💰钛媒体•最新收集於 13m
國產算力換了一條賽道
#supernodes#domestic-chips#compute-architecture#infrastructuredomestic-ai-compute-infrastructurenvidia
💡AI 基礎設施競爭正從更快的晶片，轉向完全不同的算力組織方式。
⚡ 30-Second TL;DR
有什麼變化
國產算力供應商正尋求 Nvidia 主導超節點架構以外的替代方案。
為什麼重要
若系統層替代方案逐漸成熟，AI 團隊將有更多選擇，以降低對單一加速器生態系的依賴。這項轉型也可能提高軟體相容性、網路、排程與營運支援方面的工程複雜度。
下一步行動
使用 vLLM 在現有 Nvidia 堆疊與一套國產加速器後端上，分別評測一項代表性工作負載，記錄吞吐量、延遲與算子相容性。
誰應關注：Enterprise & Security Teams
關鍵要點
- •國產算力供應商正尋求 Nvidia 主導超節點架構以外的替代方案。
- •這場競爭轉向系統層，而不只是單一晶片層面。
- •連接與供應算力資源的新方式，可能重塑 AI 基礎設施的採購模式。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •中國算力產業正積極推動『存算一體』與『類腦計算』架構，試圖繞過傳統 GPU 在記憶體頻寬上的瓶頸。
- •國產晶片廠商開始採用 Chiplet（小晶片）封裝技術，以提升良率並降低在先進製程受限下的生產成本。
- •軟體生態系統（如適配 CUDA 的轉譯層與異構計算框架）已成為國產算力能否實現大規模商用的關鍵門檻。
- •政府主導的『東數西算』工程正推動算力調度平台建設，將分散的國產算力資源進行標準化整合。
- •互聯技術（如自研的高速互聯協議）正取代傳統 NVLink，成為國產算力集群擴展規模的核心技術壁壘。
📊 競品分析▸ Show
| 特性 | 國產算力集群 (系統層方案) | Nvidia 超節點架構 (DGX/HGX) |
|---|---|---|
| 互聯協議 | 自研協議 (如 HCCS/CCIX) | NVLink / NVSwitch |
| 生態兼容性 | 需依賴轉譯層 (如 ROCm/自研) | 原生 CUDA 生態 (極高) |
| 供應鏈風險 | 低 (自主可控) | 高 (受出口管制影響) |
| 擴展性 | 依賴集群調度軟體優化 | 高度集成，硬體層面優化 |
| 成本結構 | 硬體成本較高，軟體維護成本高 | 硬體溢價高，軟體成本低 |
🛠️ 技術深入
- 採用 Chiplet 封裝技術：透過 2.5D/3D 封裝將運算單元與記憶體單元分離，解決先進製程產能不足問題。
- 異構計算架構：利用 FPGA、ASIC 與 GPU 混合部署，針對特定 AI 推理任務進行硬體加速。
- 高速互聯技術：開發基於 PCIe 6.0 或自研協議的集群互聯方案，以降低多卡並行時的通訊延遲。
- 軟體轉譯層：開發自動化代碼遷移工具，將基於 CUDA 的模型訓練任務轉換至國產算力平台執行。
🔮 前景展望AI analysis grounded in cited sources
國產算力市場份額將在 2027 年前達到國內 AI 訓練需求的 40%。
隨著系統層方案成熟與軟體生態適配度提升，國產晶片在非核心訓練任務中的替代速度將顯著加快。
算力調度平台將成為雲端服務商的核心競爭力。
硬體性能差距縮小後，如何高效調度異構算力資源將決定雲端服務的性價比與穩定性。
⏳ 時間線
2022-02
中國正式啟動『東數西算』工程，為國產算力資源整合奠定基礎。
2023-05
多家國產晶片廠商發布基於 Chiplet 技術的 AI 加速器原型。
2024-10
國產算力集群開始在大型數據中心進行小規模異構計算測試。
2025-06
國產軟體生態轉譯工具取得突破，大幅降低 CUDA 模型遷移成本。
2026-03
產業轉向系統層方案，強調集群互聯與資源調度優於單晶片性能。
📰
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： 钛媒体 ↗