文/腦極體

2023年大煉模型興起，全球范圍內都出現了算力供不應求、一卡難求的情況。各地紛紛興建數據中心、智算中心，來解決國產大模型的算力短缺問題。

今年算力市場又倒向了另一個方向，算力開始過剩和大量閑置了。

主要體現在，高端顯卡囤積居奇的生意不好做了，“GPU倒爺”的朋友圈已經從“欲購從速，過時不候”，變成了“A100/H100滯銷，幫幫我們”。而算力租賃市場，理想情況下的上架率應該是80%，但很多集群只能達到30%甚至更低，投入大量資金建設的算力閑置，租不出去。

于是一種聲音開始甚囂塵上，認為算力荒已經緩解了，供過于求，應該放慢自主化智算的建設。還有人說，智算中心建的太多了，大模型都用不完了。

發展自主化智算，到底還有沒有必要？

還記得2023年算力荒焦灼、智算建設突飛猛進的時候，倪光南院士曾提到過：各地盲目建設各種低水平智算中心，讓人唏噓不已，一定要警惕“技術房地產”和“數字爛尾樓”。所謂“技術房地產”，就是算力資源賣不出去，只能變成一堆放著服務器的磚頭水泥房子，閑置在那里。

短短一年多時間，從算力短缺到算力過剩，究竟是怎么發生的？目前來看，閑置算力主要集中在三種情況：

1.用不起。英偉達的高端顯卡GPU是AI訓練的首選，2023年一度一卡難求。以N卡為主的智算資源閑置，一是因為巨頭們此前已經大量囤積采購了GPU，需求減少；二是炒作之后價格昂貴，即使價格回落，中小企業還是用不起。在很多討論“算力過剩”的評論區，我們總能看到“降價試試”的留言，說明高端AI算力的需求仍在，只是昂貴的N卡被價格勸退了。

2.不好用。國產卡組成的算力集群，也存在上架率不高、資源閑置的問題，主要是不好用。因為國產卡的集中度不高，一個千卡或萬卡集群，往往是由各類國產算力卡組成的，異構算力之間的協同調度，涉及大量工程化細節，沒有做好就無法開箱即用。勉強用了，又時不時出現業務中斷、算效不高、恢復訓練慢等各種問題，導致客戶流失。這類被迫閑置的國產算力，正是沒有考慮配套，盲目建設的低水平智算中心。

3.用不上。“百模大戰”之后，企業不再大煉模型，預訓練的算力需求也就大幅下降，算力市場開始轉向以推理算力為主。但推理市場的爆發，需要一個過程，目前AI的行業滲透率還比較低，總體不到10%，很多企業對AI的投入以嘗試為主，還沒有大規模爆發。所以，訓練用算力開始出現閑置，而推理用算力還未大規模崛起，因此短缺問題尚未完全顯現。

低水平算力的閑置與過剩，再一次警醒我們：一個繁榮健康的算力市場，關鍵不是建出來，而是用起來。

這種情況下，仍然大力發展自主化智算，還有必要嗎？

我們認為，這個問題的答案不該有猶豫，要旗幟鮮明地，鼓勵自主化智算基礎設施的繼續建設、加速建設。

首先，從長期看，國內智算屬于后發，基礎仍然薄弱。

中國智算的進步速度是很快的，但也要客觀看到，美國這樣的IT先行者，從20世紀90年代以來就在IT建設上大力投入。根據彼得森國際經濟研究所的消息，在2024年美國在電子制造業建設方面（主要是芯片）的投資，就超過了1996年至2020年（24年的時間跨度）的總投資。而產業界，xAI、meta、OpenAI等海外AI巨頭，都在積極布局十萬卡、五十萬卡規模的智算集群。

所以，國內自主化智算近年來的發展雖然迅猛，也是在積極補課，打牢基礎。這時候如果停止，不僅會前功盡棄，還會讓中美在AI基礎設施上的差距進一步拉大。

從近期看，自主化AI算力需求仍然沒有得到充分滿足，算力荒仍在。

一方面，海外AI算力進口受到限制，極不穩定。目前，國內AI訓練芯片市場英偉達占據了80%～80%的市場份額，要避免威脅供應鏈安全，這種情況必須盡快改變。上海的“算力浦江”智算行動實施方案（2024—2025年）要在2025年，實現新建智算中心的國產算力芯片使用占比超過50%；《北京市算力基礎設施建設實施方案（2024—2027年）》則提出，2027年要具備100%自主可控智算中心建設能力。

三年左右，從不到20%發展到100%。所以，如今的自主化智算不是太多了，而是還不夠。

與此同時，算力需求仍在增長。大模型的規模法則仍在繼續，以Sora為代表的視頻生成模型對算力的需求量是LLM大模型的數倍，已經出現了“一棟樓放不下一個模型”“一個模型需要多個集群”的情況，超萬卡智算中心是必不可少的基礎設施，目前國內的十萬卡集群還遠遠不足。

此外，大煉模型的階段雖然結束了，但基礎模型的市場集中度提高和能力提高，又會釋放AI應用需求，促進AI的行業滲透率、普及率，導致AI推理算力的需求爆發，急需要更多高質量算力來滿足。目前部分國產AI算力集群的利用率極高，西安昇騰智能科技有限公司的人工智算中心算力使用率就高達98.5%；曙光在長沙的5A級智算中心，也吸引上百家企業入駐，實現萬余個商業應用接入。因此，隨著產業智能化升級的繼續推進，國產AI算力荒不是已經解決，而是從現在開始重視和應對。

互聯網產業的核心，當然不是寬帶和機房，但沒有“寬帶高速公路”，就沒有美國互聯網經濟的爆發；移動互聯網的核心，也不是基站，但沒有廣泛覆蓋的4G基站，就沒有智能手機和移動應用軟件的興起。AI大模型也是一樣， AI作為一種依附在基礎設施之上的軟件技術，核心不是智算，但沒有自主化智算，國內AI絕不可能獨善其身、獨自蓬勃發展。

因此，自主化智算并不存在過剩，更不該就此放慢發展。

綜上，“國內AI算力過剩”，是個假問題，“如何合理地推進自主化智算的建設”，才是真問題。

解決這個真問題，國內智算產業已經來到了承上啟下的新階段。不僅要追求把智算中心“建起來”，還要能運營好、用起來。

因此，智算廠商的競爭，也從售賣硬件資源與智算解決方案，轉變為多維度、綜合性、長期服務的競爭。比如華為昇騰AI全棧、中科曙光的“立體計算”、寧暢的“全局智算”、聯想的“萬全生態”，新華三的“1+N”智算等，以更全面的能力，支撐自主化智算的建設運營。

追求全面，并不意味著胡子眉毛一把抓，目前來看，智算廠商們主要集中解決自主化AI算力的幾個痛點問題：

1.異構問題。目前，國產AI芯片還無法規模化出貨，市場集中度較低，因此都是以混合算力的形式，來加入智算集群。多元異構算力的協同調度、管理、算效、業務可靠性等，面臨很多技術挑戰。如果一個企業或開發者，要針對ABCD不同廠商的卡進行適配開發，是不可能的。所以，就需要智算廠商提供相應的系統平臺，屏蔽底層異構硬件的復雜性，讓大家用好國產算卡。比如聯想的萬全異構智算平臺，實現異構化AI算力的管理與調配；新華三面向異構智算的智能管理平臺，一站式應對多樣化的AI應用場景。

2.算效問題。解決“低質量算力過剩，自主化高質量算力不足”的結構性問題，需要進一步提高國產AI的性能。面對工藝制程的限制，可以通過軟硬件系統的無縫配合，從而實現國產算卡性能的充分釋放。以昇騰為例，就與昇思緊密結合，為各類智算場景提供高性能的自主化AI算力，深圳鵬城實驗室的“鵬城云腦Ⅱ”就依托昇騰實現了中國首個自主可控的E級智能算力平臺，可以提供不低于1000Pops的整機AI計算能力。

3.運營問題。如今，一些地方在智算中心建設之前，開始提出上架率、收益率等要求，需要保證項目投運后有一定的使用率。同時，也會要求建設方提供設計、使用、運營等一體化服務，避免智算中心因無人運營而成為“數字爛尾樓”。以用促建、以服促用，已經是自主化智算發展的必然潮流。比如新華三與杭州市合作，打造“圖靈小鎮”，培育AIGC產業和數字人才；中科曙光“立體計算”主張“算力建設、應用賦能、生態共生”三位一體，推動多元算力向新質生產力轉化，目前已經在5A級智算中心落地實踐。

回顧這一年多來，國內智算的發展突飛猛進，取得了舉世矚目的成績，我們不必再為算力荒而憂心忡忡。但人無遠慮必有近憂，AI算力的自主化之路不能就此戛然而止，而要一鼓作氣，再加把勁，把已經取得的成果夯實，為接下來的智能浪潮做好準備。

避免低質量算力過剩，與加速自主化智算發展，這兩件事可以并行不悖，也應該理性分開看待。