跳到正文
虎嗅·· 3 天前精選AI 評分78

中國不能把 AI 產業建成英偉達的海外客戶

中国不能把自己的AI产业建成英伟达的海外客户

AI 導讀

文章主張,中國 AI 產業不應把海外租用英偉達算力作為發展基礎,並應建立不依賴美國許可的算力體系。美國新規把第三國數據中心向中國等受管制地區提供遠程算力納入限制,符合條件且累計 TPP 超過 1200 萬的關聯集羣提供算力可能須申請許可證;新規亦要求重新審查既有相關算力服務,並設 90 日過渡安排。文章提出發展國產芯片及集羣軟件體系、以算法優化降低算力需求,並按任務把微調和推理盡可能轉向國產芯片。

推薦理由

文章將降低海外算力依賴拆解為供給體系、算法效率與任務配置三個層面,呈現算力自主涉及芯片以外的集羣、軟件與模型能力。

正文 · 繁體中文

美國對中國AI產業的算力封鎖,正在進入一個新階段。

美國此前主要限制先進芯片出口中國,核心問題是中國企業能不能買到英偉達的高端GPU。如今,華盛頓開始把管制範圍延伸到海外數據中心:即使芯片沒有進入中國,只要中國企業通過網絡遠程租用這些芯片提供的算力,也可能需要美國政府批准。

這意味着,美國想管的不只是芯片賣給誰,還包括芯片最終為誰工作。

當地時間11月16日,特朗普政府宣佈新的半導體出口管制措施。根據美國商務部發布的規則,向印度尼西亞、馬來西亞、新加坡、泰國和巴西出口特定先進計算芯片,需要額外申請許可證。與此同時,新規專門針對海外數據中心向中國及其他受管制地區提供遠程算力服務設立限制。

其中最值得關注的是,美國開始把第三國數據中心向中國企業提供的大規模遠程計算能力納入出口管制。按照規則,符合條件的關聯數據中心集羣,其累計總處理性能(TPP)超過1200萬,向受管制對象提供算力就可能需要申請許可證。政策還要求對既有相關算力服務進行重新審查,設置了90天的過渡安排。

這可能意味着,中國企業不能再通過新加坡、馬來西亞等地的雲服務商租賃算力,繼續訓練和運行大模型。

這條路曾經有效。芯片留在海外,服務器由當地企業運營,中國公司只需要遠程連接,就可以使用昂貴的先進GPU。對模型公司來説,這是一種靈活的商業安排。現在,誰在使用芯片提供的計算能力,也成為美國試圖控制的對象。

中國AI企業面臨的,已經不只是買不到英偉達GPU的問題。現在需要關注能不能持續、穩定地使用全球市場上已經存在的先進算力。

但這件事也應該促使中國重新審視過去幾年AI產業發展中的一個隱含假設:只要能通過全球市場租到足夠多的GPU,就能彌補國內高端算力的不足。

這套模式在商業上很有效,卻始終存在一個結構性風險。中國AI產業越依賴美國技術提供的算力,越容易受到美國出口管制的影響。即便GPU位於第三國,即便數據中心屬於當地企業,也改變不了芯片技術來源所帶來的監管風險。

説得直白一點,中國不能把自己的AI產業建成英偉達的海外客戶。

算力自主,關鍵是不能讓中國AI發展的關鍵環節始終取決於美國是否批准。

這需要三個層面的改變。

首先是儘快建立不依賴美國許可的算力供給體系。

國產GPU的發展已經有了一定基礎。華為昇騰、寒武紀、沐曦、摩爾線程、壁仞等企業,正在不同技術路線和應用場景中推進國產AI芯片。阿里、百度等雲計算廠商也在發展自有芯片和算力基礎設施。

但必須承認,國產芯片與英偉達的差距,並不是簡單比較單卡峯值算力就能説明的。

大模型訓練需要成千上萬張芯片協同工作。芯片之間能否高速通信,顯存帶寬夠不夠,編譯器和算子庫是否成熟,集羣出現故障後能否快速恢復,都會影響最終訓練效率。

英偉達真正難以替代的優勢,當然還包括CUDA、NVLink、InfiniBand以及圍繞這些產品形成的軟件和工程生態。

中國如果只是追求國產GPU出貨量,卻沒有建立成熟的集羣軟件和通信體系,仍然無法真正擺脱對英偉達的依賴。

因此,國產算力競爭的重點應該從單卡性能轉向整套系統的實際表現。誰能讓國產芯片穩定運行數千卡集羣,誰能以更低成本完成真實的大模型訓練,誰才真正掌握了產業主動權。

其次,要重新認識算法進步對算力需求的影響。

美國出口管制有一個隱含邏輯:先進芯片越少,中國能夠訓練的模型就越弱。但這個判斷有一個前提,就是訓練同等能力模型所需要的計算量基本固定。

現實顯然不是這樣。

過去幾年,大模型技術的一項重要進步,就是不斷降低獲得同等模型能力所需的計算資源。

混合專家模型(MoE)通過只激活部分專家網絡,減少每個Token實際需要的計算量;FP8等低精度計算技術降低顯存和計算開銷;FlashAttention等優化技術減少數據讀寫成本;模型蒸餾則把大型模型的能力遷移到更小的模型中。

強化學習、訓練數據優化和推理算法的進步,也在改變模型能力與算力投入之間的關係。

DeepSeek是一個值得研究的案例。作為有競爭力的模型,它的意義在於展示了模型架構、訓練方法和工程優化如何共同降低計算成本。

這對中國AI產業尤其重要。美國可以限制某些芯片的供應,卻很難把算法進步也一併封鎖。硬件性能當然重要,但硬件所能產生的有效智能,並不是一個固定數字。

當然,算法優化不能替代硬件。前沿模型訓練仍然需要龐大的計算資源,國產芯片的性能、顯存和集羣互聯也必須持續進步。但算法與硬件並不是兩條互相替代的路線。中國需要做的是讓兩者相互補足,用更好的算法彌補硬件差距,再用國產硬件擴大算法優化的收益。

第三,要改變中國AI產業對算力的使用方式。

並不是所有AI任務都需要最先進的GPU,更沒有必要讓每一家模型公司都從頭到尾依賴同一種芯片。

大規模預訓練、強化學習、模型微調和日常推理,對算力的要求並不相同。企業應該根據任務特點分配資源。關鍵訓練任務使用能夠穩定獲得的高性能算力,微調和推理儘可能向國產芯片遷移,通過模型壓縮、量化和蒸餾降低部署成本。

特別是推理市場,可能成為國產算力率先擴大規模的突破口。

訓練前沿模型需要龐大的計算集羣,但推理市場有更廣泛、更持續的需求。企業每天處理大量用戶請求,更關心的是每個Token的成本、響應速度和服務穩定性。

如果國產芯片能夠在推理場景中實現有競爭力的性能和成本,就能形成穩定的商業需求,進而推動芯片、軟件、服務器和雲計算生態不斷成熟。

這比單純依靠政策採購推動國產芯片出貨,更有利於形成長期競爭力。

對智譜、DeepSeek、月之暗面等模型公司來説,這種轉變也意味着競爭重點會發生變化。也就是誰能更快適配國產算力,能以更低成本訓練和運行模型,能把模型能力轉化為真正的商業收入。

全球算力資源仍然具有商業價值。中國也應該與新加坡、馬來西亞等國家溝通,維護正常的雲計算合作和國際商業秩序,推動相關國家明確美國規則的適用邊界,避免出口管制無節制地延伸到正常的跨境數字服務。

但海外算力不能成為中國AI產業的生命線。這裏還有一個更大的國際產業競爭問題。

美國試圖通過控制先進芯片和相關技術,維持自己在全球AI產業中的優勢。但出口管制也可能加速其他國家建立自主算力體系的意願。對新加坡、馬來西亞、中東等正在發展數據中心和雲計算產業的經濟體而言,過度依賴單一技術供應體系,同樣意味着風險。

中國如果能夠提供性能足夠、成本有競爭力、供應相對穩定的國產芯片、雲服務和開源模型,就有機會參與全球AI基礎設施市場的重新分配。當然,這最終還是要靠產品性能、價格和服務説話。

不過,美國這次政策至少把一個問題擺到了枱面上:中國AI產業究竟應該建立在什麼樣的算力基礎之上?

過去幾年,全球AI產業的繁榮,很大程度上建立在英偉達提供的硬件和軟件體系之上。中國企業也從中受益,通過購買、租賃海外GPU迅速獲得先進算力。這是全球化分工的商業結果,本身沒有什麼問題。

問題在於,當這種分工被賦予地緣政治屬性,原本的商業便利就可能變成產業發展的約束。

中國AI產業當然需要參與全球市場,但不能把自己的命運寄託在別人隨時可以關閉的供應渠道上。

真正的算力自主,也不是關起門來重複製造一套英偉達,而是建立從芯片、集羣、軟件到模型的完整能力,並通過算法創新不斷提高單位算力的產出。

有一個值得回望的歷史細節。

2016年,中國自主研製的“神威·太湖之光”登上全球超級計算機排行榜第一。當時它使用的是完全自主研發的申威眾核處理器,不依賴英特爾、AMD的主流處理器。此後,中國科研人員還專門圍繞這套國產硬件開發深度學習系統軟件,嘗試把人工智能訓練任務搬上國產超級計算機。

這條技術路線當年並沒有直接變成今天的通用GPU生態,卻留下了一筆容易被忽視的財富:

中國並不是第一次面對外國主流計算架構之外的技術環境,也不是第一次從處理器、編譯器到並行計算軟件重新搭建一套系統。

中國計算產業走過的路並不短。

美國試圖限制中國獲得先進計算能力的渠道,但並不能阻止中國逐步建立自己的計算體系。

美國如今的做法,反而在加速倒逼國產芯片承擔更多訓練任務,模型公司用更少的算力獲得更強的能力,雲計算企業提供穩定而有競爭力的國產算力服務。

繼續向英偉達租卡,不是中國要建成的AI產業。

來源:虎嗅 · huxiu.com