AI算力的三种解决方案：GPU、存算一体和量子计算在激烈竞争中，国内厂商能否获得成功

本周四，谷歌发布资深小编PaLM2与OpenAI旗下GPT-4等系统展开竞争，国内云从科技、引力传媒等多家A股上市公司亦宣布AI大模型产品最新进展。在“AI百模大战”背后，随之带动的算力需求开始呈“爆炸式”增长，一场“算力储备战”已暗潮汹涌，全球算力市场持续火热。

据悉，AI由数据、算法（即模型）和算力驱动，其中任意一方的发展会推动其他方面需求的增长。有分析认为，当下行业内虽然拥有更多的数据以及做了更多的AI模型研究，但算力的扩展速度却没有跟上。今年4月，OpenAI就因需求量过大而停止了ChatGPTPlus的销售。对此，东方证券研报认为，主要系计算资源供不应求。

根据数据预测，AI时代算力的增长已远远超过了摩尔定律每18个月翻番的速率，预计到2030年全球超算算力将达到0.2ZFLOPS，平均年增速超过34%。华为更是预测，未来10年人工智能算力需求将会增长500倍以上。那么，身处“智能革命”起点的当下，什么才是AI算力的最优解？国内“算力军备竞赛”又走到哪一步了？

短期堆起的GPU竞争高地：以量取胜筑起大模型算力门槛低配版英伟达GPU国内炒至10万元

众所周知，芯片能力直接影响着高算力训练效果和速度，相较于基于CPU芯片的通用算力，AI所需的智能算力则主要基于GPU、GPGPU及AISC等AI芯片所提供算力，用于人工智能的训练和推理。其中，GPU是一种专门用于处理图形、视频、游戏等高性能计算的硬件设备，凭借相较于其他硬件在算力方面的较大优势脱颖而出，同时随着英伟达A100、H100等型号产品的发布，前款产品在AI推理时吞吐量是CPU的249倍。GPU已成为当前AI算力的核心硬件。

中金公司研报表示，多GPU互联能力加强可以提高并行计算能力，因而算力提升对GPU数量的要求日益提高。随着单GPU的计算能力越来越难以应对深度学习对算力的需求，英伟达已经开始用多个GPU去解决问题。对此，业内分析认为，高端GPU的数量基本决定了一个厂商能够练多大的模型，后期将成为业内判断企业大模型能力的重要指标。

据TrendForce数据显示，如果以英伟达A100显卡的处理能力计算，GPT-3.5大模型需要2万块GPU来处理训练数据。亦有业内公认看法，做好AI大模型的算力门槛是1万枚A100芯片。

目前，全球GPU市场主要由英伟达、英特尔和AMD三家巨头垄断，去年Q4独立GPU份额分别为