中國算力的想象力有多大？｜產業特稿_風聞

 

 

巨頭入場和“東數西算”的助推，讓中國離這個萬億級算力藍海更近了一步。

作者|思杭

編輯|皮爺

出品|產業家

 

2023年初，在青島、濟南、日照等12座城市，一座座嶄新的大型數據中心拔地而起。

其中，最引人矚目的屬2月23日，在青島嶗山區的青島人工智能計算中心。這是山東省第一個上線運行的人工智能計算中心，算力規模可達250P。

在青島這座城市，既有像卡奧斯這樣的工業互聯網平台型企業，也有像創新奇智、極視角、以薩技術等人工智能服務商。這些企業對算力、算法和數據有着龐大的需求。

像青島人工智能計算中心這樣的項目，最近兩年不在少數。而如今，人工智能再一次引爆算力需求。

前有ChatGPT誕世，後有百度“文心一言”，還有鮮為人知的claude+，由Anthropic公司開發；騰訊近日也宣佈研發ChatGPT聊天機器人。

為什麼ChatGPT爆火後，國內外大廠都前仆後繼地參與？又為什麼OpenAI的ChatGPT被稱為“一直被模仿，從未被超越”？

1956年，人工智能開始發展，60年一直不温不火，直至2017年，Alphago打敗圍棋世界冠軍，才算AI破圈的開始。決定AI的三大核心要素是數據、算法和算力。

首先，全球最不缺的就是數據，尤其在中國，14億人口平均人手1.6部智能手機，未來隨着物聯網技術的完善，每人會生產出更龐大的數據量；其次是算法和算力，一個形象的比喻是，數據等於廚師炒菜用的食材，算法是菜譜，算力則相當於廚師的廚藝。而在中國，拖後腿的是算法和算力。

據OpenAI近日發佈的數據，截止目前人們對算力的需求已增長超30萬倍。然而，就在各國加速佈局算力產業之際，2022年美國商務部禁止了高端芯片設備及人工智能芯片的對華出口。這直接影響了英偉達和AMD兩大供應商對A100和H100兩款高端加速卡的出口。

“1萬枚英偉達A100芯片是做好AI大模型的算力門檻”，這是行業內公認的標準。H100則是比A100性能更高的芯片。

ChatGPT能有今天的突破，微軟功不可沒。構建“永遠改變人機交互方式”的超級計算機，是OpenAI五年前的豪言壯志。為了幫助實現這個大膽的想法，微軟斥資數億美元做了一場賭注。這其中面臨的難題是前所未有的，比如在Azure雲計算平台上連接幾萬個英偉達A100芯片，再比如打造指數級增長的網絡GPU集羣規模等。還好，微軟賭贏了。

在算法上，ChatGPT依然使用2017年論文中發佈的Transformer，該算法原本的應用場景是翻譯，因此它不僅具備英語語言能力，也有中文語言系統，這解釋了為什麼GPT能夠進行中文對話；但性能提升主要在算力上，ChatGPT這種大規模分佈式訓練已經超出了摩爾定律的限制，上萬個A100芯片讓算力暴漲1萬倍，這種算力消耗前所未有。目前，ChatGPT依賴於A100芯片，未來若投入H100，性能會有更大提升。

AI技術不斷演進，對算力的需求也呈指數增長。據中國信通院預測，到2030年，近70%的公司都會用到人工智能。企業數字化轉型也需要算力支撐，在中美芯片競爭博弈背景下，自建算力系統迫在眉睫。

王堅在3月30日出席財富全球科技論壇時也談及到算力的重要性，“算力與‘電氣化’同等重要。而算力和電力一樣，只有極少數技術能幫助人類去做創新，這就是算力的重要性。”。

回到文章開篇的兩個問題，之所以國內外大廠有能力開發聊天機器人，是因為其背後所需的技術並不難，像百度和華為都有自研芯片，文心一言就依賴於百度自研的崑崙芯；而之所以“從未被超越”，是因為ChatGPT背後巨大的算力支持，至少從現在來看，國內還需要時間。

一、一個萬億級的算力市場

ChatGPT打破了摩爾定律的限制，也引爆了對AI算力的需求。GPT-4的算力消耗遠大於GPT-3和3.5，OpenAI也在不斷對Plus付費用户調低閾值，將訪問限制由第一天的150 msg/4hr降至最近的25msg/3hr，簡言之，就是減少用户的提問次數，從而降低算力消耗。

具體來看，據GPT-4的公開數據，在32K的上下文長度下，每1000個token的提問成本為0.06美金，回答完成成本為0.12美金。與GPT-3的成本對比，GPT-4的輸入成本增加了50％-200％，輸出升本增加200％-500％。

由ChatGPT帶來的算力恐慌也蔓延到了國內。

近日，多隻國產芯片股大漲。截至3月29日13:39，芯片 ETF 龍頭漲幅 4.37%，立昂微、北方華創漲停，中微公司漲超 9%，思瑞浦、瀾起科技漲超 8%，滬硅產業-U、兆易創新、景嘉微漲超 5%。

可以説，**中國是一片巨大的算力藍海。**一方面，人工智能的發展帶動數據流量增長，從而使算力規模激增；另一方面，算力深度融入互聯網、電信、金融、製造等行業，助推各行業各領域完成數字化轉型。據中國信通院統計，截至2022年，算力需求最大的行業是互聯網，佔整體算力份額的近一半，其次，政府、服務和電信業也在加大算力投入，佔比分別為12%、10%、7.2%。

 

中國各行業算力應用分佈情況

 

從電商到社交，從遊戲到金融，從醫療到教育，互聯網各行各業都需要算力。以電商巨頭阿里為例，每天數十億的交易數據，單是搜索引擎就需要處理數百億個商品數據，這還只是在搜索和推薦商品的場景。另外，阿里還有兩大塊風控系統，一塊是金融領域，主要業務是支付寶，另一塊非金融領域，如新零售、高德、大文娛等。這些都需要巨大的算力在背後支撐，進行存儲和分析數據，或識別和預防欺詐。

2022年8月30日，阿里雲啓動了張北超級智算中心，AI算力總規模為12 EFLOPS（每秒1200億億次浮點運算），據説超過了谷歌的9 EFLOPS和特斯拉的1.8 EFLOPS，成為全球最大的智算中心。2023年3月，百度也完成了陽泉智算中心的升級，算力規模達4 EFLOPS，成為目前亞洲最大單體智算中心。

智算中心的建設是為AI大模型訓練、自動駕駛、空間地理等人工智能探索應用，提供智能算力服務。近年來，智能算力增長最為迅速。據IDC發佈的數據，2022年，我國智能算力規模達268 EFLOPS，預計未來5年，我國智能算力規模的年複合增長率將達52.3%。

而國家大力佈局智能算力產業的背後，是智能算力存在的巨大供給“鴻溝”。據IDC預測，未來三年新產生的數據量將超過過去三十年的總和。這個鴻溝就表現在，數據總量在增長，真正被有效利用的數據佔比卻不足1%。中國工程院院士王恩東在《瞭望》新聞週刊中説道，“目前無法具體統計AI算力缺口數據，但中國在加速數字化轉型”，在這過程中，需要AI算法利用深度學習，訓練出深度神經網絡模型，這需要足夠強的算力支撐。

未來，74.5%的企業都會用到AI，在智能算力方面，主要應用包括AI語音技術、大數據分析與機器學習、圖像識別與處理及自然語言處理。像電商、智能家居、在線教育和人工智能等互聯網行業對智能算力需求非常大。比如，阿里旗下的天貓需要智能算力開發“推薦算法”和“超級搜索”，或用於個性化定製和營銷策略；再比如小米生態鏈公司Yeelight的智能家居系統，也需要算力實現智能化聯動和語音控制。

如今，各國間的算力博弈進入白熱化階段。據中國信通院統計，2022年，我國服務器規模約2000萬台，算力規模超150 EFlops，位居世界第二，僅次於美國；預測2023年，在ChatGPT引爆算力需求的背景下，中國算力規模將超200 EFlops。

巨頭入場和“東數西算”的助推，讓中國離這個萬億級算力藍海更近了一步。

二、巨頭造芯，算力能否跨越“卡脖子”困境？

2021年，字節下場造芯了，先是從百度截胡了三位芯片相關人才，而後又去華為海思、Arm、高通等公司“三倍（薪資）挖人”。這一波波操作引發了互聯網大廠的“芯片人才熱”。

早在自研芯片這一信號傳出之前，字節跳動就接連投資了RISC-V公司睿思芯科、AI芯片公司希姆計算、GPU芯片設計獨角獸摩爾線程、泛半導體行業智能製造商潤石科技、數據中心網絡芯片公司雲脈芯聯、開發衍射光學芯片的公司光舟半導體等。

字節下場造芯只是一抹縮影，高薪挖人也是互聯網大廠追逐芯片夢的慣用手法。除了字節跳動，還有阿里、百度和騰訊。在一眾互聯網大廠中，最先吃螃蟹的人是百度。

故事開始於2010年，“這在當年是百度的一個秘密項目。”百度高級副總裁曾透露。百度最初嘗試用FPGA架構研發AI芯片，然而它一開始並沒有完全自研，而是同Arm、紫光展鋭和賽靈思等公司合作，推出數款AI芯片，後來才走上自研的道路。2018年7月，百度正式發佈其自研AI芯片“崑崙芯”，並於2020年量產。

 

 

2021年，崑崙芯的業務被獨立了出來，由百度芯片首席架構師歐陽劍出任崑崙芯片公司CEO。同時，該公司也在3月完成獨立融資，首輪估值約130億元，自此，中國誕生了一家國產芯片超級獨角獸。

阿里也緊跟步伐。在百度開始“秘密項目”的五年後，2015年，阿里巴巴宣佈與集成電路設計企業杭州中天微合作，兩年後又向中天微注資5億元，宣佈向芯片基礎架構設計領域進軍。2017年10月，阿里達摩院成立，成立之初就將芯片列為研究領域之一。到了2018年，阿里進一步收緊腳步，於8月聯合中天微成立平頭哥半導體芯片公司。

從這一年開始，阿里的成績就尤為顯赫。從玄鐵902到玄鐵910，從含光800到倚天710、羽陣600，這些是阿里5年的成績單。2023年3月2日，阿里平頭哥首次展示RISC-V生態全景，並預測到2025年RISC-V架構芯片有望突破800億顆。中國工程院院士倪光南在會上表示，“今天RISC-V是中國CPU領域最受歡迎的架構，中國芯片產業和整個芯片生態將會越來越多地聚焦於RISC-V架構，中國的巨大市場也將成為支撐RISC-V的重要基地。”

而早有造芯意識的馬化騰，卻是最後一個入場，動作也略顯低調。2016年，騰訊參與了可編程芯片公司Barefoot Networks的2300萬美元C輪融資。隨後銷聲匿跡了兩年，在2018年，馬化騰在論壇演講中表達了做芯片的想法。三年後，才在騰訊官網上看到其發佈的招聘信息：芯片架構師、芯片驗證工程師、芯片設計工程師等。對此，騰訊回應，只是在特定領域有芯片研發的嘗試，比如AI加速和視頻編解碼。

騰訊除了在芯片領域的投資，自研方面的成績在一波三折後，終於柳暗花明。

早在2015年，FPGA剛進入主流視野，沒有硬件基因的騰訊做過一次“造芯”的探索，但FPGA畢竟是“半定製”的電路，雲端商業化還是失敗了，最後團隊人員遺憾告別。然而受挫之後，騰訊並沒有放棄對硬件之路的思考，中國芯片行業也在2018年回暖。一年後，騰訊內部傳來了聲音，“AI芯片，要不要做？”雖然這一聲音遭遇過反對，但騰訊還是進行了小規模地試水，“蓬萊”芯片也就此誕世。

2020年1月，蓬萊芯片流片完成，經過四次嘗試，“蓬萊”被點亮了。2021年11月，在騰訊數字生態大會上，又一口氣發佈了三款專用芯片：紫霄、滄海和玄靈，分別專注於AI計算、視頻優化和智能網絡。

如今，字節、百度、阿里、騰訊全部跨界，齊聚芯片行業，究其原因，無非是由需求端和供給側，兩者的合力共同拉動。

“字節跳動光服務器所需要的芯片就是幾十萬塊，只要達到自產自銷就能降低成本。何況還有Pico，一旦VR/AR產業爆發，算力就是瓶頸，所以現在自研芯片也算是未雨綢繆。”華南一家AI芯片公司的資深架構工程師李波透露。

不僅是字節，騰訊也是如此。2019年，騰訊迎來雲計算業務上的里程碑——雲服務器規模突破100萬。以更低成本提供更高的網絡性能，成為當時騰訊面臨的一大難題。

除了中國的互聯網巨頭，美國的亞馬遜、谷歌也在自研芯片。2014年，谷歌為數據中心設計了服務器芯片，2019年又在印度組建團隊，其芯片用途主要在雲端和智能設備上；亞馬遜也於2018年發佈其首款自研雲服務器CPUGraviton，未來預計還會推出應用於物聯網和智能設備的芯片。

從需求端來看，互聯網大廠和雲計算公司造芯是未雨綢繆。未來，大部分互聯網廠商都會進入物聯網和智能設備等領域，而這些領域十分倚重硬件。所以，軟硬一體是未來互聯網公司和雲計算廠商的必由之路。另外，很重要的一點，在市場層面，想要守住市場地位，實現差異化，底層硬件設施是關鍵，它直接影響着上層軟件的性能。

對於國內互聯網大廠紛紛跨界造芯，除了美國限制高端芯片的對華出口，還有兩點更重要的原因——成本和針對性。早前，在英偉達芯片還沒有嚴禁向中國出口時，很多互聯網大廠就已經表示過，由於算力需求龐大，英偉達的GPU芯片又太貴，大規模購買成本十分高昂。而且英偉達芯片屬於通用型，並不能針對特定某家企業算法做優化。那麼對芯片有不同場景需求的互聯網大廠，比如在AI加速器和視頻編解碼場景，想實現成本功耗最低、性能最優，自研是必選項。

從供給側來看，國內芯片廠商和互聯網大廠造芯都已具備足夠成熟的技術。而需求方下場做芯片最大的優勢在於，對需求的理解和洞察最深刻。

以阿里的含光為例，在2019年雲棲大會上，阿里用4顆含光800芯片，就代替了40顆傳統GPU才能完成的視頻處理任務。而前者的成本，是後者的十分之一。騰訊的紫霄也打破了算力的瓶頸點，在圖片和視頻處理、自然語言處理、搜索推薦等應用場景下，性能是業界標品的2倍。

應用於百度“文心一言”的崑崙芯則更勝一籌。從算力和成本上，崑崙芯都要強於英偉達 A100芯片，只是在訓練量上還相對較弱。據官方介紹，崑崙芯基於7nm工藝打造。在業界，7nm的蝕刻尺寸意味着，芯片的工藝水平更高，單位體積內的集體管更多，芯片性能也就更強。崑崙芯的算力可達到 256TOPS@INT8 以及 128 TFLOPS@FP16。目前，崑崙芯在百度內部已落地了搜索、小度、無人駕駛等AI業務場景。

芯片是一個全球性的產業，從芯片製造角度分析，沒有任何一個國家能自己完成芯片的製造，這是不爭的事實。另外，我國芯片行業發展的另一大難題是芯片人才短缺。據相關數據統計，2025年我國芯片專業人才缺口將超30萬人。但從長遠來看，互聯網大廠跨界造芯、高薪搶人，也向供給端發送了芯片人才短缺的信號。

儘管如此，互聯網公司下場造芯，已經解決了一部分問題，在特定場景下，應用性更強，成本也更低。算力也因此有望跨越“卡脖子”困境。

三、中國的算力有多大想象力？

為什麼説芯片是全球性產業，任何國家都很難不借助外力造出來？

第一，芯片的科學原理很難。這一點可以從芯片人才短缺上去理解，目前，只有清華、上交、復旦、中科大、電子科技大學等幾所知名高校設有芯片相關專業。從這一現象就足以窺探，芯片科學原理的難度。

第二，芯片的工藝製造很難突破瓶頸。芯片加工和製造就是兩個最難的環節。芯片製造離不開光刻機，一台光刻機至少有10萬個零部件，而一台汽車的使用零部件只有5000個，足以想像光刻機的製造難度之大。製造芯片更是需要數百道工藝，有些工序還要循環數十遍。

第三，EDA軟件（電子設計自動化軟件）也是國內一大瓶頸。EDA軟件的用處是讓電子設計師實現在電腦上設計芯片，否則就需要人工設計、試驗，要耗費的人力和時間成本不計其數。但目前我國應用的十幾種EDA軟件都來自美國。如果自己做EDA研發十分困難，它的算法就決定了芯片設計的優劣。而如果EDA軟件質量不夠，設計師就不可能設計出高質量的芯片。

除了芯片層面，我國算力產業發展還受到建設方面的問題。比如不同芯片、操作系統、固件、整機系統兼容性不強，制約了產業的進一步發展。中國信通院王駿成認為，“算力應用存在標準缺失、數據共享不夠、資源接口不統一等壁壘”，導致算力供需失衡。

對此，國家已於2022年初提出建設“東數西算”工程，助力打通我國東西部數字產業的“大動脈”，為經濟發展注入新動能。國家信息中心郭明軍表示，通過該工程實現東西部算力資源的流通，依託算力網絡，把算力真正用起來，實現“算力入户”、“算力入企”、“算力入園”、“算力入校”。

在算力網絡建設層面，三大運營商成為算力網絡的主導者。據《財經十一人》，2022年三大運營商雲業務總營收1352億元，增速超過100%。“三大運營商每年都要花費千億元規模的資本開支用於基礎設施建設。2022年，中國移動、中國電信和中國聯通的資本開支分別為，1852億元、952億元和742億元。”其資本投入已超過BAT三大互聯網公司。

目前來看，國家層面、運營商和企業都在加大力度佈局算力網絡。在此前提下，這一輪生成式AI技術演變能帶來多大規模的算力爆發？對產業格局會產生怎樣的影響？

首先，生成式AI會消耗巨大的算力，從而帶動對算力產業的需求。當下，互聯網大廠BAT早已憑藉自身在芯片領域的多年沉澱，開始投入大模型研發。所以，最先受益的會是ICT企業。

其次是頭部大公司，互聯網廠商自研芯片，也會將能力外溢給合作平台和客户，從而讓頭部廠商受益。

最後一輪機會則留給創業公司，生態產業鏈的完整會受益千行百業，這也是生成式AI對各行業的顛覆，只是等到創業公司感受到變化，還需要一段時間。

備註：部分資料來自網絡