AI算力芯片天下一分為四，中國實力漸顯

近年來「算力」逐漸成為學術界、產業界、公眾的熱詞，算力、算力網絡、算力指數、算力經濟、東數西算、東數西存等新名詞不斷涌現。

那么到底什么是算力？「算力」又如何成為近幾年的熱詞？

什么是算力？

算力是設備通過處理數據，實現特定結果輸出的計算能力?，F階段算力主要可分為基礎算力、智能算力和高性能計算算力三種類型。

基礎算力主要由基于 CPU 芯片的服務器提供，面向基礎通用計算。智能算力主要基于 GPU、FPGA、ASIC 等芯片的加速計算平臺提供，面向人工智能計算。高性能計算算力主要基于融合 CPU 芯片和 GPU 芯片打造計算集群，主要面向科學工程計算等應用場景。

算力需求主要分為兩部分，包括訓練算力和推理算力。訓練芯片用來訓練大模型，算力和精度要求高。推理芯片是在已經完成訓練的模型上，根據輸入數據反饋輸出結果，算力和精度要求都低很多。

2023 年，AI 大模型掀起的新一輪人工智能應用熱潮，對智能算力的需求增長尤其顯著?！?a class="contentlabel" href="http://www.ex-cimer.com/news/listbylabel/label/AI">AI 算力產業鏈全景梳理報告》顯示，2023 年—2027 年，全球大模型訓練端峰值算力需求量的年復合增長率有望達到 78.0%。全球大模型云端推理的峰值算力需求量的年復合增長率有望高達 113%。

據悉，人工智能計算市場以通用性為主，GPU 占到 90% 的市場份額。訓練算力相關設備主要是英偉達的 A100 和 H100；推理算力相關設備主要是英偉達 T4 卡。

算力的通用選擇

A100 和 H100

A100 計算性能卓越，其強大的 GPU 架構和多個 Tensor Core 單元支持大規模深度學習任務所需的高性能計算，尤其在處理復雜矩陣運算方面表現出色。其次，A100 提供高達 80 GB 的顯存容量，能夠滿足大型神經網絡所需的大內存空間，而且通過 NVLink 技術，多個 A100 GPU 可以共享大內存，支持更大規模的模型訓練。

此外，A100 支持高速的 PCIe Gen4 接口和 NVLink 技術，并集成了英偉達的 Tensor Core 技術，可以加速矩陣乘法和累積運算，實現了快速的數據傳輸和模型訓練。A100 還得到了主流深度學習框架的廣泛支持和優化，開發者可以充分發揮其性能優勢，進行大模型的訓練和推斷，而無須擔心兼容性問題。

綜合來看，A100 GPU 提供了卓越的計算性能、大內存容量、高速的數據傳輸和深度學習加速技術，使其成為大模型訓練的理想選擇。

H100 是英偉達的第 9 代數據中心 GPU，旨在為大規模 AI 和 HPC 實現相比于上一代英偉達 A100 Tensor Core GPU 數量級的性能飛躍。據悉，綜合 H100 中所有新的計算技術進步的因素，H100 的計算性能比 A100 提高了約 6 倍，進一步，可提升 AI 和 HPC 工作負載的強大擴展能力，顯著提升架構效率。

T4

英偉達 T4 是一款適用于數據中心和云計算的 GPU 加速器。它采用了 Turing 架構，擁有 16GB GDDR6 顯存和 320 個 Tensor Cores。T4 主要針對深度學習推理任務進行了優化，支持多種精度計算，包括 INT4、INT8、FP16 和 FP32。由于其高效的性能和低功耗特性，T4 非常適合用于圖像識別、語音識別、自然語言處理等深度學習應用。對于那些需要快速進行大規模圖像處理和深度學習推理的場景，T4 是一種理想的選擇。

從如今的情況來看，GPU 已成為當前 AI 算力的核心硬件，英偉達也成為各大模型廠商的通用解。近日英偉達再度迭代 AI 芯片產品，不斷強化自己在行業內的「統治力」。

11 月 13 日，英偉達宣布在 AI 芯片 H100 的基礎上，發布新一代 H200 芯片?；?Meta 的 Llama 2 大模型的測試表明，H200 的輸出速度大約是 H100 的兩倍。H200 在推理速度上也幾乎達到了 H100 的兩倍，帶寬增加了 2.4 倍。

相比上一代 A100 和 H100，H200 主要變化在于內存，成為首款采用 HBM3e（高頻寬存儲器）的 GPU，使得帶寬從 H100 的每秒 3.35TB 提高至 4.8TB，提高 1.4 倍，存儲器總容量從 H100 的 80GB 提高至 141GB，容量提高 1.8 倍，同時推理能耗大幅降低。

布局大模型，算力不夠用

在席卷全球的 AI 熱潮中，一個不容忽視的潛在阻力是算力的不足。根據今年 8 月 GPU Utils 更新的關于英偉達 H100 顯卡供需現狀的分析文章顯示，保守估計，H100 的供給缺口達到 43 萬張。

具體到各家的需求數據，GPUUtils 寫道：OpenAI 可能需要 5 萬張，Inflection 要 2.2 萬張，Meta 需要 2.5 萬張；大型云廠商例如 Azure、Google Cloud、AWS、Oracle 等每家可能需要 3 萬張；Lambda 和 CoreWeave 以及其他私有云可能總共需要 10 萬張；Anthropic、Helsing、Mistral、Character，每家可能要 1 萬張；到這里，需求量就已經達到了約 43.2 萬張 H100，以每塊約 3.5 萬美元計算，GPU 的價值約為 150 億美元。

而這，還不包括像字節、百度、騰訊這樣需要大量 H800 的中國公司，以及一些需求正盛的金融公司：如 Jane Street、JP Morgan、Two Sigma、Citadel 等金融巨頭，正從數百臺 A100 或 H100 開始部署，逐步增加至數千張 A100/H100。

如今大模型之戰愈演愈烈，大模型公司想更快推出模型和 AI 應用，就必須大量購入英偉達的芯片?？墒怯ミ_也沒有辦法在短期內釋放出這么多的 A100/H100，因為英偉達 A100/H100 GPU 完全由臺積電代工生產，并使用臺積電先進 CoWoS 封裝技術。要知道臺積電先進 CoWoS 封裝產能是有限的。市場在爆發式增長，倘若英偉達按照上一年計劃制定的供給，則遠不能滿足蓬勃的市場需求，因此搶不到芯片的云廠商、互聯網巨頭不得不高價搶購。

如此一來。大模型公司尚未賺到錢，英偉達倒是賺得盆滿缽滿。英偉達對高算力芯片的壟斷，也成為硅谷眾多大廠的心病。它們一方面離不開英偉達，另一方面又不想永遠被英偉達掣肘。因此不少大模型公司都在想辦法擺脫英偉達的壟斷，有自研能力的紛紛自研，沒有自研能力的創造條件。

自研芯片的三大云廠商

微軟：Maia 100

11 月 15 日，微軟在西雅圖召開的 Ignite 大會上發布了兩款芯片，一款面向 AI，一款面向云計算。微軟發布的這款名為 Maia 100 的人工智能芯片，旨在與英偉達備受追捧的 AI 圖形處理單元展開競爭。第二款則是 Cobalt 100 Arm 芯片，面向通用計算任務并將與英特爾處理器爭奪市場。

根據微軟 CEO 納德拉的介紹，Maia 100 是一款 AI 加速芯片，基于 ARM 架構設計，主要用于云端訓練、推理以及 Azure 的高負載云端運算。不過納德拉否認了將向云計算客戶供貨的傳聞，這款自研芯片將優先滿足微軟自身的需求，并在合適的時機向合作伙伴和客戶開放。

Azure 芯片部門負責人、微軟副總裁拉尼·博卡爾則補充道，Maia 100 已經在 Bing 和 office 的人工智能套件上測試。合作伙伴 openAI 也開始使用這款芯片進行測試部分產品和功能，比如 GPT 3.5 Turbo。至于測試的效果如何，微軟暫時還沒有給出具體報告。但納德拉和博卡爾強調 Maia 100 可以加快數據處理速度，尤其是在語音和圖像識別方面。

提速的關鍵，自然是算力。為了提升算力，微軟也是下了血本：采用臺積電的 5nm 制程工藝，晶體管數量達到 1050 億個。不過橫向對比的話，Maia 100 和英偉達、AMD 等大廠的產品在參數上還有很大差距。

作為全球頭部云供應商之一，微軟是最后一家為云和人工智能提供定制芯片的公司。

谷歌：TPU v5e

2016 年，谷歌就公布了其初代 AI 張量處理單元（TPU），隨后在 2017 年作為 Google Cloud 基礎設施「Cloud TPU」推出，通常使用 FP32 和 FP16 等精度數據，如果降低 ML 的精度/DL 計算到 8 位（INT8）等，則將使得在 ML/DL 中的處理能力得到進一步提高。此外，通過僅合并專門用于 ML/DL 的算術單元，谷歌減少了 CPU 和 GPU 所需的高速緩存、分支預測和亂序執行等復雜算術單元，可以以低功耗執行專門針對 ML/DL 的計算。

之后，谷歌 TPU 又經過了數次迭代，比如第二代 TPU v2 于 2017 年發布，第三代 TPU v3 于 2018 年發布，第四代 TPU v4 于去年發布，目前已開始服務和提供。

在今年 8 月的 Cloud Next 2023 大會上，谷歌公開了 Google Cloud 新款自研 AI 芯片 Cloud TPU v5e。TPU v5e 是谷歌專為提升大中型模型的訓練、推理性能以及成本效益所設計。TPU v5e Pods 能夠平衡性能、靈活性和效率，允許多達 256 個芯片互連，聚合帶寬超過 400 Tb/s 和 100 petaOps 的 INT8 性能，使對應的平臺能夠靈活支持一系列推理和訓練要求。

從技術層面上來看，與英偉達 A100/H100 等通用型 GPU 相比，谷歌 TPU 設計初衷正是專注于深度學習領域，尤其是全面加速神經網絡訓練和推理效率。英偉達的 A100 和 H100，它們屬于廣義上的通用型 GPU，而不僅僅局限于深度學習和人工智能領域。這些 GPU 具有通用計算能力，適用于多種計算工作負載，包括但不限于：高性能計算、深度學習以及大規模數據分析。

與英偉達通用型 GPU 相比，谷歌 TPU 采用低精度計算，在幾乎不影響深度學習處理效果的前提下大幅降低了功耗、加快運算速度，尤其對于中型 LLM 設計者來說完全夠用，因此他們可能不需要依賴高性能的英偉達 A100/H100。同時，TPU 使用了脈動陣列等設計來優化矩陣乘法與卷積運算。谷歌 TPU 追求專注于 AI 訓練和推理，因此精簡化部分設計架構，這也是 TPU 功耗、內存帶寬和 FLOPS 都明顯低于英偉達 H100 的部分原因。

11 月 8 日, 谷歌公布擴大同 AI 安全和研究初創公司 Anthropic 的合作伙伴關系，Anthropi 將運用谷歌新一代的 Cloud TPU v5e 芯片進行 AI 推理。谷歌介紹，Anthropic 現在是首批大規模部署 Cloud TPU v5e 的企業之一。Cloud TPU v5e 是谷歌云迄今為止最多功能、效率最高且可擴展性最強的 AI 加速器。這種芯片讓 Anthropic 能以高性能且高效的方式為其 Claude 大語言模型（LLM）服務。

亞馬遜：訓練芯片 Trainium、推理芯片 Inferentia

在亞馬遜、微軟和谷歌這三家中，亞馬遜是唯一一家在服務器中提供訓練和推理兩種類型芯片的云提供商。

亞馬遜云科技目前有三條自研芯片生產線，分別是通用芯片 Graviton、專用 AI 芯片 Trainium(訓練) 和 Inferentia(推理）以及 Nitro。

Graviton 是一款基于 ARM 架構的通用處理器，目前已經演進到第三代，即 Graviton3，相比 Graviton2，計算性能提高多達 25%，浮點性能提高多達 2 倍，加密工作負載性能最多加快 2 倍。而去年新推出的 Graviton 3E 特別提升了向量計算的性能，這項性能指標對于高性能計算 HPC 來說非常重要。

Trainium 和 Inferentia 是兩款機器學習專用芯片。前者面向訓練場景，后者面向推理場景?；?Trainium 的 Trn1 實例和通用的 GPU 實例對比，單節點的吞吐率可以提升 1.2 倍，多節點集群的吞吐率可以提升 1.5 倍，從成本考慮，單節點成本可以降低 1.8 倍，集群的成本更是降低了 2.3 倍。而推理芯片 Inferentia 目前推出了第二代，可大規模部署復雜的模型，例如大型語言模型 (LLM) 和 Diffusion 類模型，同時成本更低。以 Stable Diffusion 2.1 的版本為例，基于第二代 Inferentia 的 Inf2 實例可實現 50% 的成本節約。

Nitro 是亞馬遜云科技的第一款自研芯片產品，去年推出的第五代 Nitro 將每瓦性能提高了 40%。Nitro 提升了亞馬遜云科技在基礎架構上的靈活性，大大加快了各種計算實例的推出速度，目前亞馬遜云科技的實例類型已經超過 600 種。另外，Nitro 還是目前商業化最為成功的 DPU 芯片。

兩大模型語言開發商：OpenAI VS Anthropic 的算力來源

OpenAI 一直都依賴于英偉達的最新型號芯片來訓練其模型。在 H100/A100 緊缺的當下，OpenAI 也陷入焦慮期，一方面緊急囤貨，一方面尋求新的路徑。

據悉，生成式人工智能領導者 OpenAI 正在探索自研 AI 芯片，甚至已經評估了潛在的收購目標。知情人士表示，隨著訓練人工智能模型的芯片短缺情況惡化，OpenAI 內部關于人工智能芯片戰略的討論至少從去年就開始了。OpenAI 正在考慮采取多種策略來推進其芯片的「自給自足」計劃，包括與更多芯片制造商合作以提高供應商的多元化、收購 AI 芯片制造商、加大內部設計芯片的力度等等。

報道還提到，OpenAI 的首席執行官 Sam Altman 已將購買更多人工智能芯片作為公司的首要任務。目前，OpenAI 與大多數競爭對手一樣，依靠基于 GPU 的硬件來開發 ChatGPT、GPT-4 和 DALL-E 3 等模型。GPU 并行執行多項計算的能力使其非常適合訓練當今最強大的人工智能。

值得注意的是，微軟是 OpenAI 背后強大的金主之一，擁有 OpenAI 49% 的股份，總投資額約 130 億美元。

OpenAI 的競爭對手 Anthropic 也有兩大支撐者，分別是亞馬遜和谷歌。

亞馬遜曾在一份文件中表示，它已經以可轉換票據的形式向 Anthropic 投資了 12.5 億美元，并有能力以第二筆票據的形式再投資 27.5 億美元，這一選擇權將于明年第一季度到期。亞馬遜還與 Anthropic 達成協議，后者將使用 AWS 的云服務和自研芯片。

谷歌方面，除了提供新一代 TPU，該科技巨頭此前已承諾向這家初創公司投資 20 億美元，據悉，在最新一輪融資中，Alphabet 旗下谷歌向 Anthropic 投資約 5 億美元，并承諾未來再投資約 15 億美元，這筆投資是在今年早些時候谷歌向 Anthropic 投入 5.5 億美元的基礎上所進行。

投資初創公司獲得算力

無論是微軟、Meta、亞馬遜這樣的巨頭，還是 OpenAI、Anthropic 這樣的超級獨角獸他們都不希望自己的 AI 算力與單一公司綁定。

d-Matrix

Sid Sheth 和 Sudeep Bhoja 就瞄準 AIGC 時代的 AI 推理算力需求，于 2019 年創立了 d-Matrix。今年 9 月，位于美國硅谷的 AI 芯片初創公司 d-Matrix 獲得 1.1 億美元的 B 輪融資，由新加坡頂尖投資公司淡馬錫（Temasek）領投，加州風投公司 Playground Global、微軟和三星等 14 家投資者跟投。

d-Matrix 致力于構建一種使用存內計算（In-Memory Computing，IMC）技術和芯片級橫向擴展互連進行數據中心 AI 推理的新方法。據稱，該處理器將提供比 CPU 和 GPU 更快的 AI 推理性能，適用于大型 Transformer 模型。d-Matrix 認為，在 AI 領域雖然存在英偉達這樣難以撼動的龍頭企業，但自己與英偉達不同，部分原因在于其技術針對的是 AI 處理過程中的「推理」（Inference）環節，而不是通過制造訓練大型 AI 模型的技術來與英偉達競爭?；?Transformer 的模型通常在高性能 GPU 上進行訓練，但執行推理是一個能效問題，而不僅僅是性能問題。d-Matrix 提出了一種創新解決方案，聲稱可以將硬件的效率提高 10-30 倍。

Rain Neuromorphics Atomic Semi Cerebras

Rain Neuromorphics Atomic Semi Cerebras 由臺積電前工程副總 Keith McKay 在 2018 年創立，總部位于美國加利福尼亞州，曾以推出超大芯片而引發關注。其 AI 超算處理器 Cerebras WSE 比 iPad 還要大。二代擁有 2.6 萬億個晶體管和 85 萬個 AI 優化內核。它們還發布過一種 brain-scale 技術，可以運行超過 120 萬億個連接的神經網絡。今年 Cerebras 還一口氣開源了 7 個 GPT 模型，參數量分別達到 1.11 億、2.56 億、5.9 億、13 億、27 億、67 億和 130 億，同時 Cerebras 也提供大模型訓練推理等云服務。目前為止，該公司已融資 7.2 億美元。據悉，OpenAI 已參投了至少三家芯片公司，Rain Neuromorphics 就在列，其余兩家是 Cerebras 和 Atomic Semi。

除此之外，2022 年成立并致力于開發用于文本應用的大語言模型（LLM）專用芯片的公司 MatX、成立于 2022 年并旨在使人工智能計算更具可訪問性和可負擔性的公司 Tiny Corp 都在努力成為 AI 算力芯片中具有分量的挑戰選手。

能否選擇 AMD？

今年 6 月，AI 算力市場的二號玩家、芯片廠商 AMD 推出全新人工智能 GPUMI300 系列芯片，與英偉達在人工智能算力市場展開競爭。據 AMD 首席執行官蘇姿豐介紹稱，MI300X 提供的高帶寬內存（HBM）密度是英偉達 H100 的 2.4 倍，HBM 帶寬是競品的 1.6 倍。

有分析指出，從性能上 MI300 性能顯著超越 H100，在部分精度上的性能優勢高達 30% 甚至更多。憑借 CPU+GPU 的能力，MI300 產品組合性能更高、同時具有成本優勢。不過從軟件生態方面來看，現有的 AMD MI300 還不足以威脅英偉達的市場份額，想撼動英偉達在人工智能行業的地位，AMD 還需時間。

據悉，微軟、Meta、甲骨文、谷歌、Supermicro/Quantadirect、亞馬遜等公司已經向 AMD 下了大約 205,000 臺 MI300 的訂單。在這之中，有 120,000 臺專門供應給微軟，25,000 臺給 Meta，12,000 臺給甲骨文，8,000 臺給谷歌，5,000 臺給亞馬遜公司，35,000 臺給其他公司。

天風國際分析師郭明錤在社交平臺上表示，AMD 的 AI 芯片出貨量預計在 2024 年、2025 年快速增長。到 2024 年，AMD 的 AI 芯片出貨量（主要是 MI300A）預計將達到英偉達出貨量的約 10%，微軟有望成為 AMD AI 芯片的最大客戶，緊隨其后的是亞馬遜。如果微軟與 AMD 的合作進展順利，AMD 獲得 Meta 和谷歌的訂單，預計 2025 年 AMD 的 AI 芯片出貨量將達到英偉達（基于 CoWoS 封裝技術）的 30% 或更多。

這里仍需注意的是，要考慮到內存制造商的 HBM 產量、臺積電的 CoWoS 產量、封裝產量等影響因素。

討論完國外的情況，再看看國內的算力芯片公司都有哪些機會。

中國本土的 AI 芯片如何了？

近幾個月來，在美國對中國半導體的進一步打壓下，中國市場的 AI 算力進一步吃緊，尋求算力的國產化機遇再次崛起。

中國算力供應鏈主要參與者有華為、寒武紀以及諸多其他算力芯片公司，比如燧原科技、沐曦、壁仞科技、天數智芯等。

基于目前中國 AI 大模型算力布局，無論是訓練還是推理，AI 大模型算力主要分為三派：

一是華為鯤鵬和昇騰 AI 生態的算力方案，沒有英偉達 GPU 參與；二是混合型算力支持，大量采用英偉達 A100 芯片，部分環境增加 AMD、英特爾芯片，以及天數智芯、寒武紀、海光等國產芯片及加速卡融合跑大模型訓練；三是租用性價比更高的服務器云算力，補充算力不足情況。

下面看一下國產算力公司的具體實力。

在國內算力中，華為昇騰是最有實力的一家。在 AI 算力芯片方面，昇騰系列 AI 處理器，是基于華為自主研發的達芬奇架構設計的 AI 芯片。目前主要包括了昇騰 910（用于訓練）和昇騰 310（用于推理）兩款處理器，采用自家的達芬奇架構。

昇騰 910 的整數精度（INT8）算力可達 640TOPS，在業內其算力處于領先水平，性能水平接近于英偉達 A100。主要應用于云端，可以為深度學習的訓練算法提供強大算力。功耗只有 310W，同時采用了 7nm 先進工藝進程，支持 128 通道全高清視頻解碼。

據悉目前多家 A 股上市公司已經提前采用本土的算力芯片進行 AI 推理與訓練的應對，華為昇騰 910B 成為多家上市公司的首選。

早在 10 月 24 日，科大訊飛聯合華為發布基于昇騰生態的大模型底座——飛星一號?？拼笥嶏w董事長劉慶峰介紹，「飛星一號」是訊飛跟華為共同搭建的、完全國產的算力底座，可以讓大模型訓練和推理效率翻番，科大訊飛將在該平臺的基礎上訓練對標 GPT-4 的大模型。華為輪值董事長徐直軍表示，「飛星一號」平臺，讓星火的訓練和推理效率均翻番。

劉慶峰表示，訊飛星火大模型 3.0 是首個真正在國產算力平臺上訓練出的大模型，華為最新的芯片都率先給訊飛使用?？拼笥嶏w相關負責人在此前的機構調研中表示，華為昇騰 910B 的能力基本可對標英偉達 A100。

寒武紀也是一家非常重要的本土算力供應商。

思元 370 是寒武紀第三代云端產品，采用 7nm 制程工藝，是寒武紀首款采用 Chiplet 技術的 AI 芯片，最大算力高達 256TOPS(INT8)。寒武紀新一代云端智能訓練新品思元 590 芯片還沒發布，但已經受到很多關注和討論，特別是寄予在大模型訓練和推理任務中一定程度上替代 A100 的厚望。

據悉寒武紀主要是 ASIC 架構，劣勢是通用性會比較差，優勢是某些特定應用場景下，算力可以做到比 GPU 更高；有測試結果顯示，590 性能接近 A100 90% 的性能；590 基本支持主流的模型，綜合性能接近 A100 80% 的水平。

寒武紀此前中標了浙江臺州智能計算集群項目（合同金額 5.28 億元）和沈陽汽車城智能計算中心項目（合同金額 1.55 億元）。根據券商研報顯示，這兩筆訂單有望集中在四季度集中交付。

此外，還有諸多云廠商、算力租賃廠商，他們購買芯片搭建算力中心，用來提供云服務或者對外出租，提供給諸多不愿意自建算力中心的客戶使用。

百度昆侖芯片是百度自主研發的云端 AI 通用芯片。長久以來，百度在文心一言大模型的推理端使用的都是自家研發的昆侖芯 2 代，但在訓練端，他們卻主要依賴英偉達的 V100 和 A100。

壁仞科技去年發布了一款規格極高的產品，但主要還是停留在紙面數據，并且在軟件層面也還有很多工作要做，距離成熟的生態軟件、規?；某鲐?、客戶端的個適配還有很長的路要走。天數智芯、沐曦也都陸續有產品推出，這幾家公司雖不像第一梯隊的企業有更成熟的產品經驗，但他們的產品也廣受市場期待。

燧原已擁有邃思系列芯片、云燧訓練和推理加速卡以及云燧智算機的全系列算力產品線。目前燧原已經為大型科研機構部署了千卡規模的 AI 訓練算力集群，并成功落地；燧原還與騰訊合作，在 OCR 文字識別，智能交互，智能會議等方面發揮作用，性能達到了業界同類產品兩倍以上，性價比上具有很高優勢。

中國科技巨頭開始尋求其他解法

在高端 AI 芯片可能被禁的大趨勢下，中國幾大公有云廠商都做出了加強囤積英偉達高端 GPU 的動作。這一方面是因為云廠商自身要加大大模型投入，打開 MaaS 市場，所以對 AI 算力有直接需求。另一方面也是因為 GPU 轉化為云資源池之后可以長期復用，對于云廠商來說是一個進可攻，退可守的局面。因此，今年上半年一度出現了市面上高端 AI 芯片全都流向云廠商，中小企業一卡難求的局面。

據悉，今年 8 月前后百度、騰訊、阿里巴巴和字節跳動四家公司合計向英偉達訂購了價值 50 億美元的 AI 芯片。這些芯片包括英偉達 2023 年發貨的 10 萬塊 A800 芯片，價值 10 億美元，另外價值 40 億美元的芯片將在 2024 年交付。按照 10 億美元購入 10 萬張 A800 芯片來計算，每張 A800 芯片的價格達到 1 萬美元。

華為云 CEO 張平安在華為云盤古大模型 3.0 發布會上曾表示，「中國的算力很難跟上不斷增長的 AI 需求，而且 AI 算力缺乏穩定性。許多公司花高價購買英偉達 GPU，但訓練中 GPU 會出現故障不得不重新訓練，交貨時間很長、代價大。我們希望在 AI 算力方面提供一種替代方案?！?/p>

不只是華為，多家公司都在不斷籌謀和嘗試其他解法。比如騰訊投資了燧原，百度開始尋求其他最優解。

不過，雖然國產 AI 算力已經實現了一定程度的市場占比，不僅僅是概念與理論中的「紙上談兵」。但是也應該看到，國產 AI 芯片在核心性能、軟件生態以及出貨能力上依舊不理想，還有很長的路要走。

AI 算力開始漲價，英偉達卻「陷入焦慮」

近段時間，算力行業接連傳出漲價消息。11 月 1 日，中貝通信相關負責人在接受機構調研時表示，受服務器供應緊張影響，近期算力服務器價格漲幅較大，公司對客戶提供算力租賃服務的價格也會上漲，漲價幅度在與客戶協商中。

隨后在 11 月 16 日，中貝通信披露的關于簽訂算力服務框架合同的公告顯示，近日，公司與北京中科新遠科技有限公司簽訂了算力服務技術服務框架協議，公司向對方提供共計 1920PAI 算力技術服務，合同總金額為 3.456 億元，單價為 18 萬元/P/年。值得注意的是，中貝通信 9 月 7 日披露的一則算力服務合同顯示，該合同單價為 12 萬元/P/年。與之相比，11 月這單合同中的算力服務漲價幅度達 50%。

11 月 14 日，匯納科技發布了關于擬對部分算力服務業務收費價格上調的公告。公告顯示，當日，公司接到合作方四川并濟科技有限公司通知，由于內嵌英偉達 A100 芯片的高性能算力服務器算力需求大幅增加，相關高性能運算設備持續漲價，算力資源持續緊張，并濟科技決定對其 A100 算力服務收費擬上調 100%。鑒于此，自即日起，匯納科技擬將所受托運營的內嵌英偉達 A100 芯片的高性能算力服務器算力服務收費同步上調 100%。

還有不少 A 股公司通過投資者互動平臺披露了近期漲價的意愿。包括云服務商青云科技、潤建股份等都表示將根據市場供需情況對價格進行調整。

一些企業也預見到算力漲價周期的來臨，并已提前做好準備。11 月 4 日，弘信電子在投資者互動平臺上表示，現階段，全球及國內算力需求越來越爆發、英偉達算力芯片已出現大幅漲價，國產算力資源也呈現越來越緊俏的態勢。公司已與燧原科技達成 9152 片算力芯片的采購協議，快速鎖定了算力芯片的量和價格，未來對外供貨算力產品時，在目前可預見的市場供求關系下，無論搭載英偉達芯片的服務器還是搭載國產芯片的服務器，價格上漲的趨勢都比較明確。

AI 應用繁榮發展帶來的算力需求持續上升及算力供應的日益緊張。作為「芯片基石」供應商的英偉達在這場狂風驟雨中出盡了風頭，然而如今，英偉達卻對自己的未來表示擔憂。

隨著英偉達公司 2024 財年第三季度業績的公布，該公司再次證明自己在關鍵的高增長技術領域中是一個主導力量。不過，英偉達現在正面臨越來越多的競爭威脅，這也是事實。

如今的 AI 算力芯片市場一分為四，分別為耀眼的英偉達、正在崛起的中國算力芯片公司、尋求自研的科技/云服務器大廠以及眾多雄心勃勃的初創公司。一系列的主要參與者可能侵蝕英偉達在關鍵產品類別中的領導地位，使得其在長期內保持市場份額的能力存在不確定性。

英偉達表示，預計在美國擴大對華芯片出口限制后，公司第四季度在中國的銷售額將大幅下降。英偉達首席財務官科萊特·克雷斯在與分析師的電話會議上表示：「政府的出口管制將對我們的中國業務產生負面影響，但是我們還無法清楚地預測這種影響的嚴重程度?！箍死姿固寡?，受政策影響，公司今年第四季度對中國和其他受影響的地區的銷售額將大幅下降。

今年早些時候，克雷斯就表示，從長遠來看，禁止向中國銷售人工智能芯片將導致美國芯片行業永久失去機會。