根据华为自行公开的昇腾910B与英伟达A800参数的对比，可以发现主要有这么几点，值得特别注意：
参数对比集中在Tensor Core而淡化CUDA Core相关的指标
关于这点其实很容易解释，我们做任何一款产品，要想获得认可，真正的难点不在技术参数，而在研发、生产、销售及应用整体构成的生态。CUDA的优势恰恰在这个地方，也是最难打破的地方。对于终端客户来说，从一个平台迁移到另一个平台，既需要耗费大量的资金，也需要耗费大量的时间，迁移成本太高。
对比测试的小型服务集群使用的是8节点对NVIDIA的4节点
尽管从公布的数据来看，表面上很接近。但如果是在同等条件下，似乎可以理解为不足50%。在实际应用中，一般采用的都是大服务集群，这个数据会更差。不管是训练还是推理。
着重强调的FP16在预训练中极容易溢出
LLM大模型也好，生成式AI也罢，占绝大部分比重的是预训练，FP16最大的问题在于极容易溢出，至少也要提供BF16来作为保障。
HBM存储芯片的限制
HBM是基于3D叠层工艺的DRAM存储芯片，能突破内存容量和带宽瓶颈，为GPU提供更快的数据处理能力。算力要求越高，对内存的需求就越大，HBM3E 目前已成为英伟达和AMD主流服务器的标配。而这一块则要看国内的企业，比如华海诚科，能否突破GMC的封锁。毕竟全球只有两家日本企业可以供应GMC。
在实际上的商业落地过程中，我们可以看到，华为主打的是国产信创市场。但说实话，如果是小型客户，这个影响还小些。而像国家或城市建立的数据或智算中心，以目前极为单薄的算力云租赁商业模式来看，会极大的影响政府的算力基础建设和投资领域的回报率，因为缺少真正的商业用户买单。这也是为什么绝大部分算力中心，特别是一、二期的工程，花费巨资购买那么多的算力，却基本成了摆设，造成巨大浪费的原因。
的确，从中美科技竞争的角度来讲，国家应该大力扶持。但我们都知道经济环境本就不好，纳税人的钱如此被浪费掉，不能发挥激活经济的价值和作用，着实让人心疼。我们思考的重心，应该放在怎么让这些算力产生价值，盘活经济上
。
