我的征尘是星辰大海。。。
The dirt and dust from my pilgrimage forms oceans of stars...
-------当记忆的篇章变得零碎，当追忆的图片变得模糊，我们只能求助于数字存储的永恒的回忆
作者:黄教授
手机视频列表
道路是曲折的前途是光明的
视频
音频
原始脚本
道路是曲折的，工信部算力互联行动背后的现实困境与破局起点。 当大模型训练需要千卡集群的算力支撑，当东部企业为一张 H800显卡竞价，当西部数据中心的服务器利用率不足60%，这组矛盾的画面正是当下中国算力产业的真实缩影。 工信部推动的算力互联互通行动，看似是算力一张网的宏大蓝图。 但落地之初，必须直面三重残酷现实，被 NVIDIA 主导的存量生态、供需错配的算力乱象以及外部技术封锁的双重挤压。 一、70%的市场被卡脖子，存量 GPU 生态的封闭困局。 打开国内任意一家头部互联网公司的算力机房。 大概率会看到同一景象，机架上密集排列的 NVIDIA GPU。 据2025年行业数据， NVIDIA 在国内 AI 算力芯片市场的份额高达70%，华为昇腾等国产芯片仅占23%，其余厂商瓜分剩余7%。 这些 GPU 从 A800到 H20，是当前大模型训练、工业 AI 推理的主力军，但也是算力互联绕不开的第一道坎。 问题的核心在于 NVIDIA 的生态封闭性。 这些 GPU 的算力释放完全依赖 CUDA 软件生态，从底层的 CUDA Toolkit 到 中间层的 CUDNN 加速库，再到上层的 PyTorch、TensorFlow 适配，形成了一套硬件、软件、工具的闭环。 更关键的是 NVIDIA 通过技术限制，如 CUDA EULA 禁止跨硬件模拟和硬件阉割，如特供版 GPU 的 NVLink 带宽砍半。 从根源上阻断了非 NVIDIA 架构整合其算力的可能。 这意味着什么？国内现存的数百万张 NVIDIA GPU，看似是算力资产，实则是封闭的孤岛。 阿里的 GPU 集群无法直接对接腾讯的算力池。 中小企业的单卡算力更难参与到大模型训练中，因为没有统一的协议能让这些 GPU 突破 cuda 的限制，实现跨主体协同。 工信部要做的算力互联，第一步就要面对70%的存量算力被一家外企绑定的现实，而解套的难度堪比在别人的操作系统上重构新生态。 二，小而散的算力乱象。 需求急缺与闲置浪费的双重矛盾。 我们有10台单卡服务器。 但训练一个中等模型需要八卡集群，这些单卡根本用不上。 这是很多中小 AI 企业的共同困扰。 当前国内算力资源的分布呈现出严重的结构性失衡。 一方面是需求端的迫切缺口，大模型训练需要高密度、低延迟的集群算力，如1024卡、2048卡的统一调度。 但国内能提供此类算力的，只有阿里、腾讯、字节等头部企业的自建集群，且大多优先满足内部需求。 另一方面是供给端的大量闲置。 据行业统计，国内中小数据中心的算力上架率平均不足60%。 西部部分地区的智算中心甚至长期处于半闲置状态，原因是本地需求少，跨地域调度难。 更棘手的是算力碎片化，不同数据中心的硬件架构，GPU、NPU、TPU 混杂，接口协议，各自的调度系统、服务标准、计费、时延 承诺完全不同意。 比如一家广州的 AI 公司想租用成都某数据中心的 NPU 算力，不仅要解决数据跨地域传输的延迟问题，还要面对模型适配不同芯片的重构成本，最后往往因麻烦且不划算放弃。 这种有算力用不上、需算力找不到的乱象，正是工信部要破解的核心痛点。 但要把这些小而散的算力拧成一股绳，远比新建一个超算中心更复杂。 三、外部封锁与内部短板，国产算力的双重突围压力。 如果说存量 GPU 的封闭性是内部困境，那么外部技术封锁则让算力互联的道路更添阻力。 美国对高端 AI 芯片的出口管制持续升级，从最初限制 H100等高端型号，到后来对 H800、A800等特供版也加码限制。 甚至试图阻断先进制成芯片的对华供应。 这意味着国内想通过买更多 NVIDIA GPU 来缓解算力缺口的路正在被逐步堵死。 而国产算力的替代之路目前仍处于补短板阶段。 华为昇腾虽推出384卡的 Cloud Matrix 超节点，通过 Matrix Link 实现了高带宽互联，但产能和生态成熟度仍需时间。 昇腾芯片的量产能力尚未满足大规模需求。 C A N N 开源生态的开发者数量约40万，仅为 CUDA 超400万的1/10。 谷歌 TPU 虽在专用 AI 计算上有优势，但生态绑定 TensorFlow，且受限于谷歌云服务，难以融入国内算力网络。 这就形成了双重压力，短期无法依赖进口芯片填补缺口，长期国产芯片的生态建设又需时间。 工信部推动算力互联，本质上是在外部卡脖子、内部待成熟的夹缝中寻找一条不依赖单一厂商、不被技术封锁捆住的路径。 但这条路径的每一步都要面对技术突破和生态建设的双重考验。 四，2026年的破局起点，从算力标识到骨干网的务实第一步。 面对如此多的困境，工信部并没有急于追求全国算力一张网的理想形态。 而是在算力互联互通行动计划中给出了2026年的务实目标。 先解决能互联能调度的基础问题，再谈高效协同。 第一步是统一语言，建立全国统一的算力标识体系。 简单说就是给每一份算力发身份证，标注清楚硬件类型，是 NVIDIA A800，还是华为昇腾910。 算力规格，FP16算力多少？Teraops，内存带宽，HBM 容量多少？服务能力，支持训练还是推理，时延多少？有了这个身份证，不同数据中心的算力才能被认得出、比得了。 就像电商平台上的商品标注参数，企业可以清晰判断这份算力是否符合我的需求。 第二步是打通通路，推动三大运营商升级骨干网。 算力要跨地域调度，首先得有高速公路。 工信部明确要求推广800G1400G光纤传输技术，强化国家级互联网骨干直联点，建设算力专网。 目前中国移动的400 8百 G 光模块也实现了国产化量产，如瑞海光电的产品已通过阿里云认证。 这些基础设施的升级正是为了让东部的需求能高效对接西部的算力，减少跨地域传输的延迟和损耗。 第三步是试点破冰，建国家区域两级算力互联平台。 目前国家超算互联联网平台已打通。 20多家超算智算中心，累计提供近百亿计算时。 比如某科研团队在上海，可通过平台调用兰州超算中心的算力，无需自己搭建集群。 这种先试点再推广的模式，正是为了在2026年前验证跨地域、跨架构算力调度的可行性，为后续全国互联积累经验。 这些举措看似是基础工作，实则是破解当前困境的关键。 通过标识解决算力不互通的问题，通过骨干网解决调度不高效的问题，通过平台解决资源不匹配的问题。 虽然离全国算力一张网的理想还有距离，但至少为存量算力利用和国产算力突围找到了一个现实的起点。 道路的曲折在于每一步都要直面存量生态的封闭、供需矛盾的尖锐、外部封锁的压力。 但破局的希望，也正藏在这些务实的第一步中，当算力有了统 统一的身份证，当跨地域的高速路建成，当分散的算力能被高效调度，中国算力产业才能真正从被动依赖走向主动可控。 前途是光明的，中国算力产业破局之路。 尽管当前中国算力产业在前行路上荆棘丛生，但拨开层层迷雾，曙光已然显现。 从 NVIDIA 的发展瓶颈，到中国自身优势的逐步凸显，再到关键技术突破带来的新机遇，中国算力产业的未来充满希望，前途一片光明。 Nvidia 的发展困境，Nvidia 在 GPU 领域长期占据主导地位。 然而其发展正面临着物理层面的瓶颈。 在追求单卡高算力以实现高密度算力的进程中，物理上限问题愈发显著。 单台服务器受限于能耗以及主板支持的 PCI 插槽数量，能够容纳的 GPU 显卡数量有限，无法无限制的增加 GPU 以提升算力。 即便通过 NVLink 技术将多台服务器组成集群，构建万卡数据中心，又会遭遇电力难题。 据相关数据显示，一个万卡算力中心的耗电量相当于一座中型城市。 如到2027年，美国预计将有40%的数据中心因能源问题受限。 如此庞大的电力需求，让数据中心的可持续发展面临挑战。 难以依靠集中式的超大型数据中心来满足不断增长的算力需求。 NVIDIA GPU 为了兼顾游戏、显示挖矿以及 多种科学运算等多方面功能，设计上存在较大冗余。 这不仅使得成本居高不下，耗能也远超专为人工智能设计的芯片。 在构建大规模算力中心时，进一步加剧了成本与能耗负担。 并且 NVIDIA 构建的 CUDA 闭源系统，虽成为其商业护城河，但也限制了用户的使用自由，阻碍了大集群计算的发展。 例如对虚拟设备、虚拟总线等技术应用设置重重障碍，限制了算力的灵活调配与扩展。 中国算力产业的优势与机遇，政策与基础设施优势。 中国政府在算力产业发展上展现出强大的决心与行动力。 工信部积极推动算力互联互通行动。 国家有足够的财力支持建设下一代高速互联网骨干网，采用800G1400G光纤来联通数据中心，实现多数据中心的互联互通。 这一举措不仅能将将算力资源分散到电力供应更平衡的地区，解决能源瓶颈问题，还能整合全国算力资源，提高资源利用率。 相比之下，即使是美国富可敌国的顶级公司，也难以凭借一己之力完成如此庞大的基础设施建设。 通过国家的统筹规划与推动，中国在算力基础设施建设上具备了领先优势，为算力产业的长远发展奠定了坚实基础。 能源与资源调配优势，中国在能源领域积极布局，大力推广清洁能源，为数据中心提供可持续的能源供应保障。 在算力资源分布上，充分发挥西部算力资源丰富、东部算力需求旺盛的特点。 通过构建高速互联网络，实现中东部需求与西部算力 中心的有效连接。 优化资源配置，降低算力成本，提升整体算力服务效率。 这种能源与资源的合理调配模式，是中国算力产业发展的独特优势，能够更好地支撑算力产业的持续扩张与升级。 技术突破带来的新机遇，华为的高速互联总线技术成为中国算力产业破局的关 关键力量。 该技术突破了传统冯诺依曼架构的限制，能够将远端的 TPU、NPU 等计算芯片通过高速互联总线连接起来，使其在运算时如同本地计算卡一般，构建成一个超级计算机。 TPU、NPU 专为人工智能设计，在成本和优化效率上优势明显。 虽然当前存在集成度和调度灵活性不足等问题。 但随着技术的不断发展，以及高速互联总线技术的应用，有望实现 质的飞跃。 通过将大量的 TPU、NPU 集成，形成天文数量的计算核心。 利用800G1400G光纤的高速连接，在算力上超越 NVIDIA 的 GPU 集群并非遥不可及。 这种技术创新为中国在人工智能算力领域实现弯道超车提供了可能，开辟了一条全新的发展道路。 综上所述，虽然当前中国算力产业面临着 NVIDIA 主导市场以及外部技术封锁等诸多挑战。 但从长远来看，NVIDIA 自身发展的瓶颈为中国提供了破局的契机。 中国凭借政策支持、基础设施建设、能源资源调配以及关键技术突破等多方面优势，在算力产业发展上已经找准方向，迈出了坚实的步伐。 只要持续加大研发投入，完善产业生态，中国算力产业必将在全球竞争中脱颖而出，迎来光明的未来，为人工智能等新兴产业的发展提供源源不断的强大动力。
修正脚本
道路是曲折的，工信部算力互联行动背后的现实困境与破局起点。 当大模型训练需要千卡集群的算力支撑，当东部企业为一张 H800显卡竞价，当西部数据中心的服务器利用率不足60%，这组矛盾的画面正是当下中国算力产业的真实缩影。 工信部推动的算力互联互通行动，看似是算力一张网的宏大蓝图。 但落地之初，必须直面三重残酷现实，被 NVIDIA 主导的存量生态、供需错配的算力乱象以及外部技术封锁的双重挤压。 一、70%的市场被卡脖子，存量 GPU 生态的封闭困局。 打开国内任意一家头部互联网公司的算力机房。 大概率会看到同一景象，机架上密集排列的 NVIDIA GPU。 据2025年行业数据， NVIDIA 在国内 AI 算力芯片市场的份额高达70%，华为昇腾等国产芯片仅占23%，其余厂商瓜分剩余7%。 这些 GPU 从 A800到 H20，是当前大模型训练、工业 AI 推理的主力军，但也是算力互联绕不开的第一道坎。 问题的核心在于 NVIDIA 的生态封闭性。 这些 GPU 的算力释放完全依赖 CUDA 软件生态，从底层的 CUDA Toolkit 到中间层的 CUDNN 加速库，再到上层的 PyTorch、TensorFlow 适配，形成了一套硬件、软件、工具的闭环。 更关键的是 NVIDIA 通过技术限制，如 CUDA EULA 禁止跨硬件模拟和硬件阉割，如特供版 GPU 的 NVLink 带宽砍半。 从根源上阻断了非 NVIDIA 架构整合其算力的可能。 这意味着什么？国内现存的数百万张 NVIDIA GPU，看似是算力资产，实则是封闭的孤岛。 阿里的 GPU 集群无法直接对接腾讯的算力池。 中小企业的单卡算力更难参与到大模型训练中，因为没有统一的协议能让这些 GPU 突破 CUDA 的限制，实现跨主体协同。 工信部要做的算力互联，第一步就要面对70%的存量算力被一家外企绑定的现实，而解套的难度堪比在别人的操作系统上重构新生态。 二、小而散的算力乱象。 需求急缺与闲置浪费的双重矛盾。 我们有10台单卡服务器。 但训练一个中等模型需要八卡集群，这些单卡根本用不上。 这是很多中小 AI 企业的共同困扰。 当前国内算力资源的分布呈现出严重的结构性失衡。 一方面是需求端的迫切缺口，大模型训练需要高密度、低延迟的集群算力，如1024卡、2048卡的统一调度。 但国内能提供此类算力的，只有阿里、腾讯、字节等头部企业的自建集群，且大多优先满足内部需求。 另一方面是供给端的大量闲置。 据行业统计，国内中小数据中心的算力上架率平均不足60%。 西部部分地区的智算中心甚至长期处于半闲置状态，原因是本地需求少，跨地域调度难。 更棘手的是算力碎片化，不同数据中心的硬件架构，GPU、NPU、TPU 混杂，接口协议、各自的调度系统、服务标准、计费、时延承诺完全不统一。 比如一家广州的 AI 公司想租用成都某数据中心的 NPU 算力，不仅要解决数据跨地域传输的延迟问题，还要面对模型适配不同芯片的重构成本，最后往往因麻烦且不划算放弃。 这种有算力用不上、需算力找不到的乱象，正是工信部要破解的核心痛点。 但要把这些小而散的算力拧成一股绳，远比新建一个超算中心更复杂。 三、外部封锁与内部短板，国产算力的双重突围压力。 如果说存量 GPU 的封闭性是内部困境，那么外部技术封锁则让算力互联的道路更添阻力。 美国对高端 AI 芯片的出口管制持续升级，从最初限制 H100等高端型号，到后来对 H800、A800等特供版也加码限制。 甚至试图阻断先进制程芯片的对华供应。 这意味着国内想通过买更多 NVIDIA GPU 来缓解算力缺口的路正在被逐步堵死。 而国产算力的替代之路目前仍处于补短板阶段。 华为昇腾虽推出384卡的 Cloud Matrix 超节点，通过 Matrix Link 实现了高带宽互联，但产能和生态成熟度仍需时间。 昇腾芯片的量产能力尚未满足大规模需求。 CANN 开源生态的开发者数量约40万，仅为 CUDA 超400万的1/10。 谷歌 TPU 虽在专用 AI 计算上有优势，但生态绑定 TensorFlow，且受限于谷歌云服务，难以融入国内算力网络。 这就形成了双重压力，短期无法依赖进口芯片填补缺口，长期国产芯片的生态建设又需时间。 工信部推动算力互联，本质上是在外部卡脖子、内部待成熟的夹缝中寻找一条不依赖单一厂商、不被技术封锁捆住的路径。 但这条路径的每一步都要面对技术突破和生态建设的双重考验。 四、2026年的破局起点，从算力标识到骨干网的务实第一步。 面对如此多的困境，工信部并没有急于追求全国算力一张网的理想形态。 而是在算力互联互通行动计划中给出了2026年的务实目标。 先解决能互联能调度的基础问题，再谈高效协同。 第一步是统一语言，建立全国统一的算力标识体系。 简单说就是给每一份算力发身份证，标注清楚硬件类型，是 NVIDIA A800，还是华为昇腾910。 算力规格，FP16算力多少Teraops，内存带宽，HBM 容量多少？服务能力，支持训练还是推理，时延多少？有了这个身份证，不同数据中心的算力才能被认得出、比得了。 就像电商平台上的商品标注参数，企业可以清晰判断这份算力是否符合我的需求。 第二步是打通通路，推动三大运营商升级骨干网。 算力要跨地域调度，首先得有高速公路。 工信部明确要求推广800G、1400G光纤传输技术，强化国家级互联网骨干直联点，建设算力专网。 目前中国移动的400G、800G 光模块也实现了国产化量产，如瑞海光电的产品已通过阿里云认证。 这些基础设施的升级正是为了让东部的需求能高效对接西部的算力，减少跨地域传输的延迟和损耗。 第三步是试点破冰，建国家区域两级算力互联平台。 目前国家超算互联网平台已打通20多家超算智算中心，累计提供近百亿计算时。 比如某科研团队在上海，可通过平台调用兰州超算中心的算力，无需自己搭建集群。 这种先试点再推广的模式，正是为了在2026年前验证跨地域、跨架构算力调度的可行性，为后续全国互联积累经验。 这些举措看似是基础工作，实则是破解当前困境的关键。 通过标识解决算力不互通的问题，通过骨干网解决调度不高效的问题，通过平台解决资源不匹配的问题。 虽然离全国算力一张网的理想还有距离，但至少为存量算力利用和国产算力突围找到了一个现实的起点。 道路的曲折在于每一步都要直面存量生态的封闭、供需矛盾的尖锐、外部封锁的压力。 但破局的希望，也正藏在这些务实的第一步中，当算力有了统一的身份证，当跨地域的高速路建成，当分散的算力能被高效调度，中国算力产业才能真正从被动依赖走向主动可控。 前途是光明的，中国算力产业破局之路。 尽管当前中国算力产业在前行路上荆棘丛生，但拨开层层迷雾，曙光已然显现。 从 NVIDIA 的发展瓶颈，到中国自身优势的逐步凸显，再到关键技术突破带来的新机遇，中国算力产业的未来充满希望，前途一片光明。 Nvidia 的发展困境，Nvidia 在 GPU 领域长期占据主导地位。 然而其发展正面临着物理层面的瓶颈。 在追求单卡高算力以实现高密度算力的进程中，物理上限问题愈发显著。 单台服务器受限于能耗以及主板支持的 PCI 插槽数量，能够容纳的 GPU 显卡数量有限，无法无限制地增加 GPU 以提升算力。 即便通过 NVLink 技术将多台服务器组成集群，构建万卡数据中心，又会遭遇电力难题。 据相关数据显示，一个万卡算力中心的耗电量相当于一座中型城市。 如到2027年，美国预计将有40%的数据中心因能源问题受限。 如此庞大的电力需求，让数据中心的可持续发展面临挑战。 难以依靠集中式的超大型数据中心来满足不断增长的算力需求。 NVIDIA GPU 为了兼顾游戏、显示、挖矿以及多种科学运算等多方面功能，设计上存在较大冗余。 这不仅使得成本居高不下，耗能也远超专为人工智能设计的芯片。 在构建大规模算力中心时，进一步加剧了成本与能耗负担。 并且 NVIDIA 构建的 CUDA 闭源系统，虽成为其商业护城河，但也限制了用户的使用自由，阻碍了大集群计算的发展。 例如对虚拟设备、虚拟总线等技术应用设置重重障碍，限制了算力的灵活调配与扩展。 中国算力产业的优势与机遇，政策与基础设施优势。 中国政府在算力产业发展上展现出强大的决心与行动力。 工信部积极推动算力互联互通行动。 国家有足够的财力支持建设下一代高速互联网骨干网，采用800G、1400G光纤来联通数据中心，实现多数据中心的互联互通。 这一举措不仅能将算力资源分散到电力供应更平衡的地区，解决能源瓶颈问题，还能整合全国算力资源，提高资源利用率。 相比之下，即使是美国富可敌国的顶级公司，也难以凭借一己之力完成如此庞大的基础设施建设。 通过国家的统筹规划与推动，中国在算力基础设施建设上具备了领先优势，为算力产业的长远发展奠定了坚实基础。 能源与资源调配优势，中国在能源领域积极布局，大力推广清洁能源，为数据中心提供可持续的能源供应保障。 在算力资源分布上，充分发挥西部算力资源丰富、东部算力需求旺盛的特点。 通过构建高速互联网络，实现中东部需求与西部算力中心的有效连接。 优化资源配置，降低算力成本，提升整体算力服务效率。 这种能源与资源的合理调配模式，是中国算力产业发展的独特优势，能够更好地支撑算力产业持续扩张与升级。 技术突破带来的新机遇，华为的高速互联总线技术成为中国算力产业破局的关键力量。 该技术突破了传统冯诺依曼架构的限制，能够将远端的 TPU、NPU 等计算芯片通过高速互联总线连接起来，使其在运算时如同本地计算卡一般，构建成一个超级计算机。 TPU、NPU 专为人工智能设计，在成本和优化效率上优势明显。 虽然当前存在集成度和调度灵活性不足等问题。 但随着技术的不断发展，以及高速互联总线技术的应用，有望实现质的飞跃。 通过将大量的 TPU、NPU 集成，形成天文数量的计算核心。 利用800G、1400G光纤的高速连接，在算力上超越 NVIDIA 的 GPU 集群并非遥不可及。 这种技术创新为中国在人工智能算力领域实现弯道超车提供了可能，开辟了一条全新的发展道路。 综上所述，虽然当前中国算力产业面临着 NVIDIA 主导市场以及外部技术封锁等诸多挑战。 但从长远来看，NVIDIA 自身发展的瓶颈为中国提供了破局的契机。 中国凭借政策支持、基础设施建设、能源资源调配以及关键技术突破等多方面优势，在算力产业发展上已经找准方向，迈出了坚实的步伐。 只要持续加大研发投入，完善产业生态，中国算力产业必将在全球竞争中脱颖而出，迎来光明的未来，为人工智能等新兴产业的发展提供源源不断的强大动力。
back to top