🇭🇰SCMP Technology•較早收集於 3m
中國競相打造萬卡AI計算集群
💡中國萬卡集群縮短AI訓練時間—大型模型擴展關鍵。（28字）
⚡ 30-Second TL;DR
有什麼變化
中國打造連結萬顆以上AI加速器晶片的計算集群作為基礎設施
為什麼重要
此基礎設施推動強化中國AI競爭力，可能提供全球可擴展且具成本效益的訓練資源。AI從業人員可從中國供應商獲得大量運算資源。
下一步行動
評估華為雲或阿里雲的萬卡規模AI訓練可用性。
誰應關注：Enterprise & Security Teams
關鍵要點
- •中國打造連結萬顆以上AI加速器晶片的計算集群作為基礎設施
- •集群加速AI能力迭代並縮短模型訓練時間
- •城市、華為、阿里巴巴等展開軍備競賽
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •中國萬卡集群面臨嚴峻的互連技術瓶頸，主要受限於美國對高階高速互連晶片（如NVLink替代方案）的出口管制，迫使企業轉向研發國產RDMA與RoCE v2網路架構。
- •電力供應與散熱基礎設施成為限制集群規模擴張的關鍵物理瓶頸，促使中國政府推動「東數西算」工程，將大型算力中心向能源豐富的西部地區轉移。
- •軟體生態系統的碎片化是萬卡集群效能發揮的隱憂，目前主流框架（如MindSpore、PyTorch）在國產晶片上的適配與編譯器優化仍需大量客製化開發，導致集群實際利用率（MFU）低於國際同類產品。
📊 競品分析▸ Show
| 特性 | 中國萬卡集群 (國產架構) | NVIDIA DGX SuperPOD (H100/B200) |
|---|---|---|
| 互連技術 | 國產RoCE v2 / 自研互連 | NVLink / NVSwitch (極高頻寬) |
| 軟體生態 | 碎片化，需深度客製化 | CUDA生態成熟，開箱即用 |
| 供應鏈 | 自主可控，受限於先進製程 | 高度依賴台積電與全球供應鏈 |
| 訓練效率 | 較低 (受限於互連與軟體優化) | 極高 (業界基準) |
🛠️ 技術深入
- 網路架構：採用基於RoCE v2的無損乙太網技術，透過自研交換機晶片實現大規模節點間通訊，以繞過對InfiniBand技術的依賴。
- 算力單元：主要由昇騰（Ascend）系列或海光（Hygon）DCU組成，採用多級拓撲結構（如Fat-Tree）以平衡頻寬與延遲。
- 記憶體層級：利用HBM（高頻寬記憶體）與DDR5混合架構，並透過自研的記憶體池化技術（Memory Pooling）提升大模型訓練時的資料吞吐量。
- 散熱方案：大規模採用液冷技術（Cold Plate Liquid Cooling），以應對單機櫃高達數十千瓦的功耗密度。
🔮 前景展望AI analysis grounded in cited sources
中國AI算力集群的實際訓練效能將在2027年前持續落後於國際頂尖水準。
軟體堆疊的成熟度與互連頻寬的物理限制，短期內難以透過單純增加晶片數量來彌補。
國產AI晶片供應商將加速整合垂直領域的軟硬體一體化解決方案。
為了克服軟體生態碎片化問題，廠商必須提供從晶片到框架的封閉式優化路徑以提升集群利用率。
⏳ 時間線
2023-08
華為昇騰AI集群在多個雲端平台正式商用，標誌著萬卡級算力基礎設施的初步成型。
2024-03
中國工業和資訊化部發布指導意見，明確將大規模算力集群建設列為國家AI基礎設施發展重點。
2025-06
阿里巴巴與華為相繼宣布其萬卡集群在千億參數模型訓練中實現了穩定運作，標誌著國產集群進入實戰階段。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： SCMP Technology ↗