近年来“算力”逐渐成为学术界、产业界、公众的热词，算力、算力网络、算力指数、算力经济、东数西算、东数西存等新名词不断涌现。

那么到底什么是算力？“算力”又如何成为近几年的热词？

01

什么是算力？

算力是设备通过处理数据，实现特定结果输出的计算能力。现阶段算力主要可分为基础算力、智能算力和高性能计算算力三种类型。

基础算力主要由基于CPU芯片的服务器提供，面向基础通用计算。智能算力主要基于GPU、FPGA、ASIC等芯片的加速计算平台提供，面向人工智能计算。高性能计算算力主要基于融合CPU芯片和GPU芯片打造计算集群，主要面向科学工程计算等应用场景。

算力需求主要分为两部分，包括训练算力和推理算力。训练芯片用来训练大模型，算力和精度要求高。推理芯片是在已经完成训练的模型上，根据输入数据反馈输出结果，算力和精度要求都低很多。

2023年，AI大模型掀起的新一轮人工智能应用热潮，对智能算力的需求增长尤其显著。《AI算力产业链全景梳理报告》显示，2023年—2027年，全球大模型训练端峰值算力需求量的年复合增长率有望达到78.0%。全球大模型云端推理的峰值算力需求量的年复合增长率有望高达113%。

据悉，人工智能计算市场以通用性为主，GPU占到90%的市场份额。训练算力相关设备主要是英伟达的A100和H100；推理算力相关设备主要是英伟达T4卡。

02

算力的通用选择

A100和H100

A100计算性能卓越，其强大的GPU架构和多个Tensor Core单元支持大规模深度学习任务所需的高性能计算，尤其在处理复杂矩阵运算方面表现出色。其次，A100提供高达80 GB的显存容量，能够满足大型神经网络所需的大内存空间，而且通过NVLink技术，多个A100 GPU可以共享大内存，支持更大规模的模型训练。

此外，A100支持高速的PCIe Gen4接口和NVLink技术，并集成了英伟达的Tensor Core技术，可以加速矩阵乘法和累积运算，实现了快速的数据传输和模型训练。A100还得到了主流深度学习框架的广泛支持和优化，开发者可以充分发挥其性能优势，进行大模型的训练和推断，而无须担心兼容性问题。

综合来看，A100 GPU提供了卓越的计算性能、大内存容量、高速的数据传输和深度学习加速技术，使其成为大模型训练的理想选择。

H100 是英伟达的第 9 代数据中心 GPU，旨在为大规模 AI 和 HPC 实现相比于上一代英伟达A100 Tensor Core GPU 数量级的性能飞跃。据悉，综合 H100 中所有新的计算技术进步的因素，H100 的计算性能比 A100 提高了约 6 倍，进一步，可提升 AI 和 HPC 工作负载的强大扩展能力，显著提升架构效率。

T4

英伟达T4是一款适用于数据中心和云计算的GPU加速器。它采用了Turing架构，拥有16GB GDDR6显存和320个Tensor Cores。T4主要针对深度学习推理任务进行了优化，支持多种精度计算，包括INT4、INT8、FP16和FP32。由于其高效的性能和低功耗特性，T4非常适合用于图像识别、语音识别、自然语言处理等深度学习应用。对于那些需要快速进行大规模图像处理和深度学习推理的场景，T4是一种理想的选择。

从如今的情况来看，GPU已成为当前AI算力的核心硬件，英伟达也成为各大模型厂商的通用解。近日英伟达再度迭代AI芯片产品，不断强化自己在行业内的“统治力”。

11月13日，英伟达宣布在AI芯片H100的基础上，发布新一代H200芯片。基于Meta的Llama 2大模型的测试表明，H200的输出速度大约是H100的两倍。H200在推理速度上也几乎达到了H100的两倍，带宽增加了2.4倍。

相比上一代A100和H100，H200主要变化在于内存，成为首款采用HBM3e（高频宽存储器）的GPU，使得带宽从H100的每秒3.35TB提高至4.8TB，提高1.4倍，存储器总容量从H100的80GB提高至141GB，容量提高1.8倍，同时推理能耗大幅降低。

03

布局大模型，算力不够用

在席卷全球的AI热潮中，一个不容忽视的潜在阻力是算力的不足。根据今年8月GPU Utils更新的关于英伟达H100显卡供需现状的分析文章显示，保守估计，H100的供给缺口达到43万张。

具体到各家的需求数据，GPUUtils写道：OpenAI可能需要5万张，Inflection要2.2万张，Meta需要2.5万张；大型云厂商例如Azure、Google Cloud、AWS、Oracle等每家可能需要3万张；Lambda 和 CoreWeave 以及其他私有云可能总共需要10万张；Anthropic、Helsing、Mistral、Character，每家可能要1万张；到这里，需求量就已经达到了约43.2万张H100，以每块约3.5万美元计算，GPU的价值约为150亿美元。

而这，还不包括像字节、百度、腾讯这样需要大量H800的中国公司，以及一些需求正盛的金融公司：如Jane Street、JP Morgan、Two Sigma、Citadel等金融巨头，正从数百台A100或H100开始部署，逐步增加至数千张 A100/H100。

如今大模型之战愈演愈烈，大模型公司想更快推出模型和AI应用，就必须大量购入英伟达的芯片。可是英伟达也没有办法在短期内释放出这么多的A100/H100，因为英伟达A100/H100 GPU完全由台积电代工生产，并使用台积电先进CoWoS封装技术。要知道台积电先进CoWoS封装产能是有限的。市场在爆发式增长，倘若英伟达按照上一年计划制定的供给，则远不能满足蓬勃的市场需求，因此抢不到芯片的云厂商、互联网巨头不得不高价抢购。

如此一来。大模型公司尚未赚到钱，英伟达倒是赚得盆满钵满。英伟达对高算力芯片的垄断，也成为硅谷众多大厂的心病。它们一方面离不开英伟达，另一方面又不想永远被英伟达掣肘。因此不少大模型公司都在想办法摆脱英伟达的垄断，有自研能力的纷纷自研，没有自研能力的创造条件。

04

自研芯片的三大云厂商

微软：Maia 100

11月15日，微软在西雅图召开的 Ignite 大会上发布了两款芯片，一款面向 AI，一款面向云计算。微软发布的这款名为 Maia 100 的人工智能芯片，旨在与英伟达备受追捧的 AI 图形处理单元展开竞争。第二款则是 Cobalt 100 Arm 芯片，面向通用计算任务并将与英特尔处理器争夺市场。

根据微软CEO纳德拉的介绍，Maia 100是一款AI加速芯片，基于ARM架构设计，主要用于云端训练、推理以及Azure的高负载云端运算。不过纳德拉否认了将向云计算客户供货的传闻，这款自研芯片将优先满足微软自身的需求，并在合适的时机向合作伙伴和客户开放。

Azure芯片部门负责人、微软副总裁拉尼·博卡尔则补充道，Maia 100已经在Bing和office的人工智能套件上测试。合作伙伴openAI也开始使用这款芯片进行测试部分产品和功能，比如GPT 3.5 Turbo。至于测试的效果如何，微软暂时还没有给出具体报告。但纳德拉和博卡尔强调Maia 100可以加快数据处理速度，尤其是在语音和图像识别方面。

提速的关键，自然是算力。为了提升算力，微软也是下了血本：采用台积电的5nm制程工艺，晶体管数量达到1050亿个。不过横向对比的话，Maia 100和英伟达、AMD等大厂的产品在参数上还有很大差距。

作为全球头部云供应商之一，微软是最后一家为云和人工智能提供定制芯片的公司。

谷歌：TPU v5e

2016 年，谷歌就公布了其初代 AI 张量处理单元（TPU），随后在2017 年作为 Google Cloud 基础设施“Cloud TPU”推出，通常使用 FP32 和 FP16 等精度数据，如果降低 ML 的精度/DL计算到8位（INT8）等，则将使得在ML/DL中的处理能力得到进一步提高。此外，通过仅合并专门用于 ML/DL 的算术单元，谷歌减少了 CPU 和 GPU 所需的高速缓存、分支预测和乱序执行等复杂算术单元，可以以低功耗执行专门针对 ML/DL 的计算。

之后，谷歌TPU又经过了数次迭代，比如第二代TPU v2于2017年发布，第三代TPU v3于2018年发布，第四代TPU v4于去年发布，目前已开始服务和提供。

在今年8月的Cloud Next 2023 大会上，谷歌公开了Google Cloud新款自研AI芯片Cloud TPU v5e。TPU v5e 是谷歌专为提升大中型模型的训练、推理性能以及成本效益所设计。TPU v5e Pods能够平衡性能、灵活性和效率，允许多达256个芯片互连，聚合带宽超过400 Tb/s和100 petaOps的INT8性能，使对应的平台能够灵活支持一系列推理和训练要求。

从技术层面上来看，与英伟达A100/H100等通用型GPU 相比，谷歌TPU设计初衷正是专注于深度学习领域，尤其是全面加速神经网络训练和推理效率。英伟达的A100和H100，它们属于广义上的通用型GPU，而不仅仅局限于深度学习和人工智能领域。这些GPU具有通用计算能力，适用于多种计算工作负载，包括但不限于：高性能计算、深度学习以及大规模数据分析。

与英伟达通用型GPU相比，谷歌TPU采用低精度计算，在几乎不影响深度学习处理效果的前提下大幅降低了功耗、加快运算速度，尤其对于中型LLM设计者来说完全够用，因此他们可能不需要依赖高性能的英伟达A100/H100。同时，TPU 使用了脉动阵列等设计来优化矩阵乘法与卷积运算。谷歌TPU追求专注于AI训练和推理，因此精简化部分设计架构，这也是TPU功耗、内存带宽和FLOPS都明显低于英伟达H100的部分原因。

11月8日,谷歌公布扩大同AI安全和研究初创公司Anthropic的合作伙伴关系，Anthropi将运用谷歌新一代的Cloud TPU v5e芯片进行AI推理。谷歌介绍，Anthropic现在是首批大规模部署Cloud TPU v5e的企业之一。Cloud TPU v5e是谷歌云迄今为止最多功能、效率最高且可扩展性最强的AI加速器。这种芯片让Anthropic能以高性能且高效的方式为其Claude大语言模型（LLM）服务。

亚马逊：训练芯片Trainium、推理芯片Inferentia

在亚马逊、微软和谷歌这三家中，亚马逊是唯一一家在服务器中提供训练和推理两种类型芯片的云提供商。

亚马逊云科技目前有三条自研芯片生产线，分别是通用芯片Graviton、专用AI芯片Trainium(训练)和Inferentia(推理）以及Nitro。

Graviton是一款基于ARM架构的通用处理器，目前已经演进到第三代，即Graviton3，相比Graviton2，计算性能提高多达25%，浮点性能提高多达2倍，加密工作负载性能最多加快2倍。而去年新推出的Graviton 3E特别提升了向量计算的性能，这项性能指标对于高性能计算HPC来说非常重要。

Trainium和Inferentia是两款机器学习专用芯片。前者面向训练场景，后者面向推理场景。基于Trainium的Trn1实例和通用的GPU实例对比，单节点的吞吐率可以提升1.2倍，多节点集群的吞吐率可以提升1.5倍，从成本考虑，单节点成本可以降低1.8倍，集群的成本更是降低了2.3倍。而推理芯片Inferentia目前推出了第二代，可大规模部署复杂的模型，例如大型语言模型(LLM)和Diffusion类模型，同时成本更低。以Stable Diffusion 2.1的版本为例，基于第二代Inferentia的Inf2实例可实现50%的成本节约。

Nitro是亚马逊云科技的第一款自研芯片产品，去年推出的第五代Nitro将每瓦性能提高了40%。Nitro提升了亚马逊云科技在基础架构上的灵活性，大大加快了各种计算实例的推出速度，目前亚马逊云科技的实例类型已经超过600种。另外，Nitro还是目前商业化最为成功的DPU芯片。

05

两大模型语言开发商：OpenAI VS Anthropic的算力来源

OpenAI 一直都依赖于英伟达的最新型号芯片来训练其模型。在H100/A100紧缺的当下，OpenAI 也陷入焦虑期，一方面紧急囤货，一方面寻求新的路径。

据悉，生成式人工智能领导者OpenAI正在探索自研AI芯片，甚至已经评估了潜在的收购目标。知情人士表示，随着训练人工智能模型的芯片短缺情况恶化，OpenAI内部关于人工智能芯片战略的讨论至少从去年就开始了。OpenAI正在考虑采取多种策略来推进其芯片的“自给自足”计划，包括与更多芯片制造商合作以提高供应商的多元化、收购AI芯片制造商、加大内部设计芯片的力度等等。

报道还提到，OpenAI的首席执行官Sam Altman已将购买更多人工智能芯片作为公司的首要任务。目前，OpenAI与大多数竞争对手一样，依靠基于GPU的硬件来开发ChatGPT、GPT-4和DALL-E 3等模型。GPU并行执行多项计算的能力使其非常适合训练当今最强大的人工智能。

值得注意的是，微软是OpenAI背后强大的金主之一，拥有OpenAI 49% 的股份，总投资额约130亿美元。

OpenAI的竞争对手Anthropic也有两大支撑者，分别是亚马逊和谷歌。

亚马逊曾在一份文件中表示，它已经以可转换票据的形式向Anthropic投资了12.5亿美元，并有能力以第二笔票据的形式再投资27.5亿美元，这一选择权将于明年第一季度到期。亚马逊还与Anthropic达成协议，后者将使用AWS的云服务和自研芯片。

谷歌方面，除了提供新一代TPU，该科技巨头此前已承诺向这家初创公司投资20亿美元，据悉，在最新一轮融资中，Alphabet旗下谷歌向Anthropic投资约5亿美元，并承诺未来再投资约15亿美元，这笔投资是在今年早些时候谷歌向Anthropic投入5.5亿美元的基础上所进行。

06

投资初创公司获得算力

无论是微软、Meta、亚马逊这样的巨头，还是OpenAI、Anthropic这样的超级独角兽他们都不希望自己的AI算力与单一公司绑定。

d-Matrix

Sid Sheth和Sudeep Bhoja就瞄准AIGC时代的AI推理算力需求，于2019年创立了d-Matrix。今年9月，位于美国硅谷的AI芯片初创公司d-Matrix获得1.1亿美元的B轮融资，由新加坡顶尖投资公司淡马锡（Temasek）领投，加州风投公司Playground Global、微软和三星等14家投资者跟投。

d-Matrix致力于构建一种使用存内计算（In-Memory Computing，IMC）技术和芯片级横向扩展互连进行数据中心AI推理的新方法。据称，该处理器将提供比CPU和GPU更快的AI推理性能，适用于大型Transformer模型。d-Matrix认为，在AI领域虽然存在英伟达这样难以撼动的龙头企业，但自己与英伟达不同，部分原因在于其技术针对的是AI处理过程中的“推理”（Inference）环节，而不是通过制造训练大型AI模型的技术来与英伟达竞争。基于Transformer的模型通常在高性能GPU上进行训练，但执行推理是一个能效问题，而不仅仅是性能问题。d-Matrix提出了一种创新解决方案，声称可以将硬件的效率提高10-30倍。

Rain Neuromorphics Atomic Semi Cerebras

Rain Neuromorphics Atomic Semi Cerebras由台积电前工程副总Keith McKay在2018年创立，总部位于美国加利福尼亚州，曾以推出超大芯片而引发关注。其AI超算处理器Cerebras WSE比iPad还要大。二代拥有2.6万亿个晶体管和85万个AI优化内核。它们还发布过一种brain-scale技术，可以运行超过120万亿个连接的神经网络。今年Cerebras还一口气开源了7个GPT模型，参数量分别达到1.11亿、2.56亿、5.9亿、13亿、27亿、67亿和130亿，同时Cerebras也提供大模型训练推理等云服务。目前为止，该公司已融资7.2亿美元。据悉，OpenAI已参投了至少三家芯片公司，Rain Neuromorphics就在列，其余两家是Cerebras和Atomic Semi。

除此之外，2022年成立并致力于开发用于文本应用的大语言模型（LLM）专用芯片的公司MatX、成立于2022年并旨在使人工智能计算更具可访问性和可负担性的公司Tiny Corp都在努力成为AI算力芯片中具有分量的挑战选手。

07

能否选择AMD？

今年6月，AI算力市场的二号玩家、芯片厂商AMD推出全新人工智能GPUMI300系列芯片，与英伟达在人工智能算力市场展开竞争。据AMD首席执行官苏姿丰介绍称，MI300X提供的高带宽内存（HBM）密度是英伟达H100的2.4倍，HBM带宽是竞品的1.6倍。

有分析指出，从性能上MI300性能显著超越H100，在部分精度上的性能优势高达30%甚至更多。凭借CPU+GPU的能力，MI300产品组合性能更高、同时具有成本优势。不过从软件生态方面来看，现有的AMD MI300还不足以威胁英伟达的市场份额，想撼动英伟达在人工智能行业的地位，AMD还需时间。

据悉，微软、Meta、甲骨文、谷歌、Supermicro/Quantadirect、亚马逊等公司已经向AMD下了大约205,000台MI300的订单。在这之中，有120,000台专门供应给微软，25,000台给Meta，12,000台给甲骨文，8,000台给谷歌，5,000台给亚马逊公司，35,000台给其他公司。

天风国际分析师郭明錤在社交平台上表示，AMD的AI芯片出货量预计在2024年、2025年快速增长。到2024年，AMD的AI芯片出货量（主要是MI300A）预计将达到英伟达出货量的约10%，微软有望成为 AMD AI 芯片的最大客户，紧随其后的是亚马逊。如果微软与AMD的合作进展顺利，AMD获得Meta和谷歌的订单，预计2025年AMD的AI芯片出货量将达到英伟达（基于CoWoS封装技术）的30%或更多。

这里仍需注意的是，要考虑到内存制造商的HBM产量、台积电的CoWoS产量、封装产量等影响因素。

讨论完国外的情况，再看看国内的算力芯片公司都有哪些机会。

08

中国本土的AI芯片到底行不行？

近几个月来，在美国对中国半导体的进一步打压下，中国市场的AI算力进一步吃紧，寻求算力的国产化机遇再次崛起。

中国算力供应链主要参与者有华为、寒武纪、海光信息以及诸多未上市的算力芯片公司，比如燧原科技、沐曦、壁仞科技、天数智芯等。

基于目前中国 AI 大模型算力布局，无论是训练还是推理，AI 大模型算力主要分为三派：

一是华为鲲鹏和昇腾 AI 生态的算力方案，没有英伟达GPU参与；二是混合型算力支持，大量采用英伟达A100芯片，部分环境增加AMD、英特尔芯片，以及天数智芯、寒武纪、海光等国产芯片及加速卡融合跑大模型训练；三是租用性价比更高的服务器云算力，补充算力不足情况。

下面看一下国产算力公司的具体实力。

华为昇腾

在国内算力中，华为昇腾是最有实力的一家。

在AI算力芯片方面，昇腾系列AI处理器，是基于华为自主研发的达芬奇架构设计的AI芯片。目前主要包括了昇腾910（用于训练）和昇腾310（用于推理）两款处理器，采用自家的达芬奇架构。

昇腾910的整数精度（INT8）算力可达 640TOPS，在业内其算力处于领先水平，性能水平接近于英伟达 A100。主要应用于云端，可以为深度学习的训练算法提供强大算力。功耗只有310W，同时采用了7nm先进工艺进程，支持128通道全高清视频解码。

据悉目前多家A股上市公司已经提前采用本土的算力芯片进行AI推理与训练的应对，华为昇腾910B成为多家上市公司的首选。

早在10月24日，科大讯飞联合华为发布基于昇腾生态的大模型底座——飞星一号。科大讯飞董事长刘庆峰介绍，“飞星一号”是讯飞跟华为共同搭建的、完全国产的算力底座，可以让大模型训练和推理效率翻番，科大讯飞将在该平台的基础上训练对标GPT-4的大模型。华为轮值董事长徐直军表示，“飞星一号”平台，让星火的训练和推理效率均翻番。

刘庆峰表示，讯飞星火大模型3.0是首个真正在国产算力平台上训练出的大模型，华为最新的芯片都率先给讯飞使用。科大讯飞相关负责人在此前的机构调研中表示，华为昇腾910B的能力基本可对标英伟达A100。

除了大模型企业，亦有算力租赁商采用了上述芯片。比如，中贝通信披露称，公司加入华为根技术生态联盟，围绕华为根技术共同进行方案创新以及市场拓展，华为给予技术及市场支持，基于鲲鹏/昇腾生态算力领域达成一体机合作伙伴，筹建前期工作。此外，中贝深圳分公司与华为深圳办事处双方整合资源，联合南山区政府拟在深圳南山区建设一个鲲鹏+昇腾算力集群节点数据中心。优刻得也表示，会考虑采购国产GPU，目前已着手与相关国产厂商进行接洽。

寒武纪

寒武纪也是一家非常重要的本土算力供应商。

思元370是寒武纪第三代云端产品，采用7nm制程工艺，是寒武纪首款采用Chiplet技术的AI芯片，最大算力高达256TOPS(INT8)。寒武纪新一代云端智能训练新品思元590芯片还没发布，但已经受到很多关注和讨论，特别是寄予在大模型训练和推理任务中一定程度上替代A100的厚望。

据悉寒武纪主要是ASIC架构，劣势是通用性会比较差，优势是某些特定应用场景下，算力可以做到比GPU更高；有测试结果显示，590性能接近A100 90%的性能；590基本支持主流的模型，综合性能接近A100 80%的水平。

寒武纪此前中标了浙江台州智能计算集群项目（合同金额5.28亿元）和沈阳汽车城智能计算中心项目（合同金额1.55亿元）。根据券商研报显示，这两笔订单有望集中在四季度集中交付。

此外，还有诸多云厂商、算力租赁厂商，他们购买芯片搭建算力中心，用来提供云服务或者对外出租，提供给诸多不愿意自建算力中心的客户使用。

其他算力芯片厂商

海光信息也是一个潜力股，拿海光DCU（协处理器）系列深算一号和英伟达的A100、AMD的MI100来对比，其很多基本指标上都达到国际同类高端产品的水平，虽然在整体性能上依然有明显差距，但在国产替代的背景下其实已经相当优秀，发展潜力巨大。值得注意的是，海光信息若要使用新一代GPGPU架构还需要AMD授权。

百度昆仑芯片是百度自主研发的云端AI通用芯片。长久以来，百度在文心一言大模型的推理端使用的都是自家研发的昆仑芯2代，但在训练端，他们却主要依赖英伟达的V100和A100。

壁仞科技去年发布了一款规格极高的产品，但主要还是停留在纸面数据，并且在软件层面也还有很多工作要做，距离成熟的生态软件、规模化的出货、客户端的个适配还有很长的路要走。天数智芯、沐曦也都陆续有产品推出，这几家公司虽不像第一梯队的企业有更成熟的产品经验，但他们的产品也广受市场期待。

燧原已拥有邃思系列芯片、云燧训练和推理加速卡以及云燧智算机的全系列算力产品线。目前燧原已经为大型科研机构部署了千卡规模的AI训练算力集群，并成功落地；燧原还与腾讯合作，在OCR文字识别，智能交互，智能会议等方面发挥作用，性能达到了业界同类产品两倍以上，性价比上具有很高优势。

09

中国科技巨头开始寻求其他解法

在高端AI芯片可能被禁的大趋势下，中国几大公有云厂商都做出了加强囤积英伟达高端GPU的动作。这一方面是因为云厂商自身要加大大模型投入，打开MaaS市场，所以对AI算力有直接需求。另一方面也是因为GPU转化为云资源池之后可以长期复用，对于云厂商来说是一个进可攻，退可守的局面。因此，今年上半年一度出现了市面上高端AI芯片全都流向云厂商，中小企业一卡难求的局面。

据悉，今年8月前后百度、腾讯、阿里巴巴和字节跳动四家公司合计向英伟达订购了价值50亿美元的 AI 芯片。这些芯片包括英伟达2023年发货的10万块 A800芯片，价值10亿美元，另外价值40亿美元的芯片将在2024年交付。按照10亿美元购入10万张A800芯片来计算，每张A800芯片的价格达到1万美元。

华为云CEO张平安在华为云盘古大模型3.0发布会上曾表示，“中国的算力很难跟上不断增长的 AI 需求，而且 AI 算力缺乏稳定性。许多公司花高价购买英伟达GPU，但训练中GPU会出现故障不得不重新训练，交货时间很长、代价大。我们希望在 AI 算力方面提供一种替代方案。”

由于华为不可以用英伟达成熟的GPU，所以其利用公司自研的鲲鹏和昇腾AI算力方案，建立智算中心训练大模型。不只是华为，多家公司都在不断筹谋和尝试其他解法。比如腾讯投资了燧原，百度开始寻求其他最优解。

虽然国产AI算力已经实现了一定程度的市场占比，不仅仅是概念与理论中的“纸上谈兵”。但是也应该看到，国产AI芯片在核心性能、软件生态以及出货能力上依旧不理想，还有很长的路要走。

10

AI算力开始涨价，英伟达却“陷入焦虑”

近段时间，算力行业接连传出涨价消息。11月1日，中贝通信相关负责人在接受机构调研时表示，受服务器供应紧张影响，近期算力服务器价格涨幅较大，公司对客户提供算力租赁服务的价格也会上涨，涨价幅度在与客户协商中。

随后在11月16日，中贝通信披露的关于签订算力服务框架合同的公告显示，近日，公司与北京中科新远科技有限公司签订了算力服务技术服务框架协议，公司向对方提供共计1920PAI算力技术服务，合同总金额为3.456亿元，单价为18万元/P/年。值得注意的是，中贝通信9月7日披露的一则算力服务合同显示，该合同单价为12万元/P/年。与之相比，11月这单合同中的算力服务涨价幅度达50%。

11月14日，汇纳科技发布了关于拟对部分算力服务业务收费价格上调的公告。公告显示，当日，公司接到合作方四川并济科技有限公司通知，由于内嵌英伟达A100芯片的高性能算力服务器算力需求大幅增加，相关高性能运算设备持续涨价，算力资源持续紧张，并济科技决定对其A100算力服务收费拟上调100%。鉴于此，自即日起，汇纳科技拟将所受托运营的内嵌英伟达A100芯片的高性能算力服务器算力服务收费同步上调100%。

还有不少A股公司通过投资者互动平台披露了近期涨价的意愿。包括云服务商青云科技、润建股份等都表示将根据市场供需情况对价格进行调整。

一些企业也预见到算力涨价周期的来临，并已提前做好准备。11月4日，弘信电子在投资者互动平台上表示，现阶段，全球及国内算力需求越来越爆发、英伟达算力芯片已出现大幅涨价，国产算力资源也呈现越来越紧俏的态势。公司已与燧原科技达成9152片算力芯片的采购协议，快速锁定了算力芯片的量和价格，未来对外供货算力产品时，在目前可预见的市场供求关系下，无论搭载英伟达芯片的服务器还是搭载国产芯片的服务器，价格上涨的趋势都比较明确。

AI应用繁荣发展带来的算力需求持续上升及算力供应的日益紧张。作为“芯片基石”供应商的英伟达在这场狂风骤雨中出尽了风头，然而如今，英伟达却对自己的未来表示担忧。

随着英伟达公司2024财年第三季度业绩的公布，该公司再次证明自己在关键的高增长技术领域中是一个主导力量。不过，英伟达现在正面临越来越多的竞争威胁，这也是事实。

如今的AI算力芯片市场一分为四，分别为耀眼的英伟达、正在崛起的中国算力芯片公司、寻求自研的科技/云服务器大厂以及众多雄心勃勃的初创公司。一系列的主要参与者可能侵蚀英伟达在关键产品类别中的领导地位，使得其在长期内保持市场份额的能力存在不确定性。

此外，地缘政治这一不可控且难以预期的外部因素也使得英伟达束手无措。

英伟达表示，预计在美国扩大对华芯片出口限制后，公司第四季度在中国的销售额将大幅下降。英伟达首席财务官科莱特·克雷斯在与分析师的电话会议上表示：“政府的出口管制将对我们的中国业务产生负面影响，但是我们还无法清楚地预测这种影响的严重程度。”克雷斯坦言，受政策影响，公司今年第四季度对中国和其他受影响的地区的销售额将大幅下降。

今年早些时候，克雷斯就表示，从长远来看，禁止向中国销售人工智能芯片将导致美国芯片行业永久失去机会。

       原文标题 : AI算力芯片天下一分为四，中国实力渐显