大模型正引发一波新的AI算力荒，从此前的芯片紧缺，上升为AI算力集群级的饥渴症。
根据产业链消息，参数可能仅30亿的Sora用4200-10500块H100训练了1个月；最新出炉的Llama 3 8B和70B的训练需要24000多块H100组成的集群；据称有1.8万亿参数的GPT-4是在10000-25000张A100上完成了训练……
OpenAI、Meta等都在用数千卡、甚至万卡串联，满足不断攀升的大模型训练需求，也给了我国大模型企业一本可参考的算力账。
然而，多位GPU算力集群业内人士告诉智东西，当下我国智能算力处于严重的供不应求状态。在GPU全球稀缺背景下，单卡性能已相对没那么重要，通过集群互联实现整体算力的最大化，成为解决AI算力荒的必要路径。
政策也已经紧锣密鼓地下发。4月24日，北京市经济和信息化局、北京市通信管理局印发《北京市算力基础设施建设实施方案（2024—2027年）》，方案提出，规划建设支撑万亿级参数大模型训练需求的超大规模智算集群，并对采购自主可控GPU芯片开展智能算力服务的企业予以支持。
产业这边的动作也没有落后。国内的头部算力厂商都已加速布局大规模智算集群，比如云服务巨头华为云打造了贵安、乌兰察布、芜湖3大AI云算力中心，头部AI芯片公司摩尔线程过去四个月也已在南京、北京亦庄和北京密云完成3座全国产千卡智算中心的落地，助国产大模型产业发展提速。
GPU紧缺导致算力跟不上
大模型获得突破以来，无论是产业巨头还是学术界，都在为获取足够的算力资源而苦苦挣扎。去年9月，甲骨文董事长埃里森和特斯拉CEO马斯克在硅谷一家豪华餐厅中向黄仁勋“乞求”GPU的场景还历历在目。近日，人工智能领域知名学者、斯坦福大学教授李飞飞再次表达担忧：高校的AI研究已经被高昂的GPU成本所拖累，逐渐被产业界甩在身后。
Meta可以为模型训练采购高达35万个GPU，而斯坦福大学的自然语言处理小组，却总共只有68个GPU——这种“万”与“个”的悬殊对比，揭示了算力鸿沟的残酷现实。为此，李飞飞提出建立“国家级算力与数据集仓库”的计划，并称其重要性堪比“登月投资”。
对我国而言，情况同样严峻。以GPU等AI芯片为代表的稀缺算力资源，优先向少数大型企业供给，高校、中小微企业苦于高昂成本难以参与其中。
在此背景下，超大规模智算中心的建设或许能为解决算力短缺问题提供一个思路，成为我国在全球AI竞争中取得优势的重要一环。
事实上，我国早已在算力基础设施上展开积极布局。“东数西算”工程作为国家级的工程项目，在全国范围内规划了八大枢纽节点和十大数据集群，并且已经取得显著进展。
以十大集群之一的韶关集群为例，前不久，其首批上线运营的华南数谷智算中心，一期规划算力16000P（1P约等于每秒1000万亿次计算速度），规模居粤港澳大湾区首位。预计到2025年初，韶关集群的智能算力规模将达到50000P，成为大湾区、广东省乃至整个华南地区的最大体量。这些算力资源，不仅可以满足高校的科研需求，还可以为中小企业等各行各业提供实时、高效的算力支持。
然而，超大规模智算中心的建设并非易事。它需要突破一系列核心技术，其中异构算力的统筹和调度尤为关键。异构计算，即多种算力的混合使用，对于实现全国算力中心的大一统和优化资源利用至关重要。在多个数据中心或智算中心互联互通的复杂场景下，异构计算的挑战前所未有。传播内容认知全国重点实验室研究员张冬明表示，在异构算力的建设和发展过程中，国产AI芯片必将扮演越来越重要的角色。然而就目前来说，受配套软件、固件支持等生态系统方面的制约，真正能够有效支撑大模型训练的国产算力集群并不多。
这些情况已被有关部门敏锐捕捉到。今年年初，工业和信息化部等七部门联合印发的《关于推动未来产业创新发展的实施意见》中提到：“加快突破GPU芯片、集群低时延互连网络、异构资源管理等技术，建设超大规模智算中心，满足大模型迭代训练和应用推理需求。”
专家认为，在当前阶段，大部分算力性能的提升主要来自“系统集成”。既有基于小芯粒技术的芯片级集成，也有基于一卡多芯技术的板卡级集成，还有基于液冷和高互联的机架级集成。因此，建议在加强单芯片能力的同时，应注重提升AI算力的系统集成能力，从单点突破转向横向拓展，对芯粒、液冷、互联等相关技术持续投入，进一步实现AI算力系统的高算力、高效能、高稳定、高性价比。
当前，智算中心正在成为通用人工智能发展的关键。而超大规模智算中心，正在成为智算中心持续演进的未来形态。随着智算中心的发展成熟，“开箱即用”的智能计算服务有望成为主流。当然，这需要产业界、学术界和政府的通力合作。
在算力资源的统筹配置方面，业内人士建议，政府可以通过行政手段，以统筹建设的方式集中采购，通过“云化”将算力按P销售，再以“算力券”等的方式补贴中小型科研机构，以促进AI的研究和应用发展。
中国AI算力生态或将发生巨变
综合考虑美国禁令、当前国内各个公司的产品线布局，研发实力，产品进度等因素，我们认为未来中国AI算力生态或将发生较大改变，由现在的英伟达一家独大，逐步演变为国际生态（英伟达、AMD、Intel等）和国内生态分庭抗礼的局面。英伟达目前仍然有望凭借良好的CUDA生态，以及较好的集群性能占据一定的市场份额。但是由于其受制于美国禁令，对单卡性能的严格限制或将严重影响其在中国区的市场份额。
在国内生态中，华为昇腾目前在研发、产品能力以及生态闭环上保持领先，预计将成为国内第一份额；海光信息依托中科曙光和中科院系强大的后盾，具备“芯-端-云”的完整闭环，与华为“鲲鹏+昇腾”产业链对应，有望成为重要的国产算力生态。其他独立第三方例如寒武纪、壁仞科技、摩尔线程、景嘉微等也将充分受益于算力国产化机会，有望凭借性价比优势分得一定的市场份额。整体看，随着国产算力的不断迭代，有望在未来实现弯道超车。
GPGPU技术路线或将取得更大市场份额
最初GPU的设计目标仅是提升计算机对图像视频等数据的处理性能，解决CPU的性能瓶颈。但是，随着GPU在并行计算方面性能优势的逐步显现，以及并行计算应用范围的拓展，GPU演化出两条分支：一条是传统意义的GPU，延续专门用于图形图像处理用途，内置了视频编解码加速引擎、2D加速引擎、3D加速引擎、图像渲染等专用运算模块；另一条是作为运算协处理器的GPGPU，增加了专用向量、张量、矩阵运算指令，提升了浮点运算的精度和性能，可以满足更多计算场景的需要。
随着GPGPU的技术进步和生态完善，其应用领域不断拓展，除了传统的图形图像处理外，还涉及了商业计算、大数据处理、人工智能等多个领域。在人工智能领域，其优势主要体现在：
（1）训练效率高，加快模型的迭代和优化；
（2）能源消耗低，人工智能的运行成本；
（3）软件生态丰富，支持主流的人工智能框架，便于已有应用程序的移植和新算法的开发。目前，GPGPU已成为人工智能相关解决方案的主流选择。
总结：
AIGC带动GPU需求激增，根据11月22日英伟达发布的2024Q3财报，3季度数据中心业务实现营收145.14亿美元，同比增长 278.66%。美国商务部最新出口管制措施实施之前，英伟达数据中心业务2023年总营收预计约450亿美元。按照中国区数据中心业务收入占比约为20%-25%，2023年中国区英伟达数据中心业务收入约为90-112.5亿美元，中性估计2024年中国区数据中心需求同比增长15%，那么2024年中国区英伟达GPU替代空间约742-927亿人民币。
在国内生态中，华为昇腾目前在研发、产品能力以及生态闭环上保持领先，预计将成为国内第一份额；海光信息依托中科曙光和中科院系强大的后盾，具备“芯-端-云”的完整闭环，与华为“鲲鹏+昇腾”产业链对应，有望成为重要的国产算力生态。其他独立第三方例如寒武纪、壁仞科技、摩尔线程、景嘉微等也将充分受益于算力国产化机会，有望凭借性价比优势分得一定的市场份额。整体看，随着国产算力的不断迭代，有望在未来实现弯道超车。
