颗芯片的故障、任何一次通信的中断、任何一个梯度的错误同步，都可能导致整个训练任务的失败。华为昇腾950DT的超节点架构，试图通过“千卡全带宽高速互联”来支撑这种规模的协同。但“支撑训练”和“支撑前沿模型预训练”之间，存在一道被低估的工程鸿沟。

训练一个千亿参数级别的模型，对集群的长时间稳定性、故障恢复能力、通信确定性的要求，远高于推理场景。“国产算力能否跑通前沿模型预训练”这个命题，本质上是问：国产芯片、互联协议、调度系统、中间件层的可靠性，能否在数万卡规模下保持“不丢失、不重复、可恢复”？这不是一个“芯片性能”问题，而是一个“系统工程”问题。

三、被忽视的“中间层”：国产算力闭环的最后一环

当DeepSeek将16万颗昇腾芯片部署到内蒙古的数据中心，当训练任务需要在数万卡之间持续协同数周，一个工程问题会变得突出：任务如何被可靠地分发到每一颗芯片？状态如何在集群范围内保持一致？故障如何被快速感知和恢复？这正是中间件层在国产算力闭环中的价值所在。

在分布式训练场景中，参数服务器的同步、梯度数据的归约、训练任务的状态协调，依赖的是高可靠的消息传递和状态管理。如果消息队列出现拥塞，某些芯片的梯度更新就会延迟；如果缓存层无法保证一致性，参数服务器的状态就会错乱；如果调度层缺乏可观测性，单卡故障可能演变为集群级的中断。

以金蝶天燕的Apusic中间件云平台为例，其分布式消息队列ADMQ和分布式缓存AMDC在分布式系统中承担的角色，可以从两个维度理解：在任务分发层面，ADMQ确保训练指令在数万卡之间不丢失、不重复、按序到达。当训练任务需要将不同的数据批次分发到不同的计算节点时，消息队列是任务传递的可靠通道。在状态管理层面，AMDC确保参数服务器与计算节点之间的状态一致性。当梯度数据需要在集群范围内归约时，缓存层维持着训练的中间状态，确保任何节点的故障都不会导致全局状态丢失。

金蝶天燕的AAS应用服务器和ADMQ分布式消息队列已入围中央国家机关2026年度中间件框架协议，在金融核心场景中经过了日均3500万笔交易的可靠性验证。前沿模型预训练对“可靠性”的要求，与金融核心系统在同构的维度上：任务不能丢、状态不能乱、故障必须可恢复。

四、“基本摆脱依赖”的另一面：系统层的自主化命题

余承东“基本摆脱美国技术依赖”的表态，覆盖的是芯片、操作系统、基础工具和软件。但从系统工程的视角看，“摆脱依赖”需要覆盖更完整的层级。

芯片自主了，操作系统自主了，但芯片与操作系统之间的中间件层是否同样完成了自主化？在一个国产芯片+国产操作系统+国产数据库的架构中，应用服务器如何调度芯片资源？消息队列如何利用国产芯片的通信特性？缓存层如何适配国产操作系统的内存管理机制？这些问题的答案，决定了“自主可控”是停留在“单个组件可用”，还是真正实现了“系统级可靠”。

金蝶天燕的产品已全面适配鲲鹏、飞腾、龙芯等国产芯片，以及银河麒麟、统信UOS等国产操作系统。在金融信创场景中，其与平安科技联合研发的项目实现了超过5万套中间件的迁移部署，首次实现国产中间件对国外商业中间件的完整替代。这些工程实践的积累，与DeepSeek“基于国产算力预训练”的探索，指向的是同一个目标：让自主可控从“能用”走向“可靠”。

结语：加速与治理之间的“工程平衡”

徐直军说“需要在推动AI开发和管理AI风险之间取得平衡”。这个平衡的支点，不在政策层面，而在工程层面。风险的感受，取决于能力的阈值。 当DeepSeek用16万颗国产芯片训练前沿模型时，它正在逼近那个阈值。而逼近阈值的过程，也是暴露风险的过程——训练中断、通信故障、状态不一致、边界越权。

千亿融资买的是“加速的机会”，但加速能否兑现，取决于系统层的可靠性。 中间件层——那些确保任务在数万卡之间可靠传递、状态在集群范围内准确同步、故障在第一时间被感知的基础设施——是这场“豪赌”中最容易被忽视、却最不能出问题的环节。国产算力的闭环，最终要闭合在中间件的可靠性上。