AI三要素已占其二，谁将补齐最后的算力短板

谁将补齐中国的算力短板？——从技术路径到产业链协同的突围分析

2024年，中国在算法领域取得了重大突破，以DeepSeek-V3为代表的开源大模型横空出世。这一模型在性能上实现了与美国头部模型的对标，并且通过低成本训练路径（仅需2048个GPU、600万美元预算），成功击穿了CUDA生态的垄断壁垒。这一突破不仅展示了中国在算法研究上的深厚积累，更为中国AI的发展开辟了一条低成本、高效率的创新路径。然而，尽管在数据和算法方面取得了显著进展，中国AI发展的核心短板仍然聚焦于算力芯片，尤其是面向大模型训练的“大算力芯片”。

1. 国际垄断与技术差距 当前，全球AI训练芯片市场被英伟达主导，其A100/H100系列凭借CUDA生态占据90%以上份额。英伟达的芯片不仅在性能上处于领先地位，更重要的是其构建了一个强大的软件生态系统。CUDA（Compute Unified Device Architecture）是英伟达推出的一种并行计算平台和编程模型，它使得开发者能够充分利用GPU的强大计算能力。然而，这种生态系统的垄断性使得其他厂商难以进入市场，中国也不例外。 中国虽在国产GPU领域涌现出华为昇腾、壁仞科技、沐曦等企业，但单卡性能仍落后国际领先水平1-2代。例如，华为昇腾910虽然在一些特定场景下表现出色，但在通用计算能力上与英伟达的A100仍有差距。此外，国产GPU缺乏统一的软件生态支持，这进一步加剧了技术差距。例如，华为昇腾需依赖自研的CANN（Compute Architecture for Neural Networks）框架，开发者迁移成本高；而美国近期推出的AI芯片“配额制”进一步限制了中国获取先进芯片的渠道。 这种“卡脖子”问题不仅影响了中国AI产业的发展速度，还可能导致技术依赖和产业安全问题。一旦外部供应受限，中国的AI企业和科研机构将面临无“芯”可用的困境。
2. 生态系统的碎片化 国产GPU厂商的硬件架构互不兼容，导致用户需为不同平台重复开发代码。例如，壁仞科技、沐曦等企业的GPU架构各不相同，开发者需要针对不同平台进行单独的优化和适配。这种碎片化的生态系统增加了开发成本和时间成本，不利于技术的快速推广和应用。 中国移动推出的“芯合”工具虽能将英伟达代码迁移至国产平台，但性能损耗达10%，且运维人才短缺（如华为生态的工程师稀缺）进一步制约了规模化应用。例如，华为昇腾生态的工程师数量相对较少，难以满足大规模部署和运维的需求。这种人才短缺问题不仅影响了技术的落地，还可能导致技术迭代速度放缓。

1. 区域分布不均衡 中国算力资源分布呈现“东部领跑、中西部跟随”的格局。东部地区集中了全国59.6%的产业资源，广东、北京、浙江等地通过算力产业园和智算中心形成先发优势。这些地区凭借经济发达、人才密集和技术先进等优势，吸引了大量的AI企业和科研机构，形成了良好的产业生态。 然而，中西部地区仍面临算力供给不足与需求错配的问题。中西部地区虽然在能源资源等方面具有一定优势，但由于经济发展水平相对较低、人才匮乏和技术基础设施薄弱等原因，难以吸引到足够的算力投资。这种区域失衡不仅影响了中西部地区的数字经济发展，还可能导致全国算力资源的整体效率低下。
2. 能源利用效率问题 数据中心的能源使用效率（PUE）是衡量算力基础设施绿色化水平的重要指标。尽管中国在液冷等绿色节能技术方面取得了一定进展，但数据中心的PUE指标仍需进一步优化。例如，一些传统数据中心的PUE值仍然较高，能源浪费现象较为严重。此外，随着AI模型规模的不断扩大，数据中心的能耗问题将更加突出，如何在保证算力供应的同时降低能耗，是当前亟待解决的问题。

1. 硬件与软件的兼容性问题 国产GPU厂商的硬件架构互不兼容，导致用户需为不同平台重复开发代码。这种兼容性问题不仅增加了开发成本，还可能导致技术碎片化。例如，壁仞科技和沐曦的GPU架构不同，开发者需要针对不同平台进行单独的优化和适配。这种碎片化的生态系统不利于技术的快速推广和应用。 此外，软件生态的不完善也增加了迁移成本。例如，华为昇腾需依赖自研的CANN框架，开发者迁移成本高。虽然中国移动推出的“芯合”工具能够在一定程度上解决代码迁移问题，但性能损耗达10%，且运维人才短缺（如华为生态的工程师稀缺）进一步制约了规模化应用。
2. 人才短缺与技术迭代问题 人才是技术发展的核心动力，但目前中国在算力芯片领域面临人才短缺的问题。例如，华为昇腾生态的工程师数量相对较少，难以满足大规模部署和运维的需求。这种人才短缺问题不仅影响了技术的落地，还可能导致技术迭代速度放缓。 此外，技术迭代速度的放缓也会影响中国在全球AI竞争中的地位。在全球AI产业快速发展的背景下，技术迭代速度至关重要。如果中国不能在短时间内补齐算力短板，可能会在全球AI竞争中逐渐落后。

1. 能源结构的优化 2024年，中国可再生能源装机容量占比超过50%，这意味着中国在能源结构上逐渐向清洁能源转型。可再生能源的广泛应用不仅有助于减少碳排放，还能够降低能源成本。例如，太阳能和风能等可再生能源的成本逐渐降低，使得数据中心能够以更低的成本获取能源。 此外，特高压输电技术实现了“西电东送”，将西部地区的丰富可再生能源输送到东部地区的数据中心。这种能源调配方式不仅优化了能源结构，还提高了能源利用效率。例如，西部地区的太阳能和风能资源丰富，但当地的数据中心需求相对较小，通过特高压输电技术将这些能源输送到东部地区，能够更好地满足数据中心的能源需求。
2. 绿色节能技术的创新 绿色节能技术的创新是降低数据中心能耗的关键。近年来，中国在液冷、间接蒸发冷却等绿色节能技术方面取得了显著进展。例如，液冷技术通过液体冷却剂直接接触芯片，能够有效降低芯片温度，减少散热能耗。间接蒸发冷却技术则利用空气与水的蒸发冷却原理，进一步降低数据中心的能耗。 这些绿色节能技术的应用使得数据中心的PUE值降至1.2以下，为超大规模智算中心的建设奠定了基础。例如，一些新型数据中心采用液冷技术后，PUE值能够稳定在1.2以下，相比传统数据中心节能效果显著。这种绿色节能技术的创新不仅有助于降低数据中心的运营成本，还能够提高数据中心的环境友好性。

1. 能源供应的稳定性 中国拥有全球最大的统一电网系统，这为算力中心提供了稳定且可靠的能源供应。稳定的能源供应是数据中心正常运行的基础，一旦能源供应中断，将导致数据中心的瘫痪，给企业和用户带来巨大的损失。例如，一些小型数据中心由于能源供应不稳定，经常出现断电现象，严重影响了数据中心的正常运行。 此外，统一电网系统还能够实现能源的灵活调配。在能源需求高峰期，可以通过电网系统将能源从富余地区调配到需求地区，保证数据中心的正常运行。这种能源供应的稳定性为中国算力中心的建设提供了有力保障。
2. 低碳化能力的提升 低碳化是中国能源发展的必然趋势，也是全球应对气候变化的重要举措。中国在可再生能源和绿色节能技术方面的创新，使得数据中心的低碳化水平不断提高。例如，采用可再生能源和液冷技术的数据中心，不仅能够降低能耗，还能够减少碳排放。 这种低碳化能力的提升不仅有助于中国实现碳达峰和碳中和目标，还能够提高中国在全球AI产业中的竞争力。在全球对环境保护日益重视的背景下，低碳化能力将成为数据中心的重要竞争力指标。例如，一些国际AI企业和数据中心运营商已经开始将低碳化作为数据中心选址的重要考量因素。

1. 万卡集群的实践与挑战 中国电信、中国移动已在北京、上海等地建成多个万卡级智算中心，通过全调度以太网和GPU互联协议实现算力整合。例如，哈尔滨1.8万卡集群的算力达6.9EFLOPS，这种大规模的集群建设为中国算力的发展提供了重要支撑。 然而，大规模集群的管理复杂度呈指数级上升。例如，故障诊断、通信延迟等问题成为制约集群效率提升的关键因素。未来，需要突破高密度互联、分布式存储与AI运维技术，以提升集群效率。例如，通过优化网络拓扑结构和通信协议，可以降低通信延迟；通过引入智能运维系统，可以提高故障诊断和处理效率。
2. 异构计算的突围 壁仞科技联合中国电信发布的“四芯混训方案”，实现了英伟达、昇腾等多品牌GPU的协同训练，打破算力孤岛。这种异构计算方案通过软件层抽象硬件差异，为国产芯片的渐进替代提供缓冲期。 异构计算的优势在于能够充分利用不同硬件的计算能力，提高整体算力效率。例如，通过将英伟达的高性能GPU与华为昇腾的专用芯片相结合，可以在不同的计算任务中发挥各自的优势。这种异构计算模式不仅能够提高算力效率，还能够降低对单一硬件平台的依赖，提高系统的灵活性和可靠性。

1. 从通用GPU到领域专用芯片 GPU因兼顾图形渲染与通用计算，在AI训练中效率低于专用NPU。针对Transformer等特定算法设计的芯片（如华为达芬奇架构）可提升能效比3-5倍。专用芯片通过优化硬件架构和算法实现，能够显著提高特定任务的计算效率。 例如，华为达芬奇架构针对Transformer算法进行了深度优化，通过专用的计算单元和数据流管理机制，实现了高效率的模型训练。这种专用芯片不仅能够提高计算效率，还能够降低能耗。此外，存算一体架构通过减少数据搬运功耗，有望突破“内存墙”限制。存算一体架构将存储单元和计算单元集成在一起，减少了数据在存储和计算之间的搬运，从而提高了整体系统的效率。
2. 先进封装与Chiplet技术 在制程受限的情况下，芯粒（Chiplet）技术通过2.5D/3D封装集成多颗裸片，可提升算力密度。例如，华为昇腾910B采用7nm工艺与CoWoS封装，性能接近英伟达A100。Chiplet技术通过将多个小芯片集成在一起，实现了更高的集成度和性能。 Chiplet技术的优势在于能够突破制程限制，通过封装技术提升芯片性能。例如，在7nm工艺下，通过Chiplet技术可以将多个小芯片集成在一起，实现更高的算力密度。这种技术不仅能够提高芯片性能，还能够降低芯片制造成本。

（三）路径3：生态突破与GPGPU国产化

1. 构建统一软件栈 中国需推动类似“芯合”的跨平台工具链发展，并建立开源框架（如百度PaddlePaddle、旷视MegEngine）与国产硬件的深度绑定。政策层面，《“数据要素×”三年行动计划》已明确支持算力互联互通。 构建统一软件栈是实现国产芯片生态突破的关键。通过跨平台工具链和开源框架的结合，可以降低开发者的学习成本和开发成本，提高开发效率。例如，百度PaddlePaddle和旷视MegEngine等开源框架提供了丰富的开发工具和资源，能够帮助开发者快速上手和开发AI应用。
2. GPGPU的百家争鸣 一旦CUDA生态被解构，国产GPGPU厂商可凭借定制化服务（如面向中小企业的低成本算力包）抢占市场。赛迪顾问预测，2025年中国智算服务市场规模将突破300亿元，定制化需求驱动技术迭代。 定制化服务是国产GPGPU厂商的重要发展方向。通过提供面向中小企业的低成本算力包，可以满足不同客户的需求，提高市场占有率。例如，一些中小企业对算力的需求相对较小，但对成本较为敏感，定制化的算力包能够满足他们的需求，同时降低他们的使用成本。

（一）顶层设计：全国一体化算力网

1. “东数西算”枢纽节点的建设 国家发改委《数字经济2024年工作要点》提出建设“东数西算”枢纽节点，优化算力资源调度。通过“东数西算”工程，将东部地区的数据计算需求转移到西部地区，实现算力资源的优化配置。 “东数西算”工程不仅能够解决区域算力分布不均衡的问题，还能够促进中西部地区的数字经济发展。例如，中西部地区可以通过承接东部地区的算力任务，吸引更多的投资和人才，推动当地数字经济的发展。
2. 算力交易平台的推动 广东、北京等地通过算力交易平台推动供需匹配，而中西部可承接低时延要求较低的算力任务。算力交易平台的建立能够实现算力资源的市场化配置，提高算力资源的利用效率。 例如，通过算力交易平台，企业可以根据自身的需求购买或出售算力资源，实现资源的优化配置。这种市场化的配置方式不仅能够提高算力资源的利用效率，还能够降低企业的运营成本。

1. 芯片与存储等短板环节的攻关 工信部“制造业重点产业链高质量发展行动”聚焦芯片、存储等短板环节，鼓励头部企业（如华为、中兴）联合高校攻关液冷、3D NAND等技术。通过产学研融合，可以集中各方优势资源，加快技术攻关速度。 例如，中兴通讯的射频芯片技术已支撑5G基站国产化。这种产学研融合的模式不仅能够提高技术攻关效率，还能够促进技术的快速转化和应用。通过企业与高校的合作，可以将高校的科研成果快速转化为实际产品，提高企业的竞争力。
2. 技术转化与应用的加速 产学研融合不仅能够加快技术攻关速度，还能够促进技术的快速转化和应用。例如，通过企业与高校的合作，可以将高校的科研成果快速转化为实际产品，提高企业的竞争力。这种技术转化和应用的加速不仅能够推动产业发展，还能够提高国家的科技实力。

1. 社会资本的加速涌入 2024年，沐曦等GPU企业启动IPO，社会资本加速涌入。资本的投入为算力芯片的研发和产业化提供了重要支持。例如，通过IPO，企业能够获得大量的资金用于技术研发和市场推广。 社会资本的投入不仅能够为企业发展提供资金支持，还能够促进产业的快速发展。例如，通过资本的投入，企业可以扩大生产规模，提高市场占有率，推动产业的发展。
2. 人才的定向培养与输送 “卓越工程师教育培养计划”定向输送芯片设计、异构计算人才，缓解人才缺口。人才是技术发展的核心动力，通过定向培养和输送人才，可以缓解人才短缺问题，提高企业的技术创新能力。 例如，通过“卓越工程师教育培养计划”，高校可以为企业输送大量的专业人才，满足企业的人才需求。这种人才的定向培养和输送不仅能够缓解人才短缺问题，还能够提高企业的技术创新能力。