英偉達的GPU又升級了。3月19日，英偉達CEO黃仁勛發布了最新的B200算力芯片GPU，FP8精度下的訓練性能是上一代的2.5倍，FP4精度下的推理性能更是達到了上一代的5倍。然而，這場技術狂歡背后，卻令AI領域算力的“貧富差距”更加凸顯。

大模型獲得突破以來，無論是產業巨頭還是學術界，都在為獲取足夠的算力資源而苦苦掙扎。去年9月，甲骨文董事長埃里森和特斯拉CEO馬斯克在硅谷一家豪華餐廳中向黃仁勛“乞求”GPU的場景還歷歷在目。近日，人工智能領域知名學者、斯坦福大學教授李飛飛再次表達擔憂：高校的AI研究已經被高昂的GPU成本所拖累，逐漸被產業界甩在身后。

Meta可以為模型訓練采購高達35萬個GPU，而斯坦福大學的自然語言處理小組，卻總共只有68個GPU——這種“萬”與“個”的懸殊對比，揭示了算力鴻溝的殘酷現實。為此，李飛飛提出建立“國家級算力與數據集倉庫”的計劃，并稱其重要性堪比“登月投資”。

對我國而言，情況同樣嚴峻。以GPU等AI芯片為代表的稀缺算力資源，優先向少數大型企業供給，高校、中小微企業苦于高昂成本難以參與其中。

在此背景下，超大規模智算中心的建設或許能為解決算力短缺問題提供一個思路，成為我國在全球AI競爭中取得優勢的重要一環。

事實上，我國早已在算力基礎設施上展開積極布局。“東數西算”工程作為國家級的工程項目，在全國范圍內規劃了八大樞紐節點和十大數據集群，并且已經取得顯著進展。

以十大集群之一的韶關集群為例，前不久，其首批上線運營的華南數谷智算中心，一期規劃算力16000P(1P約等于每秒1000萬億次計算速度)，規模居粵港澳大灣區首位。預計到2025年初，韶關集群的智能算力規模將達到50000P，成為大灣區、廣東省乃至整個華南地區的最大體量。這些算力資源，不僅可以滿足高校的科研需求，還可以為中小企業等各行各業提供實時、高效的算力支持。

然而，超大規模智算中心的建設并非易事。它需要突破一系列核心技術，其中異構算力的統籌和調度尤為關鍵。異構計算，即多種算力的混合使用，對于實現全國算力中心的大一統和優化資源利用至關重要。在多個數據中心或智算中心互聯互通的復雜場景下，異構計算的挑戰前所未有。傳播內容認知全國重點實驗室研究員張冬明表示，在異構算力的建設和發展過程中，國產AI芯片必將扮演越來越重要的角色。然而就目前來說，受配套軟件、固件支持等生態系統方面的制約，真正能夠有效支撐大模型訓練的國產算力集群并不多。

這些情況已被有關部門敏銳捕捉到。今年年初，工業和信息化部等七部門聯合印發的《關于推動未來產業創新發展的實施意見》中提到：“加快突破GPU芯片、集群低時延互連網絡、異構資源管理等技術，建設超大規模智算中心，滿足大模型迭代訓練和應用推理需求。”

專家認為，在當前階段，大部分算力性能的提升主要來自“系統集成”。既有基于小芯粒技術的芯片級集成，也有基于一卡多芯技術的板卡級集成，還有基于液冷和高互聯的機架級集成。因此，建議在加強單芯片能力的同時，應注重提升AI算力的系統集成能力，從單點突破轉向橫向拓展，對芯粒、液冷、互聯等相關技術持續投入，進一步實現AI算力系統的高算力、高效能、高穩定、高性價比。

當前，智算中心正在成為通用人工智能發展的關鍵。而超大規模智算中心，正在成為智算中心持續演進的未來形態。隨著智算中心的發展成熟，“開箱即用”的智能計算服務有望成為主流。當然，這需要產業界、學術界和政府的通力合作。

在算力資源的統籌配置方面，業內人士建議，政府可以通過行政手段，以統籌建設的方式集中采購，通過“云化”將算力按P銷售，再以“算力券”等的方式補貼中小型科研機構，以促進AI的研究和應用發展。