AI競爭，為什么先比算力？

文 | 反熵

今年WAIC最熱鬧的展區是機器人，最安靜卻同樣受到關注的展品，當屬一排排算力機柜。

華為、阿里、百度、中興、沐曦等廠商集中展示超節點和算力集群，算力與具身智能也成為大會兩條最清晰的產業主線。一邊是會走路、能搬運的機器人，另一邊是幾乎不會動的服務器，看起來相距甚遠，但卻有著同一套產業邏輯。

模型負責產生智能，機器人和智能體負責把智能帶進現實，數據中心里的芯片、服務器和網絡則支撐它們持續運行。AI應用越接近落地，算力問題反而更重要。

人工智能浪潮中，英偉達是最受益的企業之一。

從GPU芯片和CUDA，到服務器、網絡互聯與數據中心解決方案，英偉達已經建立起一套覆蓋硬件、軟件和基礎設施的完整計算體系。黃仁勛在2025年GTC大會上曾表示，英偉達正在從芯片公司轉向AI基礎設施公司。這也道出了它真正的優勢。

GPU性能是進入AI時代的門票，CUDA生態則構成了更長期的壁壘。

2006年推出CUDA之后，大量開發者、算法工具和企業應用逐漸圍繞這套體系建立，PyTorch、TensorFlow等主流AI框架也長期深度支持CUDA。企業如果更換計算平臺，需要重新進行軟件適配、流程調整、人才培養和已有應用遷移，付出的遠不只是采購一批新芯片的成本。

這也是英偉達能夠保持較高盈利能力的重要原因之一。客戶購買的不只是一塊GPU，而是一套已經被產業驗證過的AI計算基礎設施。

01 英偉達為何領先

英偉達最初并不是一家人工智能企業。

1993年成立時，它主要做游戲顯卡。GPU最初的用途，是提升圖形處理能力，讓游戲畫面更流暢。

深度學習興起后，研究人員發現，GPU非常適合處理神經網絡訓練中的并行計算任務。傳統CPU擁有少量高性能核心，更擅長復雜邏輯處理。GPU擁有大量并行計算單元，可以同時完成海量矩陣運算，而人工智能模型訓練，恰恰需要不斷進行這類計算。

2012年，AlexNet在ImageNet圖像識別競賽中取得突破，深度學習由此進入快速發展階段。GPU也逐漸從圖形處理設備變成AI計算的重要工具。

大模型時代進一步放大了這一需求。模型規模越大，需要協同工作的GPU越多，訓練周期和計算成本也越高。但英偉達真正難以復制的優勢，并不只在硬件性能。經過近二十年積累，CUDA已經連接起芯片、軟件工具和開發者生態。

芯片性能可以通過一代代產品追趕，開發習慣和軟件生態卻很難在短時間內復制。這也是國產AI芯片必須面對的核心挑戰。

02 AI為何越來越吃算力

一個模型從研發到應用，需要經歷預訓練、微調、對齊和推理等多個階段。

預訓練階段通常消耗最大。模型需要從海量數據中學習語言規律、知識結構和復雜關系，大規模模型訓練往往需要數千張計算卡持續運行數周甚至更長時間。

微調和對齊，則是讓模型適應具體任務。一家銀行訓練客服模型，需要讓它理解業務規則和金融產品；一家醫院開發輔助診斷模型，需要讓它掌握專業知識和醫療規范。

但真正讓算力需求持續增長的，是推理。

模型訓練完成后，每一次客服問答、代碼生成、辦公協作和內容創作，依然需要計算資源。智能體進一步放大了推力需求：普通聊天通常是一問一答，智能體為了完成一項工作，還要拆解任務、查找資料、調用工具并反復檢查結果。一次看似簡單的用戶指令，背后可能對應多輪模型調用。

今年WAIC上，智能體從聊天框走向工作臺，成為貫穿模型、終端和行業應用的重要主線。AI從“回答一個問題”走向“完成一項工作”之后，計算消耗不再只取決于用戶問了多少次，還取決于任務鏈條有多長。

根據國家數據局披露的數據，中國公有云大模型Token調用量已從2024年初的日均約1000億，增長至2025年底的日均百萬億級規模。DeepSeek等模型降低調用成本后，更多應用開始具備落地條件。應用規模越大，調用頻率越高，對算力的需求也越強。

訓練能力決定模型能夠達到怎樣的水平，推理能力則決定這些能力能服務多少用戶。

03 中國如何補上算力短板？

大模型競爭看起來發生在云端，真正的起點卻在機房。

對于中國而言，建設自主AI算力體系，既關系到產業發展，也決定著未來人工智能應用能擴展到多大規模。

目前，中國企業正在圍繞不同技術路線探索AI計算能力。

華為昇騰是其中最具代表性的方向之一。它沒有把競爭局限在單顆芯片，而是圍繞昇騰處理器、Atlas服務器、CANN軟件平臺、高速互聯和開發生態，建立一套完整的計算體系。

2025年，華為推出昇騰384超節點方案，通過384張計算卡協同提升系統算力。今年WAIC上，Atlas 950 SuperPoD完成真機首展，最大可擴展至1024張計算卡，并通過高速互聯和統一內存編址，降低設備之間的數據傳輸損耗。

這并不意味著國產單卡已經全面追平英偉達，但可以說明競爭有了另一種解法。在單顆芯片和先進制程仍有差距的情況下，通過更大規模的系統協同提高整體計算能力。

國內其他廠商也在沿著不同路徑推進。寒武紀、海光信息從芯片切入，在訓練和推理場景中尋找突破。百度昆侖芯、阿里平頭哥與自身云計算業務結合，以內部應用帶動芯片迭代。摩爾線程、沐曦則瞄準通用GPU，希望在圖形計算、通用計算和AI加速之間建立更廣泛的能力。

今年WAIC上，多家廠商集中展示了超節點或集群方案。它們的互聯架構、芯片配置和軟件體系并不相同，但行業共識已經達成。國產算力的競爭單位，已經從一顆芯片擴大到由芯片、互聯、整機和軟件構成的完整系統。

國產算力需要補上的，也從來不只是一顆芯片。

04 算力競爭走向系統

大模型通常需要被拆分到多張計算卡上運行，芯片數量越多，數據交換越頻繁。如果互聯速度不足，大量時間便會消耗在設備之間搬運數據，形成“通信墻”。如果不同設備的顯存無法被統一、高效調度，模型規模和算力利用率又會受到“顯存墻”限制。

機器增加一倍，算力未必增長一倍。有時規模越大，協調損耗反而越嚴重。

超節點要解決的，就是如何讓幾十張、幾百張甚至上千張計算卡更像一臺機器。英偉達通過NVLink和InfiniBand網絡提高GPU集群的協同能力。華為、阿里、百度、中興等國內廠商也在高速互聯、統一內存編址、液冷和軟件調度方面推出系統級方案。

競爭的重點因此從誰的單卡更快，逐漸轉向了誰能讓更多芯片高效協同。

根據WAIC相關報道，昇騰上一代384卡超節點已累計發貨750套，覆蓋互聯網、運營商、金融、教育、醫療、交通和制造等多個行業。超節點開始離開展臺，進入真實業務。

客戶關心的也不再只是理論峰值，而是系統能否穩定運行、軟件是否容易遷移，以及每投入一度電，最終能夠產出多少有效Token。

能源供應和數據中心建設也隨之進入競爭范圍。一個萬卡級訓練集群，功率可能達到數十兆瓦。數據中心的選址、電力成本、液冷散熱和算電協同能力，都會影響最終的算力價格。

今年WAIC上，超聚變等廠商集中展示高密度液冷和多元算力集群方案，國家電網、南方電網等企業也在推進算電協同。算力競爭已經不只是半導體產業的問題，它開始將通信、電力、能源和工程建設卷入同一套體系。

對于后發者而言，這種變化提供了新的空間。即使單顆芯片暫時存在差距，也可以通過互聯、調度、整機和應用適配，提高整個系統的有效計算能力。

但系統競爭并不等于依靠數量堆疊。芯片、互聯、軟件和能耗中的任何一項出現短板，都可能拖累整體效率。國產算力真正要完成的跨越，是從“能夠運行”走向“穩定、好用和經濟”。

05 算力最終要變成智能

互聯網時代，服務器、通信網絡和數據中心支撐了數字經濟的發展。AI時代，算力正在成為新的基礎設施。

大模型訓練需要算力，智能體運行需要算力，機器人理解環境、規劃動作，同樣需要算力。超節點、智能體和機器人之所以在今年WAIC同時成為焦點，也正因為他們處在同一個循環中。更大的模型推動算力系統升級，更低的計算成本讓智能體和機器人打開商業空間，更多應用又會產生新的計算需求。

但算力本身不是終點。一座數據中心建設得再大，如果無法轉化為更好的模型、更便宜的Token和真正有人使用的產品，也只是一臺昂貴的機器。

所以，AI競爭為什么先比算力？

因為算力決定了參賽資格。模型決定AI能夠完成什么，算力則決定這些能力能否以足夠低的成本服務更多人。

拿到參賽資格之后，真正決定勝負的，仍然是模型能夠創造多少實際價值。

下一篇，我們討論DeepSeek之后，大模型競爭正在進入怎樣的新階段。