近期，英偉達H200是否能重新銷往中國市場引發(fā)市場高度關(guān)注。盡管目前尚無定論，但無論如何，打造國產(chǎn)算力仍是中國企業(yè)的必修課。在這一過程中，構(gòu)建“異構(gòu)算力調(diào)度”的技術(shù)護城河正在成為當下熱議的話題。

12月16日，在一場智能體生態(tài)論壇上，之江實驗室副主任、浙江大學長聘教授何水兵表示，縱觀2025年，混合算力集群已經(jīng)成為行業(yè)追求極致性價比的必然技術(shù)選項。

推動軟硬協(xié)同和多元異構(gòu)技術(shù)

去年年初時，建設混合萬卡算力還是一種權(quán)衡。“能不混就不混是當時的主流觀點?！焙嗡硎?，“但現(xiàn)在混合算力已經(jīng)成為共識?！?/p>

今年，英特爾結(jié)合了自家的Gaudi 3加速器與英偉達B200 GPU，打造了高效的異構(gòu)AI系統(tǒng)，將英偉達B200集群的推理極限提升高達70%。

何水兵表示，軟硬件協(xié)同是解決算力挑戰(zhàn)的一大趨勢。英偉達的軟件平臺CUDA已經(jīng)成為該公司技術(shù)重要的“護城河”，開發(fā)者對于英偉達CUDA芯片編程軟件高度依賴。而中國廠商也正在構(gòu)建自己的“異構(gòu)算力調(diào)度”護城河。

“智能算力的發(fā)展是一場涉及技術(shù)、生態(tài)和應用的全面競賽，而建立開放、統(tǒng)一、合作的生態(tài)是我們共同破局的關(guān)鍵?！焙嗡f道。

在無問芯穹聯(lián)合創(chuàng)始人兼CEO夏立雪看來，很多算力、硬件的效能沒有被很好地發(fā)揮出來?！拔覀冃枰峁└咝д袭悩?gòu)算力資源的算力平臺，以及支持軟硬件聯(lián)合優(yōu)化與加速的中間件，讓異構(gòu)芯片真正轉(zhuǎn)化為大算力，包括把不同的模型在各類硬件上快速完成高效部署，讓算法和算力之間形成最佳的軟硬件聯(lián)合的優(yōu)化協(xié)同?！彼硎?。

業(yè)內(nèi)人士認為，未來誰能夠解決“算力混用”難題，誰就能掌握定價權(quán)。無問芯穹高管此前對第一財經(jīng)記者表示，做算力運營這件事情本身的商業(yè)模式非常清晰，就是通過技術(shù)能力把算力變?yōu)橐粋€標準化的產(chǎn)品，然后再對它進行一個單位化的定價，并產(chǎn)生規(guī)模化的經(jīng)濟效應。

模型快速迭代帶來的算力新挑戰(zhàn)

夏立雪在會上表示，近半年來，無問芯穹的日均Token調(diào)用量持續(xù)走高，并經(jīng)歷了生產(chǎn)級調(diào)用的波動考驗。近5個月內(nèi)，無穹AI云日均Token調(diào)用量增長了5倍；此外，今年9月，無穹AI云平臺某圖像生成智能體客戶通過開源模型復現(xiàn)Nano Banana手辦生成圖像功能，在4小時內(nèi)的Token調(diào)用就激增了100倍。

設計領(lǐng)域的垂類智能體平臺LiblibAI曾是中國最大的AI圖像視頻社區(qū)和生成平臺，LiblibAI聯(lián)合創(chuàng)始人楊可嘉對第一財經(jīng)記者表示，AI創(chuàng)作體驗進階的背后，要求基礎(chǔ)設施從聚焦推理效率提升，到為“長程任務與上下文管理、強化學習訓練框架、多模態(tài)任務與資源調(diào)度”提供全面支撐。他認為，未來的智能體基礎(chǔ)設施需要從模型算力調(diào)度向能力調(diào)度轉(zhuǎn)變，能夠針對不同時段、不同類型的應用需求進行算力的分部門、分時調(diào)用，才能實現(xiàn)資源利用的最大化。

圖靈新智算創(chuàng)始人、董事長劉淼對第一財經(jīng)記者表示：“隨著對算力需求的不斷增長，算力混用是未來不可阻擋的趨勢，現(xiàn)在業(yè)內(nèi)都在從需求出發(fā)，在智算集群的設計上看看如何使用異構(gòu)算力調(diào)度這種技術(shù)，我們預計，異構(gòu)（算力混用）的比例會越來越高?！?/p>

劉淼還稱，中國不缺工程師、場景、技術(shù)，缺的是系統(tǒng)化方法論、流程、工具、人才和用戶習慣的培養(yǎng)。“要破解算力混用的技術(shù)難題，需要產(chǎn)業(yè)界各方及學界共同努力才能實現(xiàn)?！彼f道。

針對先進算力的發(fā)展趨勢，何水兵表示，模型的快速迭代對算力不斷提出新的要求。例如，當DeepSeek把R1模型開源時，推理加速和強化學習成為新的必爭之地，而當時國產(chǎn)加速卡的基礎(chǔ)幾乎為零；等到DeepSeek開源V3模型時，極低成本的訓練把MoE模型架構(gòu)推向了舞臺中央，國產(chǎn)加速卡的訓練效能需要重新爬坡。

他指出，基于高速網(wǎng)絡的大規(guī)模智算集群正在成為未來重點演進方向。而當算力規(guī)模擴大后，訓練作業(yè)部分環(huán)節(jié)成本也將隨規(guī)模增長呈指數(shù)級增長，成本上升的主要因素包括：故障節(jié)點導致作業(yè)啟動成功率降低、慢節(jié)點造成的作業(yè)交付周期變長、規(guī)?；瘞淼墓?jié)點檢查成本增加、作業(yè)失敗后排查故障節(jié)點耗時增加等。

此外，算力集群的能耗成本也將顯著增加。據(jù)阿里研究院2024年的研究數(shù)據(jù)，到2030年，全球GPU算力集群的電力消耗將突破1000Twh，占全球電力消耗比重增長至2.5%左右。