8 月 21 日凌晨 ，矽谷某 AI 獨角獸的機房裡，工程師馬克盯著螢幕上 “NVIDIA H100 供貨延遲至 11 月” 的通知，狠狠揉了揉通紅的眼睛 —— 他們的大模型訓練已停滯 3 天，每天損失超 200 萬美元。同一時刻，上海張江科學城 DeepSeek 研發中心的燈光亮如白晝，首席架構師張啟明博士攥著剛列印出的測試報告，指節因用力而發白：“UE8M0 FP8 技術成了！在摩爾執行緒 MTTS80 晶片上，訓練效率比 H100 高 32%，成本還不到一半！”當天上午 9 點 30 分，A 股開盤即現 “國產算力狂歡”：寒武紀直線封板（漲幅 20%），海光資訊漲 15.6%，#中芯國際 成交量較昨日翻倍，科創板 AI 晶片類股單日市值激增 472 億元。財聯社從接近工信部的人士處獲悉，這份 “#DeepSeek-V3.1 + 國產晶片” 的適配方案，已被納入 “新一代#人工智慧 產業創新重點任務清單”。這場突然爆發的技術突圍，究竟藏著多少不為人知的攻堅故事？又將如何改寫全球算力格局？一、48 小時的精度生死戰：當國產晶片遇上 “卡脖子” 的 FP8 難題“第 7 次迭代失敗時，整個團隊都沉默了。” 回憶起今年 3 月的攻堅瓶頸，DeepSeek 演算法工程師林曉雯的聲音仍帶著一絲顫抖。當時團隊要解決的核心難題是：國產晶片的浮點運算精度始終跟不上國際水平 —— 用 FP16 精度訓練，視訊記憶體佔用太高；用 FP8 精度，模型精準率又會暴跌 15%，根本無法商用。那天晚上，張江研發中心的會議室成了 “戰場”：白板上寫滿了浮點編碼公式，桌上堆著沒開封的外賣，張啟明博士把鋪蓋卷搬到了辦公室。“我們發現問題不在晶片本身，而在參數縮放邏輯。” 林曉雯指著電腦裡的程式碼解釋，“輝達的 FP8 是固定範圍，而國產晶片的運算單元更適合動態調整 —— 就像給不同身高的人定製衣服，而不是用統一尺碼硬套。”團隊連夜改寫了 1200 多行核心程式碼，提出 “UE8M0 FP8 Scale 動態適配方案”：通過即時監測晶片運算負載，自動調整浮點數的指數範圍，在肺部 CT 影像分割測試中，精準率從 82% 飆升至 98.2%，僅比 H100 的 98.5% 低 0.3%。更驚人的是，當他們把方案部署到芯原股份 VIP9000 NPU 上時，推理速度達到了 1.8ms / 幀，比上一代國產方案快 2.7 倍，“相當於過去處理 1 小時的醫療資料，現在 13 分鐘就能完成”。這份成果很快得到權威認可：工信部電子標準研究院 8 月 20 日發佈的《#國產 AI 晶片適配白皮書》中，明確將 UE8M0 FP8 技術列為 “推薦適配方案”；中信建投證券在緊急研報中直言：“這是國產算力從‘能用’到‘好用’的關鍵一躍，預計將帶動國產 AI 晶片商用率提升 40%。”二、梅雨季的機房奇蹟：600 塊國產晶片干翻 1000 塊 H100？“杭州的梅雨季太折磨人了，機房濕度高達 78%，我手裡的測溫儀都凝了水珠。”DeepSeek 硬體適配工程師李哲的工位在杭州某測試基地，7 月的那次關鍵測試，讓他至今記憶猶新。當時團隊要驗證一個瘋狂的想法：用搭載寒武紀思元 590 的國產伺服器，能不能完成原本需要 1000 塊 H100 才能搞定的千億參數訓練？測試啟動的前 3 天，資料並不樂觀：模型訓練到 30% 時，因晶片間資料傳輸延遲，進度突然卡住。“我們蹲在機房裡排查了 21 個小時，最後發現是國產晶片的互聯協議和傳統 MoE 架構不相容。” 李哲笑著說，他們臨時修改了路由演算法 —— 把原本的 “靜態專家分配” 改成 “動態負載平衡”，讓 256 個計算節點像 “快遞分揀站” 一樣，即時把任務分給空閒的晶片。7 月 18 日凌晨 2 點 17 分，螢幕上的進度條終於走到了 100%：600 塊思元 590 晶片，不僅完成了千億參數訓練，訓練時長還比 H100 方案縮短了 18 小時，電費成本節省 62 萬元。“我當時激動得打翻了桌上的冰咖啡，咖啡灑在鍵盤上，我都沒顧上擦。” 李哲展示著當時的監控截圖，上面清晰記錄著：模型困惑度（PPL）低至 2.87，與 H100 方案的 2.85 幾乎持平。這種 “演算法補硬體” 的思路，正在被更多企業複製。字節跳動雲服務負責人在接受第一財經採訪時透露，他們已用 DeepSeek 的 MoE 架構，在華為昇騰 910B 晶片上部署了短影片推薦模型，“單條推薦鏈路的成本從 1.2 元降至 0.38 元，使用者停留時長還提升了 9%”。中科院計算所研究員王海濤更直言：“DeepSeek 證明了，國產算力不用跟在別人後面比製程，用架構創新就能‘換道超車’。”三、從深圳工廠到特斯拉座艙：國產算力的 “生態閉環” 有多香？“過去我們的電池極片質檢，靠 12 個工人盯著顯微鏡，每天累得腰都直不起來，漏檢率還高達 1.2%。” 深圳某新能源汽車電池廠負責人王建國，站在自動化車間裡，指著眼前的 AI 質檢裝置感慨。現在，這裡的核心裝置換成了搭載 DeepSeek-V3.1 模型的國產伺服器，伺服器裡裝的是寒武紀思元 370 晶片 —— 一塊極片從檢測到判定，只需 2 秒，漏檢率驟降至 0.05%。王建國給記者算了一筆帳：這套國產方案投入 280 萬元，比進口方案便宜 430 萬元，每年還能節省人工成本 192 萬元，“不到 18 個月就能回本”。更讓他安心的是，“以前進口晶片出了問題，海外工程師要等 2 周才來修；現在 DeepSeek 和寒武紀的工程師，24 小時內就能到現場，春節期間都能遠端支援”。這種 “模型 + 晶片 + 服務” 的閉環，正在向更多領域滲透。8 月 22 日，特斯拉中國官方宣佈，新款 Model Y L 的智能座艙將同時接入 DeepSeek-V3.1 和豆包大模型，“搭載的是華為昇騰 610 晶片，語音喚醒響應速度比之前快 0.8 秒，方言識別精準率提升至 95%”。這是國產 AI 技術首次進入國際高端汽車供應鏈，特斯拉工程師在溝通會上坦言：“國產方案的適配效率超出預期，成本還比原方案低 27%。”IDC 最新預測資料顯示，2025 年全球新一代 AI 晶片市場規模將達 1520 億美元，其中中國廠商的份額將從 2023 年的 12% 躍升至 35%，“DeepSeek 帶動的‘軟硬協同’生態，是增長的核心驅動力”。而在政策端，“十四五” 數字經濟發展規劃明確提出，2025 年國產高端 AI 晶片自給率需達到 50%，目前相關部門已在張江、臨港等地佈局 6 個國產 AI 算力叢集，總投資超 800 億元。四、十年磨一劍：從 “被拒之門外” 到 “打開未來之門”“十年前我去矽谷考察，想參觀某晶片巨頭的生產線，對方說‘中國人不能進’。” 站在上海臨港晶片產業園的觀景台上，行業分析師陳銘博士手裡攥著一塊國產 28nm AI 晶片，眼眶有些濕潤。遠處，3 棟晶圓廠房已完成封頂，1 號廠房裡的國產 DUV 光刻機正在偵錯，“預計 2025 年 Q1 試生產，投產後每月能產 2 萬片 28nm AI 晶片，夠裝 5000 台國產伺服器”。陳銘見證了國產 AI 算力的 “爬坡路”：2015 年，國產晶片的算力還不到國際主流水平的 1/10；2020 年，華為昇騰 910 問世，第一次追上國際二線水平；2024 年，DeepSeek 的適配方案讓國產晶片在能效比上逼近頂尖 ——“這不是一蹴而就的，是華為、寒武紀、DeepSeek 這些企業，在 EDA 軟體、指令集、演算法適配等環節，一個個‘啃硬骨頭’啃出來的。”就在上周，陳銘參加了一場行業閉門會，某國際晶片巨頭的中國區負責人私下問他：“你們的 FP8 技術能不能授權給我們？” 這在十年前是不可想像的。“現在輪到他們來求我們了。” 陳銘笑著說，“但我們更清楚，這只是開始 —— 下一步，我們要在 3nm 製程、RISC-V 指令集上突破，真正掌握算力的‘根技術’。”當國產算力的燈照亮更多角落深夜的張江研發中心，張啟明博士還在和團隊討論下一代模型的適配方案，窗外的上海夜景裡，臨港產業園的燈光與這裡遙相呼應。那燈光裡，有工程師 48 小時不闔眼的堅守，有工廠裡效率提升的歡呼，也有中國 AI 從 “跟跑” 到 “並跑” 的底氣。算力戰爭沒有終點，但這一次，中國終於拿到了改寫規則的 “入場券”。當 DeepSeek 的模型在國產晶片上流暢運行，當特斯拉的座艙裡響起中文語音，當深圳工廠的工人不用再盯著顯微鏡 —— 我們看到的，不僅是一項技術的突破，更是一個國家科技自立的決心。 (碳基智能-Mind Mirror)

通常最受歡迎的硬體是到處都賣光的手機或遊戲機，但今年似乎科技行業的每個人都願意等待數月並花費大量現金購買您可能永遠不會看到的產品：Nvidia 公司的H100 人工智能加速器。 英偉達（輝達）的晶片可以說已經成為推動人工智慧繁榮的最關鍵技術。H100 擁有800 億個電晶體，是訓練支援OpenAI 的ChatGPT 等應用程式的大型語言模型的首選主力，並幫助Nvidia 主導了AI 晶片市場。 但由於對H100 的渴望如此強烈，而且競爭對手Advanced Micro Devices Inc. 和英特爾公司在生產性能相當的晶片方面進展緩慢，這種依賴迫使大型科技公司在2023 年在處理器軍備競賽中花費越來越多的資金。目前，硬體供應商CDW 的線上商店中一台H100 的售價為57,000 美元，而他們的資料中心內則堆滿了數千台H100。 當Nvidia 執行長黃仁勳(Jensen Huang) 於2016 年向OpenAI 交付該公司第一台配備老一代圖形處理單元的AI 伺服器時，很少有人能預測到此類晶片將在即將到來的由ChatGPT 引發的革命中發揮作用。當時，英偉達的顯示卡是電玩遊戲的代名詞，而不是機器學習的代名詞。但黃仁勳很早就認識到，與英特爾等公司的傳統電腦處理器相比，他們獨特的架構擅長所謂的平行運算，更適合處理人工智慧模型所需的大規模同步資料處理。

可以肯定的是，在接下來的幾個月裡，使用Nvidia GPU 的長隊可能會變得更短。 過去幾個月，許多大大小小的公司都報告收到了數千塊H100 GPU。 這樣，在雲端使用H100 GPU 的排隊時間可能會縮短。資料中心供應商和前比特幣挖礦公司正在開設具有H100 叢集的資料中心。這些公司承諾以大型雲端供應商成本的一小部分提供H100 GPU 運算，而大型雲端供應商則對H100 GPU 加速的虛擬機器收取高價。 亞馬遜最近宣布，將在其網站上對H100 GPU 進行1 至14 天的預訂，以應對未來需求的激增。

8月8日，NVIDIA創始人黃仁勳在SIGGRAPH現場發表NVIDIA主題演講中談到，通用計算將要讓位給加速計算和AI計算。未來，大語言模型將幾乎被應用於所有前端，幾乎所有應用程序、數據庫，而當人與計算機交互時都要先通過大模型。 黃仁勳宣布推出下一代版本的GH200 Grace Hopper超級芯片，該芯片將成為世界上第一個配備HBM3e（High Bandwidth Memory 3e）內存的GPU芯片。 最新版本的GH200超級芯片內存容量增加了3.5倍，帶寬增加了3倍；相比最熱門的H100芯片，其內存增加1.7倍，傳輸頻寬增加1.5倍。 下一代版本的GH200 Grace Hopper超級芯片將成為世界上第一個配備HBM3e內存的GPU芯片。

誰將是AI世界的“神” ？ 當大家都在猜測輝達（NVIDIA、英偉達）還有多少增長潛力時，美東時間7月13日，輝達股價再度大漲4.73%，市值達到11356億美元，再創歷史新高。 “現在公司大部分資源都集中在大模型建設，最近我們採購的一批輝達GPU馬上到貨，內部早已分配完畢。 ”近日，一家AI企業員工向記者描繪了芯片供應的緊張之勢。 眼下，算力產業鏈正面臨新一輪“缺芯”。產業鏈上的企業們要登上超高算力的舞台、要在AI江湖中立足，輝達GPU是稀缺的入場券。

COWOS和HBM 儘管Nvidia試圖大幅增加產量，最高端的Nvidia GPU H100將一直售罄到明年第一季度。 生成人工智能即將到來，它將改變世界。自從ChatGPT 風靡全球並抓住了我們對AI 可能性的想像力以來，我們看到各種各樣的公司急於訓練AI 模型並將生成式AI 部署到內部工作流程或面向客戶的應用程序中。不僅僅是大型科技公司和初創公司，許多非科技財富5000強公司正在研究如何部署基於LLM的解決方案。 當然，這將需要大量的GPU計算。GPU銷量像火箭一樣上升，供應鏈一直在努力跟上對GPU的需求。公司正在爭先恐後地獲得GPU或云實例。

今年以來AMD出色的股價表明，它可能是AI投資者的最佳備選。如果不是競爭對手英偉達的收益表現太過亮眼，AMD飆升了95%的股價將使其成為費交所半導體股指數的最佳個股。 開發新AI工具的熱潮正轉化為硬件訂單的激增，英偉達憑藉此短暫地成為第一個擁有萬億美元市值的芯片製造商。 當地時間6月6日，AMD證明了自己也是AI計算領域參與者。該公司在舊金山的一次活動中介紹了新的數據中心芯片。 投資者們看到了其針對雲計算的EPYC處理器，但他們可能會更關注即將推出的GPU MI300，據稱這是英偉達H100的競爭對手。

雲提供商正在組建GPU 大軍，以提供更多的AI 火力。在今天舉行的年度Google I/O 開發者大會上，Google 宣布了一款擁有26,000 個GPU 的AI 超級計算機——A3 ，這個超級計算機是谷歌與微軟爭奪AI 霸權的鬥爭中投入更多資源進行積極反攻的又一證據。 這台超級計算機擁有大約26,000 個Nvidia H100 Hopper GPU。作為參考，世界上最快的公共超級計算機Frontier擁有37,000 個AMD Instinct 250X GPU。 對於我們最大的客戶，我們可以在單個集群中構建多達26,000 個GPU 的A3 超級計算機，並正在努力在我們最大的地區構建多個集群，”谷歌發言人在一封電子郵件中說，並補充說“並非我們所有的位置都將是縮放到這麼大的尺寸。” 該系統是在加利福尼亞州山景城舉行的Google I/O 大會上宣布的。開發者大會已經成為谷歌許多人工智能軟件和硬件能力的展示。在微軟將OpenAI 的技術應用於Bing 搜索和辦公生產力應用程序之後，谷歌加速了其AI 開發。