中美AI战，其实胜利早就定了

^{作 者 | 张津京}

 

3月对所有关注中美科技和芯片比拼的人来说都异常煎熬。

 

先是传出美国要进一步增加对中国芯片技术封锁的内容，而且还要把可能给华为提供服务的十几家中国芯片产业链企业列入制裁名单，接下来又是英伟达发布超级AI计算芯片GB200，号称是中国引入最先进AI芯片A100计算能力的4倍。

 

很多国内的博主又开始悲观，甚至认为我们永远追不上美国在AI算力芯片领域的发展。

 

也因此，外媒洋洋得意认为中国永远追不上美国在AI领域的发展，高度认同美国对我们的高新科技封锁。

 

然而，事实究竟是什么样？

 

01   商业芯片有差距

 

在人工智能的浪潮中，算力成为了推动技术革新的重要引擎。然而，当我们审视国内外AI芯片的发展现状时，不得不面对一个残酷的现实：国产AI芯片与国际领先水平之间存在着明显的差距。

 

近日，英伟达发布的GB200芯片以惊人的AI计算能力震撼了全球科技界。

 

这款基于Blackwell GPU架构的超级芯片，采用了台积电最先进的4纳米工艺，集成了高达2080亿个晶体管，这一数字令人咋舌，是前代产品的两倍以上。其通过NVLink 5.0技术实现的高速连接，提供了前所未有的计算能力，单个B200 GPU的运算能力高达20 petaflops FP4。而当它与Grace CPU结合形成GB200加速卡时，性能更是飙升30倍，尤其在大模型推理工作负载中表现突出。

 

此外，GB200 NVL72服务器的推出，集成了36个Grace CPU和72个Blackwell GPU，提供了总计720 petaflops的训练性能，以及高达1.4 exaflops的推理性能。这一液冷机架级解决方案，不仅性能强大，还具备高效的散热能力，为大规模AI训练和推理任务提供了坚实的硬件基础。

 

另一方面，国内AI芯片虽然也在不断努力追赶，但与国际领先水平的差距仍然显而易见。

 

华为推出的昇腾910B AI处理器作为国内高端AI芯片的代表，虽然采用了自研的达芬奇架构，并集成了AI Core和AI CPU等多层级片上系统缓存，但其性能仅相当于英伟达最新GB200的1/4-1/5。

 

但让人欣慰的是，在软件层面，昇腾910B搭载了华为自研的MindSpore深度学习框架，这一框架与昇腾芯片的深度集成，提供了从数据获取到模型部署的全流程支持，极大地提升了开发效率。MindSpore框架的易用性和高效性，使得昇腾910B不仅在性能上可与国际顶尖AI芯片竞争，也在软件生态上具有明显优势。

 

而其他国内AI芯片如寒武纪的思元系列、百度的昆仑芯片以及燧原科技的邃思系列等，虽然在某些方面表现出色，但整体上仍难以与英伟达等国际巨头抗衡。

 

这种差距不仅体现在算力上，更体现在技术创新和产业链完善程度上。

 

国外领先企业在芯片设计、制造工艺、封装测试等方面都形成了完整的产业链和强大的技术储备，而国内企业在这些方面仍有待提升。此外，国内AI芯片在软件生态和应用场景方面也面临着挑战，需要进一步加强与深度学习框架、算法和应用场景的融合与创新。

 

02   中美AI战比拼应该是算力

 

从这点看，我们难道就只有放弃竞争吗？其实也不尽然。

 

这里面有一个误区。英伟达作为商业企业，它最核心的目标是提升自身产品的收入，进而提升公司股票的价值。所以英伟达在不停的挖掘芯片制程的优势，以及相关芯片架构能带来的技术进步。

 

某种意义上，以英伟达、英特尔、AMD等为代表的美国芯片企业，他们追求的是想办法在芯片单位面积内排入更多的晶体管，进而在不改变芯片大小的前提下提升芯片的性能，从而卖出更高的价格，最终提升公司的利润水平。

 

这其实无可厚非。

 

但这并不意味着中国的芯片企业在追逐AI算力的角度上，要完全依照他们的模式进行。

 

实际上，芯片最基础的单位是晶体管，晶体管数量的多少决定着芯片的性能。换句话说，现在无论是台积电一直鼓吹的低纳米数制程，还是各家芯片企业都在做的芯片架构研发，其最终目的都是想办法在不改变芯片大小的同时放入更多的晶体管。

 

所以中国企业追根结底，想要追上这些AI先进芯片的能力，真正要做的是达到他们相关芯片的晶体管数量。

 

因为你只有做出相同甚至超出的晶体管数量，才可能在芯片的能力上达到或者超过美国这些企业的水平。

 

而现在两国之间的AI比拼已经到了真正意义上的激烈阶段，我们并不需要能做出多少高性能的芯片，反而我们需要的是总体的芯片性能与美国增加的部分相吻合，甚至略有超出即可。

 

这意味着他们可能用标准芯片4厘米×4厘米大小做出的算力，我们可以用6厘米×6厘米大小的芯片完成也行。

 

换句话说，现在两国之间真正在AI领域的底层竞争，不是比谁的芯片做得漂亮精致，而是比总体的算力能增加的数量。

 

 

 

 

这才是我们赢得这场AI大战的根本。

 

很多人担心芯片做大了相关的能耗必然增加，这在两个国家宏观的竞争上不是问题。好。我们可以靠做大芯片，增加芯片的数量，将算力堆上美国发展的水平，背后必然是能源消耗的增长，而我们最不缺的其实就是能源，尤其是以电力为主的能源。

 

最近参加过青海的招商会，相关青海地方的政府领导曾经对外表示，他们有90%以上可以铺建光伏的场地现在只能空缺，原因就在于发出的电受限于运输能力的缺乏，运不出去白白浪费。

 

所以国家针对这种情况，已经提出东数西算的战略，希望在西部这些光能、风能、水能集聚的省份，搭建大量的算力中心，就地消耗这些产生了绿色能源，进而带来中国算力底座的大范围发展。

 

而拥有这样的基础设施建设能力，以及大范围的调度和匹配能力、资源倾斜能力，我们相信未来1-2年中国的算力追上美国，甚至超过是一个大概率事件。

 

而算力赶超之后，接下来的一定是相关AI能力的爆发和不断的迭代，这对中国的企业来说不是难事。

 

03   最终落地是关键

 

工信部原部长苗圩认为，当前全球生成式人工智能领域竞争激烈，但在先进算力上存在较大差距，应该学会采用“下围棋”的策略，在技术相对落后的情况下，通过大模型来赋能制造业、赋能各个领域来实现人工智能的应用，从而走差异化的发展道路。

 

这其实是中国政府对于AI技术落地的一个判断，我认为这是非常正确的一件事。

 

相较于美国面向互联网不停研发的AI与大模型应用，我们从一开始就在强调AI技术和实体产业的结合，这是非常重要的一个举措。

 

从马克思主义经济学原理来说，所有的技术最终落脚点都应该是推动生产力和生产关系的共同进步。而美国现在的各大巨头所开发的AI和大模型，无例外都是为了推动互联网相关产业的发展，而对美国真正的实体经济影响微乎其微。

 

这种动力的背后是美国几十年坚持脱实向虚的产业政策所引导，也跟美国以金融和互联网立国的政策有关。

 

但由于这些应用缺乏对于产业的了解和深度的匹配，真正落实到制造业等国家基础行业，所起到的帮助力度并不大。

 

反观中国的AI与大模型应用，一开始就在坚持跟产业相融合的立场。比如百度的言犀大模型，在刚刚发布的财报中就显示了其AI发展的平台飞桨，已经入驻超过20万家企业，拥有超过80万个实体经济的应用，以大模型为核心的相关应用超过1万个。

 

而不论是科大讯飞的星火还是阿里的通义千问，与产业相融合，都是他们发展的非常重要的战略，并且在不遗余力的坚持。

 

更别说华为推出的盘古大模型，根本就没有走通用大模型的道路，一上来就是8个产业细分的小模型，并且迅速在各个明星产业推广、普及、应用，带来的效应是无与伦比的。

 

比如现在在能源产业已经有超过50个中大型的光伏和风能发电企业，应用了华为盘古大模型，结合无人机和高精度的摄像头，开始对光伏发电设备、风能发电设备等进行巡回检查，并在第一时间发现问题提出解决方案。

 

而这种相应的技术能力跟产业结合带来的1+1可远远大于2。大模型的发展上也有着不一样的意义，就说明在底层制造业和生产上面数据加持下，我们的国产模型和AI会越来越偏向实用相关方向，其产业化和商业化的前景与国外面向互联网的模型和AI好很多。

 

百度成为全球主推AI业务巨头第1个盈利就是明证。

 

当然从这个角度，中国的大模型和AI产业必然会有自己的特点，也会迎来新一轮的爆发式增长。

 

毕竟这些从产业端来的需求，真实且可靠。