“编者按：在激烈的中美AI竞赛中，我们常陷入对芯片性能的迷恋。然而，当硅谷为参数的胜利欢呼时，决定未来的战局已在芯片之外展开。
我们特地翻译这篇海外深度分析，旨在揭示美国指标陷阱的短视，并点明中国在能源、集群和开源三大领域布局的深远意义。
作者：Ignacio de Gregorio
发布日期：2025 年 8 月 2 日
美国总觉得自己，在人工智能芯片和基础设施上，已经把中国远远甩在身后。
这种自信不仅站不住脚，更是源于一系列错误的假设。
这种领先，纸面上看或许没错，但实践中却并非如此。说到底，这根本不重要。
让我们深入剖析人工智能硬件的真实格局，看看英伟达这类巨头所在的行业，你就会明白，美国为何在低估中国这个最可怕的对手时，犯下了几个致命的错误。
“本文用最根本的逻辑和最易懂的语言，为你解读人工智能。献给那些厌恶炒作、渴望真知的读者。
硬件的真实水平
一家叫 Epoch AI 的机构最近发布了份有趣的报告，对中美人工智能硬件竞赛给出了他们的看法。
长话短说，他们认为中国未来几年仍会处在追赶的位置。在图形处理器技术上，至少会比英伟达和 AMD 落后一代。
虽然这个结论在各方面都难以辩驳，但实际情况远比想象的复杂。而这种片面的认知，正让美国沉浸在一种虚假的安全感里。
人工智能硬件的核心
首先，我们必须明确，人工智能硬件有三个关键指标：
运算速度：即每秒能执行多少次浮点运算。 内存带宽：数据进出核心能有多快、有多少。 芯片间通信速度。
这三者为何如此关键？
简单来说，人工智能模型在训练时，是海量的矩阵乘法；在推理时，则是矩阵与向量的乘法。本质上，就是天文数字般的数学运算。
因此，芯片的运算速度越快，模型跑得就越快。
第二个关键是内存带宽和内存大小。后者之所以重要，是因为前沿模型动辄几百 GB，体积庞大，远超单个芯片的内存容量。
但前者，也就是带宽，甚至更为致命。
带宽决定了数据进出内存的流量。任何计算架构中，程序都存在内存里，而非固化在芯片上。芯片要工作，数据就必须从内存搬到芯片，算完再存回内存。
芯片边上的高速缓存极小，而模型又极大，所以模型必须被切分成小块处理。这意味着，哪怕只是简单跑一次「前向传播」（比如让聊天机器人读一段话、生成下个词），也需要无数次读写内存。
所以，数据传输的量和速度，就成了决定性的瓶颈。在我及许多专家看来，优化内存带宽，是避免内存墙问题的重中之重，其优先级甚至高于算力本身。
最后，也是英伟达最核心的护城河（即便对比 AMD 和谷歌，在拥有自家软件 CUDA 的加持下），无疑是其 GPU 之间的通信速度。
前面提到，模型要被拆分才能送入芯片。但这还不是全部，模型（有时甚至数据本身）除了拆分，还必须分布在多个加速器上，比如多个 GPU。
这意味着，通信不仅发生在单一 GPU 的计算和内存芯片之间，更发生在成百上千个 GPU 之间。如果说内部的内存带宽是瓶颈，那 GPU 之间的通信就是更大的瓶颈，因为速度会急剧下降。
说白了，任何一个 GPU 都可能在空转，不光等自己的内存，还要等其他 GPU 把数据传过来。
那我们怎么衡量这种复杂的数据流转效率呢？
方法很简单，就是看我们的计算任务，离一个叫「算术强度」的阈值有多近。这个阈值是计算能力和带宽速度的比值，我们得尽力贴近它。
举个例子，一块英伟达 Blackwell B200 芯片，在 FP8 精度下算力高达 9 PetaFLOPs，内存带宽为 8 TB/秒。二者相除，算术强度就是 1125。
这代表每传输 1 字节的数据，我能完成 1125 次运算。
如果你的任务算术强度高于 1125，你就受限于计算。这意味着你的算力核心在全力运转，一刻也没闲着。
如果低于这个值，你就受限于内存。这意味着 GPU 大部分时间都在搬运数据，而宝贵的计算核心却在摸鱼。
计算能创造收入，数据传输只是成本。所以，你的目标必须是让算力跑满，至少要接近那个算术强度阈值。当然，现实往往很残酷，大部分应用都严重受限于内存。
总而言之，一个 AI 计算集群的优劣，要看所有这些指标。那么，中国的芯片表现如何？第一眼看上去，确实不怎么样。
在这三个关键领域，中国的顶级芯片全面落后：
内存带宽：差两倍。 计算速度：差三倍。 GPU 间通信：差两倍（对比英伟达的 NVLink），如果用 PCIe4 连接，则差了十倍。
更糟的是，中国最大的芯片制造商中芯国际，其良率（能正常工作的芯片比例）还不到 50%，而为英伟达代工的台积电，良率则高达 90%。
所以，表面上看，这简直是云泥之别。但，本文的核心观点恰恰是：中国对此毫不在乎。
为什么？
问题的关键是视角
西方世界一直没弄明白，中国根本不关心利润、毛利率或者良率这些商业指标。因为他们会不惜一切代价，投入一切资源，来玩这场游戏，并且要赢。
这就是把一项技术视为国家安全问题和战略级技术，与将其看作赚钱机器之间的根本区别。
因此，中国的决策者们，虽然也希望芯片性能和生产良率能提升，但无论技术指标有多难看，他们都会动用国家力量，提供无限支持，直到胜利为止。
但这还没完。在所有数据中心、服务器和芯片的背后，最终的制约因素是能源和电力成本。
当美国和欧盟现在才后知后觉地意识到能源是关键时，中国早已在能源网络上布局了几十年，并且在能源部署上取得了碾压性的优势。
事后复盘总是容易的，但我很难想出比下面这张图更具冲击力的对比了。看看每条曲线的爬升斜率，这差距大到让人说不出话。
当我们还在纠结中美单块芯片的性能对比时，如果中国的能源成本趋近于零，这种对比就变得毫无意义。
到那时，他们根本不在乎华为芯片的能效比是高是低。既然电力近乎免费，他们只需要部署更多芯片就行了。
这并非预测，而是正在发生的事实。
美国的实验室还在为部署一台 130 千瓦的英伟达服务器而头疼时，中国已经开始部署高达 500 千瓦的华为昇腾 910C 服务器集群，其功耗足以供应 167 个欧洲家庭。
所以，我们该明白什么？
“这里的核心是，要用服务器集群的视角，而不是单块芯片的视角来看问题。
没错，一块英伟达 Blackwell 芯片能完爆一块华为昇腾芯片。但一个华为的服务器集群，同样能完爆一个英伟达的服务器集群。
尽管华为方案的单位能耗性能更高，但当能源在中国几乎免费，且利润可以被忽略数十年时，这种劣势就显得微不足道了。这在美国是不可想象的。
总而言之，尽管中国的芯片较差，但华为这样的公司，只需建造规模庞大的数据中心，就能完全弥补单点技术的不足。如果你的芯片快三倍，我就把价格降到你的三分之一；如果你的集群吞吐量高两倍，我就把集群建到你的两倍大。
当然，良率是个问题。美国在部署数据中心的速度上，或许仍有优势。
中国的制造商每生产一个单位的有效算力，需要消耗近两倍的晶圆。这意味着，这个限制因素确实存在，但具体影响多大，目前还缺乏数据支撑，我们只能推测。
所以，当我们把视角从芯片转向服务器集群时，能源成本就成了一个被严重低估的决定性因素。
在这种模式下，中国企业能获得巨额补贴甚至免费的能源，以及建设超大规模数据中心所需的一切土地，从而完全抵消其芯片层面的短板。
你可能会反驳：「既然如此，中国的实验室为什么还在拼命求购英伟达的芯片？」
这很正常，因为在同等成本下，英伟达芯片确实能提供更高的效率，中国的实验室也需要考虑成本优化。
但问题的关键是，他们并不会因为买不到英伟达芯片就停下脚步。他们受到的影响远比我们想象的小，并且总能通过其他方式，哪怕效率低一些，来达到同样的目的。
让我再强调一次核心观点：
“中国在乎的是最终能否到达目的地，而美国在乎的是一路上有没有钱赚。
除此之外，还有一个更令人担忧的方面：美国正在输掉开源之战。
开源：芯片生态的胜负手
很多人不理解，为什么要将耗资巨大的模型和技术免费开源。
“把这么贵的东西白送出去，图什么？
在公司层面，这或许很难解释。但在国家安全层面，这却是最基本的常识。美国政府理应强力鼓励本国顶尖实验室，尽可能地拥抱开源。
原因很简单：在中美竞争的棋局中，胜利不仅取决于谁的模型最强，更取决于全球的算力，是用谁家的货币来支付的。
换句话说，模型能推动一国技术的普及，但更重要的是，它能激励全球用户，采用这个国家的基础设施。
随着服务器架构日趋复杂和定制化，模型将变得越来越依赖特定的芯片。
比如，传闻 OpenAI 下一个开源模型，将只能在英伟达最新的 Blackwell 芯片上运行。这就是开源的威力所在。
“谁在开源上领先，谁就能主导模型的生态。而当模型与芯片深度绑定时，你就能把全世界的开发者和客户，都吸引到你真正的金矿上：芯片。
美国的宏大战略，理应是将美元与人工智能算力挂钩。如果算力是新时代的石油，你最好确保它是用美元来结算的。
但现在的问题是，在开源模型领域，中国正以惊人的势头碾压美国，目前排名前五的开源模型均来自中国。
美国的官方人工智能行动计划，反复强调开源的至关重要性。
然而，现实却极具讽刺意味：当美国还在高谈阔论时，中国反而在默默践行美国自己设定的战略路径，而美国的顶尖实验室们，却在做着完全相反的事情。
原文地址：https://medium.com/@ignacio.de.gregorio.noblejas/what-china-gets-the-us-doesnt-f12059d0613d
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
