GPU算力

华为高层近日公开承认，其昇腾（Ascend）系列AI芯片的市场需求已远超供应能力，这标志着中国AI产业在美方出口管制背景下，正经历从“被动替代”到“主动依赖”的结构性转折。 ▶ 供需错配凸显国产化红利： 随着Nvidia高端芯片（如H20）在华受限，昇腾910B/910C已成为国内大模型厂商的唯一实质性备选，需求激增暴露了先进制程产能的瓶颈。 ▶ 生态壁垒正在重构： 华为通过CANN软件栈深度耦合国产大模型框架（如昇思MindSpore），正在国内市场复刻Nvidia的“硬件+软件”护城河。 八卦洞察 华为此次“喊渴”，表面上是产能不足，实则揭示了中国AI算力市场的深层博弈。首先，产能瓶颈的核心不在于设计，而在于代工良率与先进封装（如CoWoS类似技术）的受限。这意味着即便设计达标，良品率的波动仍将长期限制国产算力的上限。其次，国内互联网巨头（BAT）的采购逻辑已发生根本变化：以往是“尝试性采购”以备不时之需，现在则是“战略性迁徙”，将核心业务逻辑向昇腾架构对齐。这种迁徙成本极高，一旦完成，Nvidia即便未来重返市场，也将面临极高的准入门槛。 行动建议 对于算力买方，建议采取“多云+异构”策略，不要将所有筹码押注于单一国产硬件，应重点投入算力调度层（Orchestration Layer）的研发，以屏蔽底层硬件差异。对于开发者，应尽早熟悉CANN生态，这已成为国内AI工程化领域的“必修课”。同时，关注边缘侧AI机会，在云端算力受限的情况下，端侧推理可能成为国产AI应用的突破口。

核心事件 Applied Compute 正式发布其端到端基础设施平台，旨在简化开源权重模型（如 Llama 3, Mistral）从大规模训练、微调到高性能推理的全生命周期管理，挑战传统云厂商复杂的 MLOps 堆栈。 ▶ 垂直整合打破“基础设施碎片化”： 该平台通过统一的 API 和控制平面，消除了在不同服务商之间迁移数据和权重的摩擦，实现了从原始数据处理到生产级推理端点的无缝衔接。 ▶ 开源权重模型的“Heroku 时刻”： 随着企业对数据主权和成本控制的需求激增，Applied Compute 提供的托管式服务大幅降低了企业自建私有化大模型能力的门槛。 ▶ 算力效能的深度优化： 针对 H100 等顶级算力资源进行了底层优化，专注于提升训练吞吐量并降低推理延迟，直击当前企业在大模型落地中的“成本高、部署难”痛点。 八卦洞察 大模型行业的竞争重心正在从“单纯追求参数规模”转向“工程化落地效率”。Applied Compute 的出现标志着 AI 基础设施市场进入了第二阶段：从单纯的 GPU 算力租赁（Raw Compute）转向高度集成的“开源权重即服务”（Open-Weight-as-a-Service）。在硅谷，开发者正逐渐厌倦 AWS 或 GCP 过于臃肿的配置流程，他们需要的是像 Applied Compute 这样，能够一键调优并自动扩缩容的垂直化工具。这种“重工程、轻配置”的趋势，将进一步加速企业级 AI 应用从实验性 PoC 向大规模生产环境迁移。 行动建议 对于技术决策者，建议重新评估“API 调用”与“自托管开源模型”的 TCO（总拥有成本）。在业务规模达到临界点时，利用此类集成化基础设施进行私有化部署，不仅能提升响应速度，更能形成核心数据资产的闭环。对于 MLOps 团队，应关注其提供的自动化微调流水线，以减少在环境搭建上的非必要投入。

事件核心 在 AI 基础设施领域，NVIDIA 的统治地位正面临来自开源社区与 AMD 硬件协同的强力挑战。最新技术报告显示，通过针对 AMD MI350X 优化的开源内核，Qwen3.6-35B-A3B 模型在 8 卡并行环境下实现了惊人的 78,498 output tokens/s 推理吞吐量。这一数据不仅证明了 AMD MI350X 在原始算力（TFLOPS）和内存带宽上超越 NVIDIA B200 的潜力，更揭示了通过底层软件优化弥合 ROCm 与 CUDA 生态差距的可行路径。 技术/商业细节 本次性能突破的核心在于对 Qwen3.6-35B-A3B 这一混合专家模型（MoE）的深度定制。该模型虽有 35B 总参数，但推理时仅激活约 3B 参数，这为高并发处理提供了天然优势。在 AMD MI350X 集群上，开发者利用开源内核优化了注意力机制与专家路由（Expert Routing）的计算效率。MI350X 凭借其领先的 HBM3e 内存容量与带宽，在处理大规模并发请求时展现了极高的吞吐上限。相比之下，虽然 NVIDIA 的 TensorRT-LLM 依然在易用性上领先，但在特定开源内核的加持下，AMD 硬件在每秒处理代币数（TPS）这一核心指标上已具备与 Blackwell 架构正面硬刚的实力。 八卦分析：全球影响 「八卦情报」认为，这一事件标志着 AI 算力市场进入了“后 CUDA 时代”的转折点。长期以来，AMD 硬件被戏称为“沉睡的巨人”，其硬件参数华丽却因软件栈（ROCm）的羸弱而难以发挥。然而，随着 Triton 等硬件无关编程语言的普及以及社区对开源内核的持续贡献，NVIDIA 的“软件护城河”正在被蚕食。对于全球云服务商（CSP）而言，MI350X 的这种表现提供了极佳的议价筹码。如果 AMD 能持续通过开源路径解决兼容性与性能释放问题，算力市场的双雄格局将从“纸面对比”真正转化为“落地竞争”。此外，Qwen3.6 作为中国顶尖开源模型的代表，在美系最强非核算力芯片上的极致表现，也体现了全球 AI 产业链在底层技术上的深度交织。 战略建议 算力采购方： 建议在未来的推理集群扩容中，将 AMD MI350X 纳入灰度测试范围，尤其是在高并发、低延迟的 MoE 模型推理场景下，其性价比潜力巨大。 模型开发者： 关注并投入 Triton 或特定硬件的开源内核开发。依赖单一供应商的优化库（如 TensorRT）会带来长期的技术债，拥抱跨平台内核是保持竞争力的关键。 企业决策层： 评估“软件定义算力”的风险。硬件差距正在缩小，未来的核心竞争力将在于谁能更快地在异构芯片上完成模型算子的适配与调优。