北斗专访｜无问芯穹夏立雪：如今更关注“用对芯片”而非“用贵芯片”

正文

请到「今天看啥」查看全文

无论对中国还是全球，整合多元异构算力已不再是权宜之计，而是技术演进、成本压力和应用多样化之下的一个必然方向。

中国算力资源的一大突出特点是多元异构。市场上主流CPU生态有5种以上，GPU生态则多达10种以上，不同的算力芯片、服务器形态、存储形态，以及网络形态组合配置在一起，可以形成成百上千的组合。

“没有用不完的英伟达GPU，也不是必须用英伟达的GPU。”夏立雪说，AI企业如今更关注“用对芯片”，而非“用贵芯片”。掌握整合多元异构算力的核心技术，是中国确保人工智能安全、可靠、可控的一部分。

他进一步谈到，“打开水龙头，我们可能不知道水是从哪个水库过来的，只知道它是标准化的自来水。同理，作为算力运营商，我们要调用不同的基座模型、使用不同的算力芯片，最终为AI企业提供标准化的算力服务。”

【对话夏立雪】

澎湃新闻：这两年大模型技术更迭非常快，每年都有新焦点，你对行业变化有什么感受？

夏立雪： 这两年人工智能发展飞速变化，前年我们在讨论大语言模型，去年多模态已经进入视野，今年的推理模型大家也习以为常了，技术飞快地迭代。随着模型能力增强，背后是模型的体量增大。

人工智能依然遵循Scaling Law（尺度定律），对算力的需求越来越大，大到了一个什么程度？大到了你不能再假设你的资源是无限的。前两年训练模型的时候，很多大厂有一个基本假设，算力是无限的，至少在做单一任务时算力是无限的。但是，现在这个假设的边界已经逼近，我们需要考虑，中国的算力资源是有限的，怎么去解决模型持续增长的问题？

DeepSeek提供了一个很好的例子，它没有用“大力出奇迹”的方式，而是用低成本、高效率的方式，在资源有限的情况下造出了一个好模型。所以，在打造更好的模型方面，现在我们需要更加精细化地把现有算力资源用好。

另外，我们还要考虑供需关系的问题。比如，当很多算力资源被用在模型训练上，而推理落地的算力需求也在上升，那后者的资源就有限了。这中间，算力资源的供需匹配和性价比是一个很大的挑战。

当前，我们特别需要把没有被用起来的算力资源充分利用，同时要确保使用效率高。如果你拿来的算力不好用，大模型跑得非常卡，三秒才出一个字，那没人愿意用。

澎湃新闻：算力资源有限，是中国特有的还是全球性问题？

夏立雪：

请到「今天看啥」查看全文